Asistanlık Eğitiminde Yapay Zeka: Simülatörden Akıllı Geri Bildirime

Asistan laparoskopik port yerleştiriyor. Hareketi fazla geniş, sol el geri planda bekliyor, boynu 20 derece öne eğik. Bunları kimse not etmiyor — ameliyat akıyor, öğretim üyesi sahadaki dokuya bakıyor. Hareketin verimliliği, kas yükü, aletin kaç santimetre gereksiz gezdiği: hiçbiri kayıt altında değil. YZ bu boşluğa giriyor.

Geleneksel Değerlendirme Neden Yetersiz Kalıyor?

Cerrahi eğitimde değerlendirme hâlâ mentor gözlemine dayanıyor. OSATS^* gibi araçlar bu süreci yapılandırmaya çalışsa da asıl sorun değişmiyor: değerlendirme, o anda orada bulunan kişinin gözüne bağımlı. Yorulan bir kıdemli, meşgul bir program, farklı standartlar uygulayan farklı hocalar — tüm bunlar asistanın aldığı geri bildirimi şekillendiriyor.

Pandemi bu açığı daha da derinleştirdi. Ameliyat süreleri kısaldı, vaka sayısı azaldı. YZ bu tabloya farklı bir şeyle giriyor: aynı asistanı, aynı koşullarda, her seferinde aynı kriterle değerlendiren bir sistem. ¹ "Ne kadar iyi ameliyat ettin?" sorusu artık sayıya dökülüyor.

Aletin Ucu Her Şeyi Anlatıyor

Hokkaido Üniversitesi araştırmacıları 70 cerrahla bir çalışma yürüttü: 32 uzman (50 ve üzeri laparoskopik ameliyat deneyimi), 18 orta düzey, 20 yeni asistan. Katılımcılar domuz kadavrası üzerinde doku diseksiyonu ve sütür görevlerini tamamladı; cerrahi aletlerin uçlarına yerleştirilen hareket yakalama sensörleri^* tüm hareketi kayıt altına aldı. ²

Üç makine öğrenmesi algoritması bu verilerden beceri düzeyini tahmin etmeye çalıştı. En başarılı model iki grubu — uzman ve uzman olmayanlar — %72.9 doğrulukla ayırt etti. Uzmanı diğerlerinden ayıran şey hız değildi. Verimlilikti: yol uzunluğu, yani aletin gereksiz yere kaç santimetre gezdiği, en belirleyici metrik olarak öne çıktı. Gereksiz hareket sadece zaman kaybı değil — kas yorgunluğu, titreme ve artan komplikasyon riski demek.

1272 Ameliyat Bir Modelde

Sensörden ekrana: Tokyo'daki National Cancer Center araştırmacıları 1272 laparoskopik sigmoidektomi videosuyla bir derin öğrenme modeli eğitti. ³ Sistem ameliyatı beş cerrahi faza böldü ve her fazın süresini, sırasını, geçiş sayısını analiz etti.

Sonuçlar netti. Uzman cerrahlarda kolon mobilizasyon süresi anlamlı biçimde kısaydı. Mezorektal eksizyon süresinde uzman-yeni farkı istatistiksel olarak güçlüydü. Faz geçiş sayısı — yani ameliyatın ne kadar akışkan ilerlediği — uzman grubunda anlamlı düzeyde azdı. Üstelik model elde ettiği AI skorunun, ESSQS^* puanlarıyla örtüştüğünü gösterdi.

1272 video büyük bir rakam. Bir cerrahın tüm kariyeri boyunca ameliyat masasında geçirdiği saatten fazlasına denk içerik, tek bir modelin eğitiminde kullanıldı. Mentor ameliyatı izlemek zorunda değil; sistem izliyor, değerlendiriyor, farkı görüyor.

Boyundan Omza: YZ Sizi Korumaya da Çalışıyor

UCSF'den bir ekip farklı bir soruyu yanıtladı: YZ cerrahi tekniği ölçebiliyorsa, ergonomiyi de ölçebilir mi? 13 cerrahi asistanla yürütülen pilot çalışmada Kinetica Labs'ın sensörsüz YZ uygulaması kullanıldı. ⁴ Pahalı sensöre gerek yoktu; standart bir video kamera yeterliydi.

