Bir asistan hekim düşünün: kolonoskopi sırasında ekranda bir polip işareti beliriyor, yazılım onu çerçeveliyor. Asistan o işarete bakıp mı karar veriyor, yoksa önce kendi gözüyle tarayıp sonra ekrana mı bakıyor? Sıra önemli. İnsan-YZ etkileşiminin bilinen insan faktörleri arasında otomasyon önyargısı, alarm yorgunluğu, algoritma karşıtlığı, öğrenme etkisi ve deskilling sayılıyor.1 Asistanlık döneminde bu listenin en sonuncusu — deskilling, yani beceri kaybı — özellikle can yakıcı bir hal alıyor.

Kolonoskopide Somut Kanıt

Polonya'da dört endoskopi merkezinde yürütülen geriye dönük, gözlemsel bir çalışma, bu riski soyut bir endişe olmaktan çıkardı. Araştırmacılar, YZ destekli polip tespit sistemi devreye girmeden önceki üç ay ile girdikten sonraki üç ayı karşılaştırdı — ama karşılaştırılan, YZ'li kolonoskopiler değildi. Karşılaştırılan, her iki dönemde de YZ kullanılmadan yapılan standart kolonoskopilerdi.

%28,4YZ'ye maruz kalmadan önce, YZ'siz kolonoskopide adenom tespit oranı
%22,4YZ'ye maruz kaldıktan sonra, YZ'siz kolonoskopide adenom tespit oranı
1443Hasta: toplam gözlemsel çalışma örneklemi

1443 hastanın 795'i YZ öncesi, 648'i YZ sonrası dönemde YZ'siz kolonoskopiye alındı. Adenom tespit oranı %28,4'ten (795 hastanın 226'sı) %22,4'e (648 hastanın 145'i) düştü — mutlak fark %6,0 (%95 GA -10,5 ile -1,6 arası; p=0,0089). Çok değişkenli lojistik regresyonda, YZ'ye maruz kalmış olmak tek başına anlamlı bir bağımsız faktör olarak çıktı (OR 0,69; %95 GA 0,53-0,89).2 Bu, randomize bir deneme değil — geriye dönük, gözlemsel bir tasarım. Ama sonucun büyüklüğü ve istatistiksel anlamlılığı, "belki de rastlantıdır" demeyi zorlaştırıyor.

Benzer bir tablo tek bir alana özgü değil. Bir derleme, benzer bulguları farklı uzmanlık alanlarında da topluyor: meme görüntülemede 27 radyoloğu kapsayan kontrollü bir çalışmada, hatalı YZ önerileri deneyimli okuyucularda bile yanlış pozitif geri çağırmayı %12'ye kadar artırdı. Dijital patolojide, web tabanlı deneysel görevlerde katılımcıların %30'undan fazlası, zaman baskısı altında yanlış bir YZ önerisiyle karşılaştığında başlangıçta doğru olan tanısını değiştirdi. İngiltere'nin sitolojide HPV birincil taramasına geçişi sonrası yapısal bir deskilling örneği de kayıtlara geçti: vaka hacimlerinde %80-85 azalma, laboratuvarların 45'ten 8 merkeze konsolide olması — eğitim kapasitesi üzerinde ciddi bir etki.3

Asistanlık Neden Farklı Bir Risk Taşıyor

Yukarıdaki çalışmaların çoğu, zaten yetişmiş, kolonoskopi becerisini yıllar içinde inşa etmiş endoskopistleri kapsıyor. Onlarda aşınan, zaten var olan bir beceri. Asistanlık döneminde ise tablo kökten farklı: beceri henüz hiç inşa edilmedi. Bir asistan, kariyerinin en başında her polip taramasında YZ'nin işaretine güvenmeye alışırsa, kendi gözüyle polip tanıma becerisi hiçbir zaman tam olgunlaşmadan, "YZ'siz güvensiz" bir hekim olarak kıdemlenebilir.

