SCI, Scopus ve TR Dizin Makale Yazım ve Yayın Danışmanlığı: Stratejik Akademik Başarı Rehberi Örnek Makaleler

Akademik kariyerin en prestijli çıktısı olan bilimsel makale hazırlama süreci, sadece bir “yazım” aşaması değil, aynı zamanda metodolojik bir mimari ve stratejik bir yayın yönetimidir. Günümüzde bir araştırmanın dünya çapında ses getirmesi, çalışmanın SCI (Science Citation Index), Scopus veya TR Dizin gibi saygın indekslerde taranan dergilerde kabul almasına bağlıdır. Profesyonel makale yazdırma ve yayın danışmanlığı hizmetleri, bu zorlu süreçte araştırmacılara bilimsel standartları yakalama ve yayın kabul şansını maksimize etme noktasında rehberlik eder.

1. Akademik Makale Yazımında Profesyonel Yaklaşım

Bir bilimsel makalenin reddedilme nedenlerinin başında zayıf kurgu ve metodolojik eksiklikler gelmektedir. Danışmanlık süreci, bu riskleri ortadan kaldırmak için şu aşamaları kapsar:

A. Kavramsal Çerçeve ve Hipotez İnşası

Bilimsel bir makale, literatürdeki bir “boşluğu” (gap) doldurmalıdır. Danışmanlık kapsamında; çalışmanın özgün değeri (originality) ön plana çıkarılır, araştırma soruları en güncel akademik trendlere göre optimize edilir ve hipotezler test edilebilir bir yapıda kurulur.

B. Metodoloji ve Veri Analizi Uzmanlığı

Makalenin en çok eleştiri alan kısmı yöntem bölümüdür. Profesyonel destek sürecinde; örneklem büyüklüğü, veri toplama araçlarının geçerlilik ve güvenilirliği ile istatistiksel analizlerin (SPSS, R, Python, STATA) doğruluğu denetlenir. Kullanılan yöntemlerin uluslararası raporlama standartlarına (STROBE, PRISMA, CONSORT) uygunluğu sağlanır.

C. Akademik Üslup ve Terminoloji Yönetimi

Bilimsel metinler, kendine has bir dil örgüsüne sahiptir. Metinler; nesnel, kesin ve akademik bir tonla kaleme alınır. Özellikle İngilizce hazırlanan çalışmalarda, sadece çeviri değil, alanında uzman editörler tarafından gerçekleştirilen Academic Editing ve Proofreading işlemleri uygulanarak dil bariyeri ortadan kaldırılır.

2. Yayın Danışmanlığı: Gönderim ve Süreç Yönetimi

Makalenin yazılmış olması, sürecin sadece ilk yarısıdır. İkinci yarıda ise doğru dergiyi bulmak ve hakem süreçlerini (Peer-Review) başarıyla yönetmek gerekir.

Stratejik Dergi Seçimi (Journal Selection)

Çalışmanın kapsamı ile derginin yayın politikası arasındaki uyum kritiktir. Yayın danışmanlığı; makalenin atıf potansiyelini, derginin etki faktörünü (Impact Factor) ve inceleme sürelerini analiz ederek, çalışmanın en kısa sürede kabul alabileceği en prestijli mecraları belirler.

Kapak Mektubu ve Editör İletişimi

Editöre gönderilen Cover Letter, makalenin ilk intibasıdır. Danışmanlık kapsamında, çalışmanın neden o dergide yayınlanması gerektiğini vurgulayan profesyonel niyet mektupları hazırlanır.

Hakem Eleştirilerine Yanıt (Rebuttal Letter)

Hakemlerden gelen düzeltme (revizyon) talepleri, yayının kabulü için bir fırsattır. Bu aşamada, hakemlerin teknik eleştirilerine yönelik ikna edici, kanıta dayalı ve nazik yanıt metinleri oluşturularak sürecin olumlu sonuçlanması sağlanır.

3. Akademik Etik ve Özgünlük Standartları

Güvenilir bir danışmanlık hizmetinin temeli, akademik bütünlüğe sadık kalmaktır.

  • İntihal Denetimi: Her çalışma, Ithenticate veya Turnitin gibi profesyonel yazılımlarla taranarak %10’un altında (veya hedef derginin kriterlerine uygun) bir benzerlik oranıyla teslim edilir.

  • Yapay Zeka (AI) Politikası: Metinler, yapay zeka araçları tarafından üretilen sentetik yapılar yerine, insan muhakemesi ve özgün akademik yorumlarla oluşturulur. Bu, makalenin AI dedektörlerine takılmasını ve etik kurul ihlallerini önler.

  • Veri Gizliliği: Araştırmacıya ait veriler ve ham sonuçlar, gizlilik prensipleri çerçevesinde korunur ve asla üçüncü taraflarla paylaşılmaz.

4. Yayın Danışmanlığı Almanın Avantajları

  • Yayın Hızını Artırma: Yanlış dergi seçimi veya teknik hatalar nedeniyle yaşanacak vakit kayıplarının önüne geçilir.

  • Kabul Şansını Optimize Etme: Metodolojik ve dilsel olarak kusursuz bir metin, editör ve hakem süreçlerinden daha kolay geçer.

  • Akademik Prestij: Nitelikli ve yüksek atıf potansiyeline sahip yayınlarla araştırmacının h-indeksi ve bilimsel kimliği güçlendirilir.

  • Zaman Yönetimi: Yoğun klinik veya akademik tempoda olan araştırmacıların, teknik detaylar arasında boğulmadan sadece araştırmalarına odaklanmalarına imkan tanır.

5. Sonuç: Bilimi Geleceğe Taşıyan Ortaklık

Akademik yayıncılık, bir araştırmacının bilgi birikimini dünyaya duyurduğu vitrindir. SCI, Scopus veya TR Dizin gibi platformlarda yer almak, sadece bireysel bir başarı değil, bilim dünyasına sunulmuş kalıcı bir katkıdır. Profesyonel makale yazım ve yayın danışmanlığı, bu katkının en yüksek standartlarda ve en prestijli kanallarda yer bulmasını sağlayan profesyonel bir yol arkadaşlığıdır.

makale yazdırma, makale yayın danışmanlığı, akademik makale yazım desteği, sci makale danışmanlığı, scopus yayın süreci, tr dizin makale hazırlama, akademik yayın stratejileri, medikal makale yazımı, doçentlik yayını danışmanlığı, hakem süreci yönetimi, ithenticate raporu, akademik proofreading, dergi seçimi danışmanlığı, bilimsel makale metodolojisi, araştırma tasarımı desteği, makale revizyon yardımı, akademik yayıncılık 2026, uluslararası hakemli dergi yayını.

