Bir hastanın güvenilir bir teşhise ve tedaviye giden net bir yola ihtiyacı vardır. Sağlık sektörü liderleri için Microsoft'un en son tıbbi yapay zekâ araştırması pratik bir soru ortaya koyuyor: Bir kuruluş, kanıt toplayan ve birkaç adımda karar veren bir sistemi nasıl değerlendirmelidir?
Benim görüşüm, MAI-DxO'nun doğruluğu kadar karar süreciyle de ilgiyi hak ettiğidir. CEO'lar ve CTO'lar, araştırma performansı ile kanıtlanmış klinik değer arasındaki sınırı net tutarak bu süreci incelemelidir.
Sequential diagnosis with language models adlı çalışma 22 Ekim 2026'da Science dergisinde yayımlandı. GPT-5 ile eşleştirilen MAI-DxO, 304 zor NEJM vakasında %83,2 teşhis doğruluğuna ulaştı. Referans kaynakları kullanan pratisyen hekimler %36,1'e ulaşırken, kaynaksız oran %22,3 oldu. Acil servisten yatışla sonuçlanan 325 vakada sistem %80,3'e ulaşırken hekimler %46,8'de kaldı. Bunlar, vaka kayıtları üzerinde kontrollü değerlendirmelerin sonuçlarıdır. [1, 2]
Bu hekim yüzdeleri, çalışma görevlerindeki performansı tanımlar. Bunlar asla hekimlerin günlük pratikteki genel doğruluğu olarak sunulmamalıdır. Genel bir benchmark puanı ayrıca çok önemli bir soruyu yanıtsız bırakır: Hangi hatalar en büyük zarara yol açabilir?
MAI-DxO; teşhis öneren, varsayımları sorgulayan ve soruları ya da testleri seçen sanal bir paneli koordine eder. Değerlendirmesi, bilgi geldikçe değişir. Benchmark, tahmini test maliyetleri de dâhil olmak üzere teşhise giden yolu ölçer. Microsoft ayrıca daha sıkı maliyet kısıtlamalı yapılandırmaları da değerlendirdi. [2]
Kurumsal liderler için yararlı tasarım dersi, bir yanıt önermek ile onun kanıtını gözden geçirmeyi birbirinden ayırmaktır. Bir gözden geçiren, neyin eksik olduğunu belirleyebilmeli, önde gelen açıklamayı sorgulayabilmeli ve önemli bir eylem ilerlemeden önce ek bilgi isteyebilmelidir.
Birden fazla yapay zekâ rolü aynı hatayı tekrarlayabilir. Bu nedenle aracılar arasındaki uzlaşma, dış kanıtlarla test edilmelidir. Tartışma eklemek, değerlendirilecek bir bileşen daha oluşturur; bağımsız doğrulama sağlamaz.
Sistemleri üç boyutta karşılaştırırdım. Nihai yanıt puanını, karar sürecinin bütününün kalitesiyle karşılaştırın. Tahmini görev maliyetlerini, hizmeti sunmanın toplam maliyetiyle karşılaştırın. Geçmiş kayıtlardaki performansı, prospektif kullanımda gözlemlenen sonuçlarla karşılaştırın. Her karşılaştırma farklı bir yatırım sorusunu yanıtlar.
Örneğin, ucuz bir öneri ciddi bir gözden geçirme işi yaratabilir. Doğru bir yanıt, işe yaramayacak kadar geç gelebilir. Tam kayıtlarda iyi performans gösteren bir sistem, önemli bilgiler mevcut olmadığında zorlanabilir. Liderlerin bu farkları görünür kılan bir değerlendirmeye ihtiyacı var.
SDBench, istenen bilgiyi sağlamak için bir gatekeeper modeli ve teşhisleri değerlendirmek için bir judge modeli kullanır. Gatekeeper, istenen bir sonuç kayıtta olmadığında vakayla tutarlı bulgular üretebilir. Bu mekanizmalar etkileşimli değerlendirmeyi mümkün kılar, ancak incelenmesi gereken varsayımlar da getirir. [3]
Bu önemlidir çünkü değerlendirme ortamı ölçülen sonucu etkiler. Bir hastane; eksik bilgi, çelişkili anlatılar ve operasyonel gecikmeler karşısında sistemin nasıl davrandığını belirlemelidir. Tek başına teşhis doğruluğu; hasta güvenliğini, tedavi kalitesini veya bir klinik ekibin etkinliğini kanıtlayamaz.