Ayrım önemli, çünkü iki farklı müdahale gerektiriyor. Yetişmiş bir hekimde beceri korunması meselesiyken, asistanlıkta beceri edinimi meselesi söz konusu. Birincisinde "arada bir YZ'siz pratik yap" yeterli olabilir; ikincisinde müfredatın kendisinin, YZ'siz dönemi ne zaman ve ne kadar zorunlu tutacağını tanımlaması gerekiyor.

Deliberate Practice Teorisi Ne Diyor

Radyoloji eğitimi üzerine bir teorik değerlendirme, bu tartışmayı "deliberate practice" (bilinçli pratik) çerçevesine oturtuyor. Bilinçli pratik — odaklanmış, hedefe yönelik, anında geri bildirimli ve tekrar düzeltme fırsatı sunan bir öğrenme biçimi — klinik uzmanlık geliştirmede geleneksel hacim ve deneyim temelli öğrenme modellerinden üstün kabul ediliyor. Yazarlar, YZ entegrasyonunun bu süreci zayıflatma riski taşıdığını öne sürüyor: birincil yorumlama fırsatlarını azaltarak, otomasyon önyargısını besleyerek ve "kara kutu" algoritmalara aşırı güveni teşvik ederek.4

💡 Kavramsal Çerçeve

Bilinçli pratik teorisi ampirik bir bulgu değil, bir eğitim modeli önerisi. Yazarlar bunu bir tehdit olarak değil, bir tasarım sorunu olarak sunuyor: YZ'nin asistan eğitimine bilinçli biçimde dahil edilmesi gerektiğini, aksi halde temel öğrenme süreçlerinin zayıflayabileceğini savunuyorlar.

Aynı çalışma, YZ'nin tersine bir katkı da sunabileceğini vurguluyor: "hassas öğrenme" (precision learning) yoluyla, bireysel ihtiyaca göre kişiselleştirilmiş öğrenme deneyimleri kurgulamak. YZ, tanısal hataları gerçek zamanlı tespit edip geri bildirim mekanizmalarını güçlendirerek bilinçli pratik ilkeleriyle de uyumlu çalışabilir. Yazarların savunduğu tez şu: YZ'nin asıl belirleyicisi teknolojinin kendisi değil, eğitime nasıl gömüldüğü.

Umut Veren Taraf: Doğru Kurgulanan YZ Eğitimi

Radyoloji asistanlığında YZ tabanlı eğitim programlarını inceleyen sistematik bir derleme, 2646 çalışmayı tarayıp 14'ünü değerlendirmeye aldı. Bunların %92,9'u (13/14), asistan performansında iyileşme bildirdi — daha iyi tanısal kesinlik, artan YZ bilgisi, YZ platformlarıyla uygulamalı deneyim gibi alanlarda. Yalnızca bir çalışma (14'te 1) anlamlı bir fayda bulamadı.5

Burada bir noktayı netleştirmek gerekiyor: duyarlılık, özgüllük ve doğruluk gibi somut performans metriklerini raporlayan çalışmalar, 14'ün tamamı değil, yalnızca 5'iydi (%35,7) — bu alt grupta YZ eğitimi sonrası medyan değerler duyarlılıkta %62,2'den %72'ye, özgüllükte %78,9'dan %80'e, doğrulukta %76,5'ten %81,3'e yükseldi.5 Aynı derleme, riskleri de gizlemiyor: YZ'ye aşırı güven, karmaşık veya nadir vakalara sınırlı maruziyet ve yetersiz geri bildirim mekanizması — üçü de asistan eğitiminde tekrar eden endişeler olarak öne çıkıyor.

Tablo, "YZ asistan eğitimini bozuyor" gibi tek yönlü bir sonuca varmayı engelliyor. Aynı teknoloji, kötü kurgulandığında beceri gelişimini geciktirebiliyor, iyi kurgulandığında hızlandırabiliyor — fark, teknolojinin kendisinde değil, müfredata nasıl yerleştirildiğinde.