ÖRNEK MAKALE

İç Hastalıkları Hemşireliğinde Yapay Zekanın Kullanımı, Uygulanması Ve Hemşirelik Bakımına Katkısı

Özet

Bu çalışma, iç hastalıkları hemşireliğinde yapay zekânın (YZ) kullanım alanlarını, hemşirelik bakım sürecine olası katkılarını ve beraberinde getirdiği riskleri literatür temelli bir çerçevede tartışmaktadır. İç hastalıkları klinikleri; multimorbidite, polifarmasi ve hızlı klinik değişkenlik nedeniyle yoğun veri akışı üreten, hasta güvenliğinin büyük ölçüde erken fark etme ve doğru önceliklendirmeye bağlı olduğu ortamlardır. Bu bağlamda YZ uygulamaları, özellikle risk katmanlandırma, klinik kötüleşmenin erken saptanması, iş akışının önceliklendirilmesi ve klinik karar destek mekanizmaları üzerinden bakım kalitesini güçlendirme potansiyeli taşımaktadır. Hemşirelik alanındaki derlemeler ve sistematik incelemeler, YZ’nin karar destek, izlem/erken uyarı, eğitim ve bakım koordinasyonu başlıklarında fırsatlar sunduğunu; buna karşılık açıklanabilirlik, algoritmik önyargı, mahremiyet, sorumluluk zinciri ve alarm yorgunluğu gibi temaların kritik sınırlılıklar oluşturduğunu göstermektedir. Çalışmada, YZ’nin hemşirenin yerini alacak bir unsur olarak değil; hemşirelik muhakemesini destekleyen, bakım sürecinin görünmeyen bileşenlerini (erken sinyal yakalama, risk yönetimi, standardizasyon) daha sistematik hâle getirebilen bir araç olarak ele alınması gerektiği vurgulanmaktadır. Bununla birlikte, klinik etkinin yalnızca model performansına değil, sistemin iş akışına entegrasyonuna, hemşirelerin teknoloji okuryazarlığına, kurumsal eğitim ve teknik desteğe, ayrıca etik-hukuki yönetişimin açıklığına bağlı olduğu belirtilmektedir. Sonuç olarak, iç hastalıkları hemşireliğinde YZ’nin en güvenli ve uygulanabilir ilerleme hattı; kademeli pilot uygulamalar, hemşire merkezli tasarım, geri bildirim döngüsü ve hasta güvenliği odaklı yönetişim ilkeleriyle desteklenen bir entegrasyon yaklaşımıdır.

Anahtar kelimeler: İç hastalıkları hemşireliği; yapay zekâ; klinik karar destek; hasta güvenliği

 

The Use, Application, and Contribution of Artificial Intelligence in Internal Medicine Nursing Care

Abstract

This study discusses the areas of application of artificial intelligence (AI) in internal medicine nursing, its potential contributions to the nursing care process, and the associated risks within a literature-based framework. Internal medicine clinics are environments that generate a high volume of data due to multimorbidity, polypharmacy, and rapid clinical variability, where patient safety largely depends on early detection and accurate prioritisation. In this context, AI applications have the potential to enhance care quality, particularly through risk stratification, early detection of clinical deterioration, prioritisation of workflows, and clinical decision support mechanisms. Reviews and systematic reviews in the nursing field show that AI offers opportunities in decision support, monitoring/early warning, education, and care coordination; conversely, themes such as explainability, algorithmic bias, privacy, chain of responsibility, and alarm fatigue present critical limitations. The study emphasises that AI should not be considered as a replacement for nurses, but rather as a tool that supports nursing judgement and can systematise the invisible components of the care process (early signal detection, risk management, standardisation). However, it is noted that clinical impact depends not only on model performance but also on the system’s integration into workflow, nurses’ technological literacy, institutional training and technical support, and the transparency of ethical-legal governance. Consequently, the safest and most feasible path forward for AI in internal medicine nursing is an integration approach supported by phased pilot implementations, nurse-centred design, feedback loops, and patient safety-focused governance principles.

Keywords: Internal medicine nursing; artificial intelligence; clinical decision support; patient safety

 

 

 

 

 

GİRİŞ

 

İç hastalıkları klinikleri, sağlık sisteminin “yük taşıyan” omurgasıdır: diyabet, KOAH, kalp yetmezliği, kronik böbrek hastalığı, hipertansiyon ve çoklu hastalık (multimorbidite) gibi tabloların uzun soluklu izlemine dayanır. Bu klinik gerçeklik, hemşirelik bakımını yalnızca “günlük işlerin yürütülmesi” olmaktan çıkarır; sürekli yeniden değerlendirme, çok katmanlı risk yönetimi, hasta-eğitim döngüsü ve ekip içi koordinasyonun aynı anda yürütüldüğü karmaşık bir karar alanına dönüştürür. Tam da bu yüzden iç hastalıkları hemşireliği, modern sağlık sisteminde dijitalleşmeden en hızlı etkilenen alanlardan biridir. Buradaki temel problem şudur: Artan hasta karmaşıklığı ve veri yoğunluğu, hemşirelik kararlarının hızını ve doğruluğunu zorlar; buna karşın klinik sonuçlar ve hasta güvenliği beklentisi yükselir. Bu makalenin çıkış noktası, bu gerilimi görünür kılmak ve “yapay zekâ (YZ) destekli” yaklaşımların iç hastalıkları hemşireliği bakım süreçlerine nerede, nasıl ve hangi sınırlılıklar içinde katkı sağlayabileceğini kavramsal ve literatür temelli biçimde tartışmaktır. Klinik alanın veri profili, sorunu daha da keskinleştirir. Elektronik sağlık kayıtları (EHR), laboratuvar sonuçları, vital bulgular, görüntüleme raporları, ilaç listeleri, hemşire gözlemleri, konsültasyon notları ve hasta beyanları bir arada okunmak zorundadır. İnsan zihni, elbette klinik muhakeme üretir; fakat aynı zamanda bilişsel yük, alarm yorgunluğu ve zaman baskısı altında “sezgisel kestirme yollar”a da başvurur. Klinik karar destek sistemleri (KKDS) geleneği aslında bu zemin üzerinde doğmuştur: klinik kararları hızlandırmak, standardize etmek ve hatayı azaltmak (Coiera, 2003). Ancak günümüzde konuştuğumuz YZ, klasik kural tabanlı sistemlerin ötesine geçer; veri örüntülerinden öğrenen modellerle tahmin, sınıflandırma ve öneri üretir. Bu durum hemşirelik bakımını iki yönde etkiler: Bir yandan erken uyarı, risk skorlama ve iş akışı optimizasyonu ile bakım kalitesini artırma potansiyeli taşır; diğer yandan etik, sorumluluk, güven ve mesleki özerklik gibi alanlarda yeni sorular doğurur (Asan et al., 2020; Maddox et al., 2019).

Bu çalışmanın amacı, iç hastalıkları hemşireliğinde YZ’nin (i) bakım sürecine entegrasyon alanlarını, (ii) hemşirelik rol ve yetkinliklerini nasıl dönüştürdüğünü ve (iii) bu dönüşümün hasta güvenliği, bakım kalitesi ve iş yükü gibi temel çıktılar üzerindeki olası etkilerini literatüre dayanarak analitik biçimde tartışmaktır. Çalışma, yöntem ve bulgu bölümleri içermeyen bir derleme/kavramsal tartışma kurgusuna sahip olduğu için amaç, nicel sonuç üretmekten ziyade kavramsal netlik ve uygulama çıkarımı sağlamaktır. Bu yaklaşımın dayandığı temel literatür omurgası; hemşirelikte YZ’nin öncelikleri ve fırsatlarını tartışan uluslararası çerçeveler (Ronquillo et al., 2021), klinik hemşirelik bakımına odaklanan kapsamlı taramalar (Ng et al., 2022; Al Khatib & Ndiaye, 2025) ve sağlıkta YZ’nin genel yönelimlerini ele alan çalışmalar (Jiang et al., 2017; Reddy et al., 2019) üzerinden kurulacaktır.

