Screenathon 2.0: hasta tarafından üretilen sağlık verilerine uygulanan insan–YZ iş birliğiyle tarama

Günlük sağlık araştırmaları için neden önemli

Modern tıp, gerçekten işe yarayanı belirlemek için dağlarca bilimsel makaleyi elemeden ilerleyemez. Ancak yeni çalışmaların hacmi o kadar büyüdü ki, düzenli araştırma ekipleri bile yetişmekte zorlanıyor. Bu makale, makalelerin bu “taramasını” hızlandırmak için insanları ve yapay zekâyı (YZ) bir arada çalıştırmanın yeni bir yolunu anlatıyor; insan yargısını korurken hızı artırıyor. Screenathon 2.0 adı verilen yaklaşım, uzman kalabalıklarının ve akıllı yazılımın birlikte çalışarak devasa okuma işlerini sadece birkaç gün içinde nasıl üstlenebildiğini gösteriyor.

Tek başına okumaktan ekip sporuna

Geleneksel olarak araştırmacılar, sistematik derlemeleri yürütürken her makalenin başlığını ve özetini en az iki kişinin okuyup çalışmalarıyla ilgili olup olmadığına karar vermesine dayanır. Bu titiz süreç güvenilir sonuçlar sağlamaya yardımcı olur, ancak makale sayısı patladıkça son derece yavaş ve ölçeklenmesi zor hale gelir. Daha önce aynı araştırmacı grubu, taramayı “Screenathon”a çevirerek onlarca uzmanın birkaç gün boyunca yan yana çalışıp iş yükünü paylaştığı bir etkinlik düzenlemişti. Bu ilk etkinlik takım çalışmasının faydasını gösterdi, ancak tamamen insan emeğine dayanıyordu ve yorgunluk, deneyim farklılıkları ile etiketleme hatalarından tamamen kaçınamıyordu.

YZ’yi yardımcı bir takım arkadaşı olarak eklemek

Screenathon 2.0’da ekip, YZ’yi iş akışına doğrudan örerek süreci geliştirdi. Odaklandıkları konu, insanların kendi araçlarıyla topladıkları bilgiler olan hasta tarafından üretilen sağlık verileriydi; örneğin fitness takipçileri, glukoz ölçerler veya sağlık uygulamaları. Açık kaynaklı ASReview programını kullanan YZ modeli, insan değerlendiricilerin her kararından gerçek zamanlı olarak öğreniyordu: bir kişi bir makaleyi ilgili veya değil olarak işaretlediğinde sistem iç kurallarını güncelliyor ve kalan makaleleri yeniden sıralayarak en umut verici olanları kuyruğun önüne getiriyordu. Bu şekilde insanlar nihai karar vericiler olarak kaldı; YZ ise hangi makalelerin sonraki olarak inceleneceğine karar veren sürekli gelişen bir rehber görevi gördü.

İki yoğun günde büyük bir deney

Araştırmacılar bu insan–YZ ortaklığını, bir Avrupa sağlık konsorsiyumunun üç günlük toplantısı sırasında test ettiler. 27 ortak kuruluştan 27 uzmanın yer aldığı ekip, kanserden kardiyak durumlara ve nörolojik bozukluklara kadar 11 hastalık alanına dağıtılmış yaklaşık 7.000 bilimsel kaydı taradı. Birinci günde katılımcılara dahil etme kuralları eğitimi ve YZ sisteminin nasıl çalıştığına dair bir giriş verildi. İkinci günde yoğun işbirlikçi taramaya odaklandılar; bazen ortak alanlarda gayriresmî olarak çalışmaya da devam ettiler. Etkinliğin sonunda 487 kaydı ilgili, 6.000’den fazlasını ise ilgisiz olarak etiketlemişlerdi; bazı kişiler yalnızca birkaç makale tararken, diğerleri binlerce makale işledi ve hepsi her hastalık konusu için paylaşılan YZ modellerine katkıda bulundu.

Makine–insan çıktısını kontrol etmek

Sadece hız, önemli çalışmalarda eksik kalınırsa anlamsız olurdu; bu yüzden ekip güçlü bir “son bakım” aşaması kurdu. Ana etkinlik sona erdikten sonra sonuçları kontrol etmek ve düzeltmek için birkaç hafta harcadılar. Yanlış hastalık grubuna yerleştirilmiş makaleleri yeniden atadılar, şüpheli vakaları yeniden okudular ve kesintisiz ilgisiz makaleler görüntülenene kadar devam etmek gibi katı durdurma kuralları kullanarak ek tarama turları yürüttüler. Son olarak, yanlış etiketlenmiş olabilecek daha önce reddedilmiş kayıtları yeniden incelemek için özel bir yöntem uyguladılar. Bu titiz temizleme aşaması, konular genelinde 200’den fazla ek ilgili çalışma ortaya çıkardı ve gösterdi ki hızlı, YZ destekli tarama yine de kapsamlı kalite kontrol ile eşleştirilebilir.

İnsanlar YZ ile çalışmayı nasıl hissetti

Etkinlik boyunca katılımcılar, YZ destekli değerlendirmeye karşı güvenleri, motivasyonları ve güvenleri hakkında anketler doldurdular. Genel olarak yüksek motivasyon ve memnuniyet bildirdiler ve yarıdan fazlası tamamen geleneksel yöntemlere göre YZ destekli taramayı tercih ettiklerini söyledi. Önemli olarak, YZ destekli değerlendirmeye olan güvenleri sistemi gerçekten kullanmaya başladıktan sonra arttı. Birçok kişi yazılımın sadeliğini ve açıklığını övdü, ancak daha iyi filtreleme seçenekleri ve YZ’nin makaleleri nasıl önceliklendirdiğine dair daha şeffaf görsel ipuçları gibi iyileştirmeler önerdiler.

Bu yeni yaklaşım bize ne anlatıyor

Genel okuyucu için temel mesaj, tıbbi araştırmaları takip etme zorluğunun insanlarla makineler arasında seçim yapmayı gerektirmediğidir. Screenathon 2.0, uzman yargısını uyarlanabilir YZ ile harmanlamanın araştırma ekiplerinin en ilgili çalışmaları hızlıca bulmasına yardımcı olabileceğini, bakım ve denetimden ödün vermeye gerek olmadığını gösteriyor. YZ aramayı hızlandırıyor, ama nihai kararları insanlar veriyor ve sonuçları insanlar kontrol ediyor. Güçlü eğitim ve sağlam son kontrollerle, bu tür bir insan–YZ ortaklığı, sağlık bilgisi büyümeye devam ederken kanıt toplamayı daha hızlı, daha güvenilir ve daha sürdürülebilir hale getirebilir.

Atıf: Bergmann, J., Azzi, T., Neeleman, R. et al. Screenathon 2.0: human–AI collaborative screening applied to patient-generated health data. Sci Rep 16, 14487 (2026). https://doi.org/10.1038/s41598-026-45385-5

Anahtar kelimeler: sistematik derlemeler, insan–YZ iş birliği, hasta tarafından üretilen sağlık verileri, aktif öğrenme, literatür taraması