ACG'nin Somut Önerisi

Amerikan Gastroenteroloji Koleji'nin (ACG) oluşturduğu çok disiplinli çalışma grubu, 32 uzman ve 12 sektör temsilcisinin katılımıyla değiştirilmiş bir Delphi süreci yürüttü. 43 önermeden 40'ı ilk turda, kalan 3'ü ikinci tur sonunda konsensüse ulaştı. Eğitim ve öğretime ilişkin öneriler net bir denge kuruyor: yapılandırılmış bir YZ müfredatını onaylarken, aynı zamanda deskilling'i önlemek için bağımsız prosedürel yeterliliğin korunmasını şart koşuyor.6

Pratikte bu ne anlama geliyor? Asistanın YZ'yi öğrenmesi gerekiyor — bu artık kaçınılmaz bir yetkinlik. Ama asistanın YZ'siz de aynı işi güvenle yapabileceğini kanıtlaması, eğitim programının açıkça talep ettiği, ölçtüğü, belgelediği bir aşama olmalı. Konsensüs, ikisinin birbirini dışlamadığını, tam tersine ikisinin bir arada tanımlanması gerektiğini söylüyor.

Türkiye Bağlamı: TUK Müfredatında Bu Ayrım Yok

Türkiye'de asistanlık müfredatını düzenleyen Tıpta Uzmanlık Kurulu (TUK) yetkinlik çerçevesinde, YZ okuryazarlığının kendisi bile henüz tanımlı bir yetkinlik değil. Bu noktadan "YZ'li ve YZ'siz yeterliliği ayrı ayrı belgeleme" aşamasına geçmek, bugünün gerçekliğinden hâlâ uzak bir hedef.

Ama boşluk teorik değil. Bir asistan bugün, endoskopi ünitesinde ya da görüntüleme merkezinde YZ destekli bir sistemle karşılaştığında, bu sistemi ne zaman kullanıp ne zaman bilinçli olarak devre dışı bırakıp kendi muhakemesini test etmesi gerektiğine dair hiçbir kurumsal yönlendirme almıyor. Karar, tamamen bireysel farkındalığa kalıyor — sistematik değil.

Sonuç: Araç Suçlu Değil, Tasarım Eksik

Toplanan kanıtlar YZ'yi asistanlık eğitiminden dışlamayı savunmuyor — tam tersini gösteriyor. Sistematik derlemedeki çalışmaların büyük çoğunluğu, doğru kurgulanan YZ eğitiminin asistan performansını gerçekten artırdığını bildiriyor. Sorun teknolojinin kendisinde değil, hangi anlarda YZ'nin devrede olacağının, hangi anlarda asistanın kendi başına bırakılacağının hiç tanımlanmamış olmasında.

Kolonoskopideki gözlemsel bulgu bir uyarı niteliğinde: YZ'ye sürekli maruz kalmak, YZ olmadan çalışma becerisini sessizce aşındırabiliyor. Asistanlık döneminde bu risk daha ağır, çünkü aşınacak bir beceri değil, henüz inşa edilmemiş bir beceri söz konusu. ACG'nin önerdiği denge — yapılandırılmış YZ müfredatı artı korunmuş bağımsız yeterlilik — Türkiye'deki eğitim programları için de gerçekçi bir başlangıç noktası olabilir.

BU
Doktor Notu

Hayatımızın bir parçası haline gelen yapay zeka, öğrenim sürecinde doğru kullanılmazsa beceri gelişimini olumsuz etkileyebilir. Tanı koyma süreci, hasta yönetimi, görsel analiz becerilerinin gelişmesi gibi her adımda yapay zeka desteğine koşulsuz güvenmek, tek başına tanı koyamayan hekimler yetişmesine neden olabilir.