Çalışmanın önemi iki katmanlıdır. Birinci katman kliniktir: İç hastalıkları kliniklerinde riskli düşme, bası yarası, deliryum, hipoglisemi/hiperglisemi, sepsis, klinik kötüleşme, ilaç etkileşimi ve taburculuk sonrası yeniden yatış gibi kritik çıktılar, hemşirelik izlem ve müdahale kalitesiyle doğrudan ilişkilidir. YZ tabanlı sistemler, bu alanlarda “erken sinyal” üretme, bakım planını kişiselleştirme ve ekip içi iletişimi güçlendirme potansiyeli taşır (Ng et al., 2022). İkinci katman meslekseldir: Hemşirelik, teknolojiyle birlikte rolü dönüşen bir disiplindir; ancak bu dönüşüm “yerini almak” değil, daha çok hemşirenin karar kapasitesini artıran, görünmeyen emek alanlarını görünür kılan ve bakımın sürekliliğini destekleyen bir genişleme olarak okunmalıdır (Clancy, 2020; Robert, 2019). Elbette bunun koşulu, YZ’nin hemşireliği pasifleştiren bir otoriteye dönüşmemesi; insan-merkezli, şeffaf ve hesap verebilir bir tasarımla klinik iş akışına yerleşmesidir (Asan et al., 2020; Özdemir & Bilgin, 2021).

Yapay Zekâ ve Sağlık Sistemlerinde Dönüşüm

Sağlık sistemleri, son on yılda dijitalleşmeyi yalnızca “elektronik kayıt tutma” düzeyinde yaşamıyor; aynı zamanda karar süreçlerinin veri-temelli hale geldiği, klinik akışın yazılımlar üzerinden yeniden tanımlandığı bir dönüşümden geçiyor. YZ bu dönüşümün en iddialı ve tartışmalı bileşenlerinden biri. Çünkü YZ, sağlık hizmetini hem klinik (tanı-tedavi) hem de operasyonel (kaynak planlama, triage, iş akışı) düzeyde yeniden kurgulama potansiyeli taşıyor (Jiang et al., 2017; Reddy et al., 2019). Bu dönüşümü anlaşılır kılmak için YZ’yi “sağlıkta nerede duruyor?” sorusuyla okumak faydalı olur. Birinci düzey, klinik karar destek alanıdır. KKDS’nin kökleri uzun zamandır var; fakat modern YZ, veriden öğrenen modellerle olasılık tahminleri üreterek karar desteğini daha dinamik hale getirir. Coiera’nın klasik yaklaşımı KKDS’yi klinik bilgiyle iş akışını birleştiren sistemler olarak çerçevelerken (Coiera, 2003), güncel YZ tartışmaları bu sistemlerin “öneri” üretme gücünün artmasıyla etik ve sorumluluk sorularını büyütür (Maddox et al., 2019). İç hastalıkları kliniklerinde hemşirelik, tam da bu alanda kritik bir kesişime sahiptir: Hemşire, hastanın günlük izleminden ve erken kötüleşme sinyallerini yakalamaktan sorumludur. YZ’nin ürettiği bir risk puanı, hemşirenin dikkatini doğru hastaya yöneltebilir; ama aynı puan, yanlış alarm ürettiğinde klinik güveni zedeleyebilir. Bu nedenle dönüşüm yalnızca “teknoloji eklemek” değil, güvenilir klinik entegrasyon kurmaktır (Asan et al., 2020).

İkinci düzey, triage ve hizmet sunumunun yeniden düzenlenmesidir. Acil servis triyajı ya da tele-sağlık sistemlerinde YZ destekli yönlendirme, hasta akışını hızlandırmayı hedefler. İnsan hekimlerle YZ’yi karşılaştıran triage/diagnosis odaklı çalışmalar, YZ’nin belirli görevlerde performans gösterebildiğini; ancak bağlam, veri çeşitliliği ve klinik sorumluluk zinciri nedeniyle “tek başına karar verici” rolünün riskli olduğunu düşündürür (Baker et al., 2020). Hemşirelik perspektifinden bakıldığında bu durum iki sonuç üretir: (i) Hemşire, triyaj ve yönlendirme süreçlerinin klinik güvenliğini izleyen ana aktörlerden biri haline gelir; (ii) YZ çıktısının doğrulanması ve hastaya uygun iletişimle aktarılması hemşirelik emeğinin yeni bir bileşeni olur (Clancy, 2020).

Üçüncü düzey, tele-sağlık ve uzaktan bakımın genişlemesidir. COVID-19 ile hızlanan bu süreç, dijital teknolojilerin benimsenmesini adeta zorunlu kıldı. Clipper, pandeminin teknoloji adaptasyonunu hızlandırdığını vurgularken (Clipper, 2020), hemşirelik açısından bu hızlanma “telenursing” uygulamalarında yetkinlik ve etik çerçeve ihtiyacını belirginleştirdi. Uzaktan bakım, iç hastalıkları hastalarında taburculuk sonrası izlem, ilaç uyumu, semptom takibi ve eğitim için güçlü bir zemin oluşturur. Bu zeminde YZ, örneğin semptom girişlerinden risk tahmini üretmek ya da hasta mesajlarını sınıflandırmak gibi işlevlerle süreci destekleyebilir. Ancak burada risk şudur: dijital bölünme, veri mahremiyeti ve algoritmik önyargı, iç hastalıkları popülasyonunda (yaşlılar, düşük sağlık okuryazarlığı olanlar, çoklu ilaç kullananlar) daha belirgin etkiler üretebilir (Asan et al., 2020; Özdemir & Bilgin, 2021).

Dördüncü düzey, sağlık kurumlarında “insan-robot” iş bölümü ve bakım teknolojileridir. Sosyal robotların demans bakımında kullanımı gibi örnekler, insanî temasın yerini almak yerine belirli görevleri destekleyen araçlar olarak tartışılır (Dinesen et al., 2022). Hemşireler ve hastaların servis robotlarıyla çalışma istekliliğini ele alan karma yöntemli araştırmalar da, kabulün yalnızca teknolojiye değil; güven, fayda algısı ve etik kaygılara bağlı olduğunu gösterir (El-Gazar et al., 2024). İç hastalıkları servislerinde robotik teknolojiler, lojistik destek, malzeme taşıma, izlem hatırlatmaları veya basit bilgilendirme gibi alanlarda gündeme gelebilir; fakat “bakımın özü” olan insanî ilişki ve klinik muhakemenin devri, mesleki ve etik açıdan dikkatli tartışma gerektirir (Çoban et al., 2022; Kandemir et al., 2023).