Microsoft, Beth Israel Deaconess Medical Center ile prospektif bir çalışma duyurdu; bu çalışmada hastalar sistemi kullanacak ve performans, hekimlerin bağımsız değerlendirmeleriyle karşılaştırılacak. Bu, planlanan bir doğrulamadır; hasta sonuçlarının iyileştiğine dair şimdiden elde edilmiş bir kanıt değildir. [2]
CEO'lar, dağıtımı finanse etmeden önce amaçlanan faydayı tanımlamalıdır. Bir sağlık pilotunda bu, belirli bir durumun daha hızlı fark edilmesi veya zor vakaların gözden geçirilmesinde daha iyi destek olabilir. Klinik sorumluyu belirleyin, sonuç ölçütlerinde anlaşın ve pilotu durdurma koşullarını oluşturun. Bir benchmark karşılaştırmasına dayanarak personel kararı vermekten kaçının.
CTO'lar değerlendirmeyi amaçlanan iş akışının çevresinde kurmalıdır. Mevcut süreci, kontrollü bir ortamda tek başına çalışan yapay zekâyı ve yapay zekâ destekli klinisyenleri karşılaştırın. Önerilen hizmeti temsil eden vakalar kullanın. Ciddi gözden kaçan teşhisleri, gereksiz tetkikleri, karar süresini ve önerileri gözden geçirme yükünü inceleyin. Sonuçları genel ortalamanın yanı sıra ilgili hasta grupları için de raporlayın.
Uygun şekilde yönetilen verilerle retrospektif değerlendirmeyle başlayın. Kanıtlar ilerlemeyi destekliyorsa, klinik liderlik ve gerekli onaylarla denetimli bir prospektif çalışma düşünün. Test isteme veya tedaviyi değiştirme yetkisini açıkça atanmış tutun. Sistemin ne zaman geri çekilmesi gerektiğini ve bir klinisyenin onu nasıl geçersiz kılabileceğini tanımlayın.
Öneriler için izlenebilir kanıt, hasta bilgilerine kontrollü erişim ve kullanılan model ile iş akışı sürümünün kaydını isteyin. Bunlardan biri değiştiğinde ilgili değerlendirmeleri tekrarlayın. Başarılı bir pilot, bozulmayı tespit edebilen ve geri çekilmeyi destekleyen bir işletim süreci gerektirir.
Finans liderleri, tahmini test maliyetleri ile gerçekleşen tasarrufları ayırt etmelidir. Entegrasyonu, klinik gözden geçirmeyi, izlemeyi ve sürekli değerlendirmeyi iş planına dâhil edin. Her tasarruf, gözden kaçan teşhislerin ve önlenebilir tetkiklerin sonuçlarıyla birlikte değerlendirilmelidir.
Aynı değerlendirme disiplini; sigorta tazminatları, tedarik istisnaları veya olay incelemesi için yapay zekâ düşünülürken de faydalıdır. Bu uygulamaların kendi kanıtlarına ihtiyacı vardır. Tıbbi bir benchmark, finansal veya operasyonel bir iş akışını doğrulayamaz.
MAI-DxO, yapay zekânın kanıtı nasıl istediğini, konumunu nasıl revize ettiğini ve ne zaman duracağına nasıl karar verdiğini incelemek için bir neden sunuyor. Kurumsal değer, bu davranışların tanımlı bir hizmeti gerçek işletim koşullarında iyileştirip iyileştirmediğine bağlı olacaktır.
Tıbbi bir yapay zekâ pilotunu onaylayacak olsaydınız, önerilerinin hasta bakımını etkilemesine izin vermeden önce hangi kanıtları isterdiniz?
Matematiksel düşünün. Akıllıca mühendislik yapın. Stratejik liderlik edin. Sorumlu şekilde inşa edin. Küresel ölçekleyin. Yapay zekâ aracılığıyla gerçek ticari değer yaratın.
[1] Nori, H. ve ark. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 Ekim 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. SDBench dokümantasyonu. https://microsoft.github.io/sdbench/