Eğitimde yapay zekanın konumu net olmalı: YZ eğitimi tamamlayan bir araç, eğitimin kendisi değil. Asistan bir bulguyu önce kendi bilgisi ve deneyimiyle değerlendirmeli; YZ ancak bu değerlendirmenin ardından bir kontrol noktası olarak devreye girmeli. Sıra tersine döndüğünde, öğrenme sürecinin temeli baştan zayıflıyor.

Günlük pratikte de aynı mantık işliyor. YZ her şeyi yapan bir araç değil, bir destek mekanizması. Tanı koymak, tedaviyi planlamak, hastayı yönetmek — bunların hepsi hâlâ hekimin sorumluluğunda kalıyor; YZ bu sorumluluğu devralan değil, ona eşlik eden bir unsur.

Türkiye'de YZ'nin asistanlık müfredatına girmesi kaçınılmaz ve doğru bir adım. Asıl mesele entegrasyonun kendisi değil, nasıl yapılacağı. Müfredat, YZ'yi eğitimin odağına değil, destekleyicisi konumuna oturtmalı. Bu ayrımı baştan netleştirmezsek, yetiştirdiğimiz hekimler YZ'yi doğru yerde kullanabilen değil, YZ'siz karar veremeyen hekimler olur.

Bu yazının özeti
  • Polonya'da yürütülen gözlemsel bir çalışmada, YZ'ye maruz kalan endoskopistlerin YZ'siz adenom tespit oranı %28,4'ten %22,4'e düştü
  • Asistanlık döneminde risk farklı: burada aşınan değil, hiç inşa edilmemiş bir beceri söz konusu
  • Deliberate practice teorisi, YZ'nin birincil yorumlama fırsatlarını azaltarak öğrenmeyi zayıflatabileceğini öne sürüyor — ama aynı teknoloji kişiselleştirilmiş geri bildirimle öğrenmeyi de güçlendirebilir
  • Sistematik bir derlemede incelenen 14 çalışmanın 13'ü, YZ eğitiminin asistan performansını artırdığını gösterdi
  • ACG konsensüsü, yapılandırılmış YZ müfredatı ile korunmuş bağımsız yeterliliği bir arada öneriyor — TUK müfredatında bu ayrım henüz yok

Kaynaklar

  1. Campion JR, O'Connor DB, Lahiff C. Human-artificial intelligence interaction in gastrointestinal endoscopy. World J Gastrointest Endosc. 2024;16(3):126-135. doi:10.4253/wjge.v16.i3.126 PMID: 38577646 Derleme
  2. Budzyń K, Romańczyk M, Kitala D ve ark. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterol Hepatol. 2025;10(10):896-903. doi:10.1016/S2468-1253(25)00133-5 PMID: 40816301 Gözlemsel Çalışma
  3. Heudel PE, Crochet H, Filori Q ve ark. Artificial intelligence in medicine: a scoping review of the risk of deskilling and loss of expertise among physicians. ESMO Real World Data Digit Oncol. 2026;12:100693. doi:10.1016/j.esmorw.2026.100693 PMID: 41890350 Derleme
  4. Kelly BS, Duignan S, Booth CC, Gangadharan S, Clifford SM. From volume to value: leveraging artificial intelligence and deliberate practice to foster precision learning in radiology. Pediatr Radiol. 2025. doi:10.1007/s00247-025-06470-5 PMID: 41258969 Derleme
  5. Keshavarz P, Mohammadigoldar Z, Bedayat A, Raman SS, Tai R. Artificial Intelligence Education in Radiology Training: A Systematic Review of Effectiveness, Barriers, and Future Directions. Acad Radiol. 2025;33(3):695-706. doi:10.1016/j.acra.2025.10.049 PMID: 41242893 Sistematik Derleme
  6. Gross SA, Shaukat A, Afzali A ve ark. Artificial Intelligence for Gastroenterology Practice: A Modified Delphi Consensus. Am J Gastroenterol. 2026;121(4):1017-1024. doi:10.14309/ajg.0000000000003944 PMID: 41665234 Konsensüs