Bu dönüşümün kritik bir boyutu da, YZ’nin “bilgi” üretme biçimiyle ilgilidir. YZ sistemleri, eğitim verilerindeki örüntülere dayanır. Bu, sağlık hizmetinde ciddi bir avantaj olabilir; ama aynı zamanda önyargıların (bias) yeniden üretimi riskini taşır. Klinik ekiplerin YZ’ye güveni üzerine odaklanan çalışmalar, güvenin yalnızca performans ölçütleriyle değil, şeffaflık ve klinik kontrol hissiyle kurulduğunu vurgular (Asan et al., 2020). Bu bağlamda, hemşirenin rolü teknik bir “kullanıcı” rolünün ötesine geçer; hemşire, YZ çıktısının klinik bağlamda anlamlandırılması, hastanın değerleriyle uyumlu bakım planına dönüşmesi ve gerektiğinde sistem çıktısına itiraz edilmesi süreçlerinde aktif bir özne haline gelir (Ronquillo et al., 2021).

İç Hastalıkları Hemşireliğinin Değişen Rolü

İç hastalıkları hemşireliği, geleneksel olarak “izlem, tedavi uygulamaları, eğitim ve koordinasyon” ekseninde tanımlanır. Ancak YZ’nin sağlık sistemine giriş biçimi, bu ekseni hem genişletiyor hem de yeniden şekillendiriyor. Bu değişimi, hemşireliğin rolünü “daraltan” değil, doğru koşullarda “derinleştiren” bir dönüşüm olarak okumak mümkündür. Yine de bu iyimser okuma otomatik değildir; dönüşümün yönü, teknolojinin nasıl tasarlandığı ve klinik kültürün nasıl yönetildiğiyle belirlenir (Ronquillo et al., 2021; Ng et al., 2022). Birincisi, hemşirelik rolü veri aracılı klinik muhakeme yönünde evrilmektedir. İç hastalıkları servislerinde hemşire, hastanın klinik seyrindeki küçük değişimleri ilk fark eden kişidir. YZ tabanlı erken uyarı sistemleri ve risk skorlama araçları, hemşireye “dikkat penceresi” açabilir; hangi hastanın kötüleşme riski taşıdığına dair ek bir katman sunabilir. Ancak hemşirelik burada pasif bir “uygulayıcı” değildir: YZ’nin ürettiği risk, hemşirenin gözlemiyle birleşmeden klinik anlam kazanmaz. Bu nedenle yeni rol, YZ çıktısını “doğrulama, bağlama oturtma ve müdahaleye dönüştürme” rolüdür. Klinik karar destek sistemlerinin hemşirelikte kullanımını tartışan çalışmalar, bu sistemlerin bakım sürecine entegrasyonunda hemşirelik kararının merkezî önemine işaret eder (Çiriş Yıldız et al., 2020). Benzer biçimde, klinik karar destek sistemlerinin sağlık bilimlerinde YZ tabanlı örnekleri üzerine yapılan değerlendirmeler de, sistem çıktılarını klinik iş akışına yerleştirmenin temel bir tasarım problemi olduğunu gösterir (Akalın & Veranyurt, 2022).

İkincisi, hemşirelik rolü iletişim ve güven inşası açısından daha da kritik hale gelmektedir. YZ, hasta açısından çoğu zaman “görünmez” bir aktördür; risk puanları, öneriler ve otomatik uyarılar, arka planda çalışır. Hastaya yansıyan ise bakımın dili ve açıklamasıdır. Hemşire, YZ destekli bir önerinin hastaya aktarılmasında, hastanın kaygısının yönetiminde ve ortak karar verme sürecinin korunmasında kilit bir arabulucudur. Klinisyenlerin YZ’ye güveni üzerine yapılan çalışmalar, güvenin ilişki ve açıklama üzerinden kurulduğunu; “kara kutu” algoritmaların direnç üretebildiğini vurgular (Asan et al., 2020). İç hastalıkları hemşireliği, hasta ile en uzun süre temas eden disiplin olduğu için, bu güven tartışmasının sahadaki karşılığı çoğu zaman hemşire üzerinden yaşanır.

Üçüncüsü, hemşirelik rolü teknoloji okuryazarlığı ve yetkinlik bakımından yeniden tanımlanmaktadır. Bu sadece “sistemi kullanabilmek” değildir. YZ çağında hemşirelik yetkinliği; veri kalitesini fark edebilme (ör. eksik veri, yanlış giriş), algoritmik çıktının sınırlarını görebilme (ör. modelin hangi popülasyonda eğitildiği), uyarıların klinik anlamını değerlendirebilme ve etik riskleri tanıyabilme gibi daha üst düzey becerileri içerir. Tele-tıp ve telenursing bağlamında hemşirelerin teknoloji kullanım becerileri ve yetkinlik kazanımını ele alan kaynaklar, teknolojinin “kendiliğinden” öğrenilmediğini; kurumsal eğitim ve standartlarla desteklenmesi gerektiğini ortaya koyar (Bilgili & Erdal, 2023). Hemşirelik eğitiminde YZ’nin etkilerini inceleyen kapsam belirleme çalışmaları da, eğitim programlarının bu dönüşümü hesaba katması gerektiğini vurgular (Buchanan et al., 2021). Burada kritik bir ayrım var: Hemşirelik eğitiminde YZ’yi yalnızca “yeni bir araç” gibi öğretmek yetmez; YZ’nin bakım etiği, karar verme, veri adaleti ve mesleki sorumluluk boyutlarıyla birlikte ele alınması gerekir (Özdemir & Bilgin, 2021; Ronquillo et al., 2021).

Dördüncüsü, hemşirelik rolü iş akışı tasarımının bir parçası haline gelmektedir. Sağlık kurumlarında YZ uygulamalarının başarısı, yalnızca iyi bir model geliştirmekle değil; modelin kliniğe uygun bir iş akışı içinde kullanılabilmesiyle ölçülür. İç hastalıkları servislerinde hemşirelik, iş akışının kalbinde yer alır: ilaç yönetimi, vital bulgu izlem sıklığı, hasta eğitimi zamanlaması, taburculuk planlaması ve konsültasyon koordinasyonu gibi süreçler hemşirelik üzerinden akar. Bu nedenle YZ entegrasyonunda hemşire, yalnızca son kullanıcı değil; aynı zamanda tasarım ortağıdır. Hemşirelikte YZ’nin önceliklerini tartışan uluslararası think-tank raporları, hemşirelerin YZ yönetişimi ve tasarım süreçlerine katılımını temel bir öncelik olarak ele alır (Ronquillo et al., 2021). Sahada bunun pratik karşılığı şudur: Hemşirelik süreciyle uyumlu olmayan bir YZ sistemi, hemşireyi güçlendirmek yerine onu “ekran başı veri işçisi”ne dönüştürebilir. Bu, hem bakım kalitesini hem de mesleki doyumu olumsuz etkileyebilir (Clancy, 2020; Robert, 2019).