Uygulama boyun açısını ve sağ omuz açısını ölçtü. Asistanlara kısa bir eğitim verildi — doğru pozisyon, doğru açı. Sonrasında her iki metrikte anlamlı iyileşme görüldü. Çalışmanın belki de en ilginç bulgusu sayısal değerlerden değil, katılımcıların tutumundan geldi: tüm asistanlar daha fazla ergonomi eğitimi talep etti.

Sayı küçük, sorun büyük. Cerrahi mesleki hastalıkları — boyun, bel, omuz sorunları — asistanlık yıllarından başlıyor. Kimse sizi durdurup "başın fazla öne eğik" demiyor. YZ bunu yapıyor. Değerlendiriyor ve aynı anda koruyor.

Dijital ikiz teknolojisinin tıp eğitimindeki rolünü daha önce ameliyat planlaması bağlamında ele almıştık. Buradaki odak daha geniş: YZ asistanın tüm öğrenme sürecine nasıl entegre olabilir?

Mentor Olmadan Öğrenilebilir mi?

Şili'deki Pontificia Universidad Católica araştırmacıları uzaktan simülasyonu üç bileşene bağlıyor: donanım ve gerçekçi senaryolar, kanıta dayalı eğitim programı, zamanında geri bildirim. ⁵ YZ bu üçüncü sütuna kritik bir şey ekliyor: asistan ameliyatını kaydeder, sistem analiz eder, geri bildirim ulaşır — hoca müsait olsun ya da olmasın.

Near-peer modeli işte burada devreye giriyor. Bir uzman birden fazla merkezi aynı anda destekleyebilir; asistan ameliyatını kaydeder, YZ sistemi analiz eder, kıdemli gerektiğinde devreye girer. Train-the-trainer ağları bu modelin omurgasını oluşturuyor. Fakülte bağımlılığı azalıyor. Kaynak kısıtlı ortamlarda — ve Türkiye bu kategoride kesinlikle yer alıyor — bu model özellikle değerli.

Türkiye'de eğitim hastaneleri arasındaki nitelik farkı biliniyor. Erişim eşitsizliği gerçek. YZ destekli uzaktan simülasyon bu farkı daraltabilir — ama altyapı kurulmadan, standartlar belirlenmeden, kurumlar sahiplenmeden bu bir niyet olarak kalır.

Gerçekçi Beklenti

%72.9 doğruluk güçlü bir başlangıç noktası. Ama pratikte ne anlama gelir? Her dört değerlendirmeden birinde sistem yanılıyor. Klinik karar için bu oran yeterli mi? Henüz değil.

Veri önyargısı da ciddi bir sorun. Modellerin büyük bölümü belirli bir ameliyat tipini, belirli bir popülasyonu, belirli bir klinik ortamı temsil ediyor. Türk asistanların verileriyle eğitilmemiş bir model Türk asistanı ne kadar doğru değerlendiriyor? Cevabımız yok.

YZ'nin ölçemediği şeyler de var: klinisyenin hastayı nasıl sakinleştirdiği, stres altında neyi erteleyip neyi öne aldığı, sezgiyle karar verdiği anlar. Usta-çırak ilişkisi bunun için var. YZ onu kaldırmıyor — ustanın gözünün ulaşamadığı yere uzanıyor.

Sonuç

Asistanlık yıllarının en büyük sorunlarından biri artık bir isim taşıyor: kimse ölçmüyor. YZ bunu değiştiriyor. Hareket verimi sayıma giriyor, ameliyat fazları kronometreye giriyor, boyun açısı kameraya giriyor. Bunlar artık ölçülebilir.

Bu sayıların eğitimi dönüştürmesi için teknoloji tek başına yeterli değil. Standart protokoller, kurumsal destek, veri altyapısı ve en önemlisi mentorların bu araçları benimsemesi gerekiyor. YZ soruyu soruyor: "Bu hareketi neden böyle yaptın?" Cevabı vermek hâlâ insana ait.