Beşincisi, hemşirelik rolü etik gözetim ve hasta hakları açısından genişlemektedir. İç hastalıkları popülasyonu, yaşlılık, multimorbidite ve kırılganlık gibi nedenlerle etik risklere daha açık olabilir. YZ’nin sağlıkta kullanımı; mahremiyet, aydınlatılmış onamın kapsamı, veri güvenliği, önyargı ve adalet gibi konularda yeni katmanlar ekler. Türkiye bağlamında sağlıkta YZ ve etik sorunları tartışan çalışmalar, etik risklerin yalnızca teknik değil, yönetimsel ve hukuki boyutları olduğunu vurgular (Özdemir & Bilgin, 2021). İç hastalıkları hemşireliği açısından etik gözetim, örneğin bir risk skorunun hastaya “etiketlenme” etkisini doğurup doğurmadığını; ya da otomatik önerilerin hastanın değerleri ve tercihleriyle nasıl uyumlandırılacağını sorgulamayı içerir. Bu noktada hemşire, bakımın insanî yönünü koruyan bir denge unsurudur (Ng et al., 2022; Al Khatib & Ndiaye, 2025).

Altıncısı, hemşirelik rolü robotik ve yardımcı teknolojilerle çalışma ekseninde de dönüşmektedir. Hemşirelik ve robot teknolojilerinin yeri üzerine yapılan değerlendirmeler, bu teknolojilerin bakımda “ikame” değil “destek” rolünde düşünülmesi gerektiğini hatırlatır (Çoban et al., 2022). Yoğun bakım hemşireliği bağlamında robotik ve YZ kullanımını ele alan yayınlar, kritik bakım ortamında güvenlik ve etik kaygıların daha belirgin olduğunu; bu nedenle uygulamaların adım adım ve doğrulama temelli ilerlemesi gerektiğini düşündürür (Kandemir et al., 2023). Ayrıca hemşire ve hastaların servis robotlarıyla çalışmaya istekli olup olmadığına dair veriler, teknolojinin toplumsal kabul boyutunu görünür kılar (El-Gazar et al., 2024). İç hastalıkları servislerinde bu, örneğin ilaç dağıtım sürecinde robotik lojistik, hasta eğitiminde dijital asistanlar veya taburculuk sonrası izlemde otomatik hatırlatıcılar gibi alanlarda gündeme gelebilir; fakat her durumda hemşire, teknolojinin bakım deneyimini nasıl etkilediğini izleyen temel aktördür.

KAVRAMSAL ÇERÇEVE

İç hastalıkları hemşireliği, klinik kararların çoğu zaman “uzun süreli izlem” mantığıyla verildiği, hastanın durumunun küçük oynamalarının bile hızla komplikasyona dönebildiği bir bakım alanıdır. Bu alanın belirgin özelliği, tek bir hastada birden fazla kronik hastalığın (diyabet + kalp yetmezliği + böbrek fonksiyon kaybı gibi) bir arada bulunması ve bakımın buna göre sürekli yeniden ayarlanmasıdır. Yapay zekâ (YZ), bu tür karmaşık örüntülerin olduğu klinik bağlamlarda özellikle “erken sinyal yakalama”, “riskin katmanlandırılması” ve “iş akışının önceliklendirilmesi” için cazip bir araç gibi görünür. Ancak YZ’nin hemşirelik bakımına katkısını kavramsal olarak açıklayabilmek için önce YZ’nin bileşenlerini, sağlık hizmetlerinde nasıl konumlandığını, iç hastalıkları hemşireliğinin bakım mantığını ve bu ikisinin nasıl eklemlendiğini netleştirmek gerekir (Jiang et al., 2017; Ng et al., 2022; Ronquillo et al., 2021).

Yapay Zekâ Kavramı ve Temel Bileşenleri

Yapay zekâ, en geniş anlamıyla, bir sistemin belirli görevlerde insan benzeri “akıl yürütme” davranışlarını taklit etmesini sağlayan yöntemler bütünüdür. Sağlık alanında YZ’nin pratik karşılığı çoğu zaman tanı koymak değil; veri yoğun klinik ortamda karar süreçlerini desteklemek, olası riskleri erken işaretlemek ve bakım süreçlerini daha tutarlı hale getirmektir (Amisha et al., 2019; Jiang et al., 2017). Hemşirelik açısından bu ayrım kritiktir: Hemşirelik bakım süreci, yalnızca “hastalık” değil, hastanın fonksiyonelliği, güvenliği, eğitim gereksinimi ve bakım uyumu gibi geniş bir spektrumun yönetimini içerir. Dolayısıyla YZ’nin hemşirelikteki asıl değeri, tek bir biyomedikal çıktıyı optimize etmekten ziyade, bu çok boyutlu bakım alanını daha görünür ve yönetilebilir kılmasında ortaya çıkar (Ng et al., 2022). YZ’nin kavramsal bileşenlerini dört temel başlık altında toplamak mümkündür: (i) makine öğrenmesi ve onun alt alanları, (ii) derin öğrenme mimarileri, (iii) doğal dil işleme ile metinsel klinik verinin anlamlandırılması, (iv) klinik karar destek sistemlerinin iş akışı ve yönetişim tasarımı (Coiera, 2003; Goodfellow et al., 2016; Jurafsky & Martin, 2009). Bu bileşenler ayrı ayrı anlatılsa da klinik pratikte çoğu zaman iç içe geçer: Örneğin erken uyarı sistemi, bir makine öğrenmesi modeline dayanır; hemşire notlarından metin madenciliğiyle sinyal çıkarır; risk puanını klinik karar destek arayüzünde görünür kılar; alarm eşiğini etik ve operasyonel kriterlerle belirler.

  1. Makine Öğrenmesi

Makine öğrenmesi, veriden örüntü öğrenerek tahmin veya sınıflandırma yapan yöntemler ailesidir. Sağlıkta makine öğrenmesi denildiğinde; laboratuvar trendleri, vital bulgular, ilaç kombinasyonları, komorbidite yükü ve önceki yatış öyküsü gibi çok sayıda değişkenin birlikte değerlendirildiği modeller akla gelir (Jiang et al., 2017; Amisha et al., 2019). İç hastalıkları hemşireliği için makine öğrenmesinin en anlamlı kullanım alanları genellikle “risk katmanlandırma” etrafında şekillenir: örneğin klinik kötüleşme riski, düşme riski, bası yarası riski, yeniden yatış olasılığı veya ilaçla ilişkili advers olay ihtimali gibi. Burada kavramsal bir hassasiyet gerekir: Makine öğrenmesi çoğu zaman “sonuç üretir” gibi algılanır; oysa ürettiği şey, belirli bir hedef için istatistiksel bir olasılık ya da skorlamadır. Bu skorun hemşirelik bakımına değer katması, hemşirenin klinik gözlemi ve hasta bağlamı ile birlikte yorumlanmasına bağlıdır. Aksi halde model, sahada “yeni bir alarm kaynağı”na dönüşebilir ve alarm yorgunluğunu büyütebilir. Klinik bağlamda bunun sürdürülebilir olmaması, klinik karar destek sistemleri literatürünün klasik uyarısıyla da uyumludur: karar desteği, iş akışına doğru yerleşmediğinde direnç üretir ve etkinliğini kaybeder (Coiera, 2003).

Makine öğrenmesi açısından iç hastalıkları servislerinin bir diğer özgünlüğü, verinin “zaman serisi” niteliğidir: vital bulgular ve laboratuvar değerleri anlık değil, trend olarak anlam kazanır. Hemşirelik bakımında da çoğu kritik karar “değişimin yönü ve hızı” üzerinden verilir. Bu nedenle, modelin yalnızca tek bir ölçümü değil, ardışık ölçümlerin seyrini dikkate alması, kavramsal olarak hemşirelik muhakemesine daha yakın bir yaklaşım oluşturur (Jiang et al., 2017).

 

  1. Derin Öğrenme

Derin öğrenme, makine öğrenmesinin çok katmanlı sinir ağlarıyla çalışan bir alt alanıdır ve özellikle görüntüleme, sinyal işleme ve karmaşık veri temsillerinde güçlü performansıyla öne çıkar (Goodfellow et al., 2016; Jiang et al., 2017). Hemşirelikte derin öğrenmeyi konuşurken, doğrudan “tanı koyma” tartışmasına sıkışmak kolaydır; oysa hemşirelik bakımına katkı çoğu zaman dolaylı gerçekleşir. Örneğin yara değerlendirme uygulamalarında görüntü üzerinden sınıflandırma yapılması, hemşirenin yarayı daha tutarlı takip etmesine yardımcı olabilir; fakat nihai bakım kararı yine klinik değerlendirme ve hasta koşullarıyla birlikte verilir (Ng et al., 2022). Benzer şekilde, servislerde akıllı izlem sistemleri veya mobil uygulamalar üzerinden gelen verilerin örüntülerini tanımak, hemşireye erken uyarı sağlayabilir. Derin öğrenmenin kavramsal tartışmasında iki mesele hemşirelik açısından özellikle kritiktir. Birincisi açıklanabilirlik: Klinik ekip, modelin neden o riski verdiğini anlayamadığında güven zedelenebilir; bu da kullanımın sürdürülebilirliğini azaltır. İkincisi genellenebilirlik: Modelin eğitildiği veri ile iç hastalıkları servisinin hasta profili farklıysa, model “dışarıdan iyi” görünüp sahada zayıf performans gösterebilir. Bu risk, sağlıkta YZ’nin temel tartışma başlıkları arasında sayılır (Maddox et al., 2019; Asan et al., 2020).

  1. Doğal Dil İşleme

Doğal dil işleme (NLP), metin verisini anlamlandırma ve yapılandırılmış bilgiye dönüştürme yöntemleridir (Jurafsky & Martin, 2009). Sağlık hizmetlerinde metin verisi çok büyüktür: hekim notları, hemşire gözlemleri, taburculuk özetleri, konsültasyonlar ve hasta ifadeleri gibi. İç hastalıkları hemşireliğinde hemşire notları çoğu zaman “ince ama değerli” sinyaller taşır: hastanın konfüzyonu arttı mı, oral alımı azaldı mı, dispnesi nasıl değişti, mobilizasyon toleransı var mı, uyku bölündü mü? Bu tür sinyallerin klinik kötüleşmenin erken habercisi olabildiği bilinir. NLP’nin potansiyeli, bu metinleri otomatik tarayarak belirli risklerle ilişkili örüntüleri işaretleyebilmesidir. Ancak burada iki katmanlı bir dikkat gereklidir: Metin kalitesi ve standardizasyonu düşükse modelin gürültüye duyarlılığı artar; ayrıca metinlerden “yanlış anlam” üretmek klinik risk doğurabilir. Bu nedenle NLP tabanlı bir sistemin hemşirelik bakımına katkısı, hemşirelik dokümantasyon kültürü ve veri yönetişimiyle yakından ilişkilidir (Coiera, 2003; Asan et al., 2020). NLP’nin bir başka boyutu, hasta-iletişim süreçlerinde ortaya çıkar. Özellikle kronik hastalık yönetiminde hastanın soruları, semptom bildirimleri ve eğitim içerikleriyle etkileşimi büyüktür. Metin tabanlı dijital araçlar, hastanın sorularını sınıflandırıp yönlendirme yapabilir; fakat burada hemşirelik açısından kritik olan, iletişimin güvenli, doğru ve hastanın düzeyine uygun sürdürülmesidir. Bu yüzden hemşire, NLP tabanlı araçların ürettiği yanıtları klinik güvenlik filtresinden geçiren mesleki bir “kalite bariyeri” rolü üstlenebilir (Ng et al., 2022; Ronquillo et al., 2021).

  1. Klinik Karar Destek Sistemleri

Klinik karar destek sistemleri (KKDS), klinik kararı “kural, veri ve iş akışı” ile buluşturan sistemlerdir. Bu alanın klasik çerçevesi, karar desteğinin doğru zamanda, doğru kullanıcıya, doğru formatta sunulması gerektiğini vurgular; aksi halde sistem, klinik yükü artırır ve kullanım dışı kalır (Coiera, 2003). İç hastalıkları hemşireliğinde KKDS, hemşirelik bakım planı, risk değerlendirmeleri, izlem protokolleri ve erken uyarı mekanizmalarıyla doğrudan ilişkilidir. Hemşirelikte KKDS kullanımı üzerine çalışmalar, bu sistemlerin bakımda standardizasyon ve hasta güvenliği açısından önemli olduğuna işaret eder (Çiriş Yıldız et al., 2020). YZ’nin KKDS’ye eklediği şey ise “öğrenen” bileşendir: sistem yalnızca kuralları uygulamaz; veriden öğrenerek olasılık tahmini üretir, riskin yönünü gösterebilir ve önceliklendirmeyi dinamik hale getirebilir (Akalın & Veranyurt, 2022; Jiang et al., 2017). Burada kavramsal bir sınır çizmek gerekir: KKDS’nin amacı “kararı devralmak” değil, kararı daha iyi vermeyi kolaylaştırmaktır. Hemşirelik bakımında bu ilke hayati önem taşır; çünkü hemşirelik kararı yalnızca biyomedikal değil, aynı zamanda etik ve insanî bir karardır. KKDS, hemşireliğin klinik muhakemesini güçlendirdiği ölçüde değerlidir; hemşireliği algoritmanın “uygulayıcısı”na indirgediğinde ise mesleki özerklik ve bakım kalitesi tartışmaları gündeme gelir (Ronquillo et al., 2021; Asan et al., 2020).

Sağlık Hizmetlerinde Yapay Zekâ

Sağlık hizmetlerinde YZ’nin yükselişi, iki ana itici güçle açıklanabilir: birincisi sağlık verisinin hızla büyümesi (EHR, sensörler, görüntüleme, genomik vb.), ikincisi klinik süreçlerde hız ve doğruluk beklentisinin artması (Jiang et al., 2017). Ancak sağlık hizmeti, diğer alanlardan farklı olarak “hata maliyeti” çok yüksek bir alandır. Bu nedenle YZ’nin klinikteki rolü, yalnızca performans metrikleriyle değil, güvenlik, etik, sorumluluk ve iş akışı uyumuyla birlikte değerlendirilmek zorundadır (Maddox et al., 2019; Asan et al., 2020). Hemşirelik açısından bu tablo şu anlama gelir: YZ’nin ürettiği çıktılar, hastanın yatağında verilen bakımı doğrudan etkileyebilir. O halde YZ’yi, hemşirelik bakımının “klinik kalite altyapısı” gibi görmek gerekir: doğru tasarlandığında bakımın sürekliliğini ve güvenliğini destekler; yanlış tasarlandığında yeni riskler üretir (Ng et al., 2022). Bu bölümde YZ’nin sağlık hizmetlerindeki dört temel kullanım alanı kavramsal olarak ayrıştırılmaktadır.

 

  1. Tanısal Uygulamalar

YZ’nin en görünür kullanım alanlarından biri tanı destek uygulamalarıdır. Görüntüleme ve triyaj gibi alanlarda YZ’nin performansına ilişkin tartışmalar, YZ’nin bazı görevlerde güçlü olabileceğini; ancak klinik kararın çok boyutluluğu nedeniyle insan klinisyenle rekabet eden bir “tekil karar verici” gibi konumlanmasının sorunlu olacağını düşündürür (Baker et al., 2020; Jiang et al., 2017). İç hastalıkları hemşireliği tanı koymaz; fakat tanının bakım sürecine nasıl çevrileceği konusunda merkezî rol oynar. Tanı destek sistemleri, dolaylı biçimde hemşirelik bakım planını etkiler: örneğin tanı geciktiğinde hemşirelik izlem sıklığı, hasta eğitim içeriği ve komplikasyon önleme stratejileri de gecikir. Bu nedenle tanı destek uygulamalarının hemşirelik bakımına etkisi, daha çok “erken tanı → erken bakım uyarlaması” zinciri üzerinden okunur (Ng et al., 2022). Tanısal YZ’nin hemşirelikte yarattığı bir başka pratik sonuç, hasta iletişimi ve güven boyutudur. Hasta, YZ’nin nasıl çalıştığını bilmez; fakat bakım sürecinde belirsizlik yaşadığında sorusunu çoğu zaman hemşireye yöneltir. Bu nedenle hemşire, tanı destek sistemlerinin çıktılarının klinik ekip içinde nasıl yorumlandığını anlayabilmeli; hastaya da şeffaf ve güven verici bir iletişimle yaklaşabilmelidir (Asan et al., 2020).

  1. Risk Tahmin Modelleri

Risk tahmin modelleri, iç hastalıkları hemşireliği için belki de en doğrudan temas alanıdır. Çünkü hemşirelik pratiği büyük ölçüde “riskin yönetimi” üzerine kurulur: düşme, bası yarası, aspirasyon, hipoglisemi, sepsis, deliryum, venöz tromboembolizm, ilaç yan etkileri ve klinik kötüleşme gibi riskler, hemşirelik izlem ve müdahalesiyle erken yakalanabilir. Sağlıkta YZ literatürü, risk tahmininin sağlık hizmeti sunumunu dönüştüren temel uygulamalardan biri olduğunu vurgular (Jiang et al., 2017; Reddy et al., 2019). Hemşirelik literatüründe de YZ’nin klinik bakımı güçlendirebileceği alanlar arasında risk değerlendirme ve erken uyarı öne çıkar (Ng et al., 2022; Al Khatib & Ndiaye, 2025).

  1. Klinik Karar Destek Sistemleri

YZ’nin klinik etkisi, çoğu zaman KKDS arayüzü üzerinden görünür olur: risk puanları, öneriler, bakım protokolleri, tetkik hatırlatmaları ve erken uyarı mesajları. KKDS’nin hemşirelikte kullanımı, bakımın tutarlılığı ve hasta güvenliği açısından bir araç olarak tartışılmıştır (Çiriş Yıldız et al., 2020). YZ’nin buradaki katkısı, karar desteğini “statik kural” olmaktan çıkarıp “dinamik risk yönetimi”ne yaklaştırmasıdır (Akalın & Veranyurt, 2022). Hemşirelik açısından iyi bir KKDS tasarımının üç kriteri öne çıkar: (i) hemşirenin kararını güçlendirmesi, (ii) iş akışını bölmemesi, (iii) hemşireyi gerekçesiz alarm yükü altında bırakmaması. Bu kriterler sağlanmadığında KKDS, bakım sürecine ek bir bürokratik katman gibi hissedilir ve klinik fayda azalır (Coiera, 2003). Bu nedenle, YZ tabanlı KKDS’yi yalnızca teknik bir ürün değil, “bakım kültürüyle uyumlu bir klinik uygulama” olarak kavramsallaştırmak daha doğru olur (Ronquillo et al., 2021).

  1. Büyük Veri ve Elektronik Sağlık Kayıtları

YZ’nin “yakıtı” veridir; sağlıkta bu veri çoğunlukla elektronik sağlık kayıtlarından gelir. Büyük veri, tek başına değerli değildir; değer, verinin kalite, süreklilik ve anlamlandırma kapasitesiyle ortaya çıkar. Sağlıkta YZ’nin geçmişi-bugünü-geleceğini ele alan çalışmalar, veri altyapısının YZ’nin başarısı için belirleyici olduğunu vurgular (Jiang et al., 2017). Bu bağlamda iç hastalıkları servislerinde hemşirelik dokümantasyonu, sadece yasal bir gereklilik değil; aynı zamanda klinik zekânın üretildiği veri kaynağıdır. Hemşire notlarındaki tutarlılık, vital bulguların doğru girilmesi ve bakım müdahalelerinin izlenebilirliği, YZ modellerinin güvenilirliğini doğrudan etkiler. Bu noktada pratik bir gerilim vardır: Hemşireler zaten yoğun iş yükü altındadır; veri girişinin artması “bakımı azaltan” bir teknoloji deneyimi yaratabilir. O yüzden sağlık sistemlerinde dijital dönüşümün başarısı, hemşirelik iş yükünü artıran değil, bakımın görünmeyen kısmını kolaylaştıran tasarımlarla mümkündür (Clipper, 2020; Clancy, 2020). YZ, iyi tasarlandığında dokümantasyonu bir angarya olmaktan çıkarıp bakımın klinik değerini görünür kılabilir; kötü tasarlandığında ise hemşirelik zamanını hasta başından alabilir.

İç Hastalıkları Hemşireliğinin Kapsamı

İç hastalıkları hemşireliğinin kapsamı, günümüzde “akut bakım + kronik izlem” ikiliğinin kesişiminde yer alır. Bir yandan akut alevlenmeler ve komplikasyonlar yönetilir; diğer yandan hastanın uzun dönem öz-yönetim becerileri güçlendirilir. Bu nedenle iç hastalıkları hemşireliği, yalnızca klinik uygulama değil, aynı zamanda eğitim, koordinasyon ve davranış değişikliği yönetimi disiplinidir. YZ’nin bu alandaki potansiyel katkısını anlayabilmek için, iç hastalıkları hemşireliğinin dört temel çalışma alanını kavramsal olarak netleştirmek yararlıdır.

  1. Kronik Hastalık Yönetimi

Kronik hastalık yönetiminde hemşirelik, hastanın klinik parametrelerini izlemekle sınırlı değildir; ilaç uyumu, beslenme, fiziksel aktivite, semptom takibi, komplikasyon önleme ve randevu sürekliliği gibi çok sayıda bileşeni içerir. Buradaki temel mesele, bakımın sürekliliğidir: hasta taburcu olduğunda bakım bitmez; bakım biçim değiştirerek devam eder. Sağlıkta YZ’nin hizmet sunumunu dönüştürme potansiyelini ele alan çalışmalar, kronik bakımda dijital araçların izlem ve kişiselleştirmeyi güçlendirebileceğini tartışır (Reddy et al., 2019). Hemşirelik perspektifinden bakıldığında YZ’nin rolü, hastayı “pasif alıcı” olmaktan çıkarıp bakımın ortak aktörüne dönüştürebilecek sistemler geliştirmektir; fakat bu, ancak güvenli ve etik bir tasarım çerçevesiyle mümkündür (Özdemir & Bilgin, 2021).

  1. Multimorbidite ve Kompleks Hasta Bakımı

Multimorbidite, iç hastalıkları servislerinin gündelik gerçeğidir. Bu hastalarda bakım planı, tek hastalığın kılavuzuna göre değil; hastalıklar arası etkileşimlere, polifarmasiye, fonksiyonel kapasiteye ve hastanın sosyal bağlamına göre düzenlenir. YZ’nin teorik olarak en güçlü olabileceği alanlardan biri de budur: çok değişkenli örüntüleri birlikte değerlendirerek riskin hangi yönde arttığını gösterebilmek (Jiang et al., 2017). Ne var ki “kompleks bakım”, yalnızca verinin karmaşıklığı değildir; aynı zamanda etik bir karmaşıklıktır. Bir müdahalenin biyomedikal olarak doğru olması, hastanın değerleri ve yaşam koşullarıyla uyumlu olduğu anlamına gelmeyebilir. Bu nedenle YZ’nin katkısı, hemşirenin klinik muhakemesini ve hasta merkezli yaklaşımını güçlendirdiği ölçüde anlamlıdır (Ng et al., 2022; Ronquillo et al., 2021).

  1. Klinik İzlem ve Erken Uyarı Sistemleri

İç hastalıkları servislerinde klinik kötüleşme, çoğu zaman küçük sinyallerle başlar: solunum sayısında artış, bilinç dalgalanması, idrar çıkışında azalma, vital bulgularda dalgalanma gibi. Hemşirelik izlemindeki temel güç, bu sinyalleri erken yakalayabilmektir. YZ tabanlı erken uyarı sistemleri, izlem verilerinden risk üretip hemşire dikkatini kritik hastaya yönlendirebilir. Hemşirelikte YZ’nin klinik bakımı güçlendirebileceği alanları inceleyen kapsamlı taramalar, erken uyarı ve risk tahminini hemşirelik bakımına katkı potansiyeli yüksek alanlar arasında değerlendirir (Ng et al., 2022; Al Khatib & Ndiaye, 2025). Fakat erken uyarı sistemlerinin başarısı yalnızca teknik doğruluk değildir. Klinik ekibin bu uyarıyı nasıl kullandığı, hangi eylemi tetiklediği ve geri bildirim döngüsünün kurulup kurulmadığı belirleyicidir. KKDS literatürünün temel ilkeleri burada yeniden karşımıza çıkar: doğru zamanda, doğru kişiye, eyleme dönük ve iş akışını bozmayan biçimde uyarı vermek (Coiera, 2003). Hemşirelik açısından iyi bir erken uyarı sistemi, hemşirenin sahadaki klinik sezgisini değersizleştirmez; tam tersine onu destekleyen ikinci bir “görüş alanı” sağlar.

  1. Hasta Eğitimi ve Öz-Yönetim Desteği

İç hastalıkları hemşireliğinde hasta eğitimi, tek seferlik bir bilgilendirme değil; öğrenmenin tekrarlandığı, davranış değişikliğinin izlenip desteklendiği bir süreçtir. Bu süreçte YZ’nin olası katkıları; kişiselleştirilmiş eğitim içerikleri, soru-cevap destekleri, semptom günlüğü analizi ve izlem hatırlatıcıları şeklinde olabilir. Hemşirelikte YZ’nin fırsatlarını tartışan çerçeveler, teknolojinin hemşireyi “iletişimden koparan” değil, eğitimi daha tutarlı ve erişilebilir kılan bir destek olarak tasarlanması gerektiğini vurgular (Ronquillo et al., 2021). Özellikle dijital araçların yaygınlaştığı dönemde, hemşirenin eğitim rolü daha da değer kazanır: çünkü teknoloji arttıkça hastanın kaygısı, yanlış bilgiye maruz kalma ihtimali ve güven gereksinimi de artar.

Yapay Zekânın Hemşirelik Bakım Sürecine Entegrasyonu

YZ’nin hemşirelik bakım sürecine entegrasyonunu anlamak için hemşirelik sürecinin mantığını merkeze almak gerekir: değerlendirme, hemşirelik tanısı, planlama, uygulama ve değerlendirme. YZ, bu adımların her birinde farklı düzeyde katkı sunabilir; fakat katkının niteliği, hemşirenin klinik muhakemesini güçlendirdiği ölçüde değerlidir (Ng et al., 2022). Bu bölüm, YZ’nin hemşirelik sürecine dört ana mekanizma üzerinden entegre olduğunu varsayar: karar sürecini destekleme, planlamayı algoritmik olarak güçlendirme, risk skorlamayı dinamikleştirme ve erken uyarı/alarm yönetimini iyileştirme.

  1. Hemşirelik Tanısı ve Klinik Karar Süreci

Hemşirelik tanısı, klinik gözlem ve veriyi birleştirerek hastanın yanıtlarını tanımlama sürecidir. YZ, burada “veri yoğun” hastalarda hemşirenin gözden kaçırabileceği örüntüleri işaret ederek karar sürecini destekleyebilir. Ancak hemşirelik tanısının doğası gereği, bu süreç yalnızca laboratuvar veya vital bulgulardan ibaret değildir; hastanın davranışı, duygusal durumu, sosyal desteği ve öz-bakım kapasitesi de tanının parçasıdır. Bu nedenle YZ’nin katkısı, biyomedikal veriden çıkan sinyalleri hemşirelik bakışına tercüme edebildiği ölçüde anlamlıdır. Hemşirelikte KKDS kullanımı üzerine çalışmalar, hemşirelik kararlarının sistem içinde desteklenebileceğini; fakat klinik bağlamın kaybolmaması gerektiğini düşündürür (Çiriş Yıldız et al., 2020). Klinik karar sürecinde bir başka kritik mesele, “otorite kayması” riskidir. Model çıktısına aşırı güven, hemşirenin klinik muhakemesini gölgede bırakabilir; modelin hatalı olduğu durumlarda risk büyür. Bu nedenle sağlıkta YZ’ye ilişkin temel sorular, klinik sorumluluğun nasıl korunacağına ve kararın kimde olduğuna odaklanır (Maddox et al., 2019). Hemşirelikte YZ entegrasyonunun olgun bir biçimi, hemşireyi pasifleştiren değil, hemşireyi daha güçlü bir klinik aktör haline getiren bir entegrasyondur (Clancy, 2020).

  1. Bakım Planlamasında Algoritmik Destek

Bakım planlaması, iç hastalıkları servislerinde çok hızlı değişebilen bir süreçtir: bir hastanın hemodinamik durumu, glisemik kontrolü, oksijen ihtiyacı veya mental durumu kısa sürede farklılaşabilir. Algoritmik destek, bakım planının “dinamik güncellenmesi” için kullanılabilir: risk yükseldiğinde izlem sıklığını artırma, eğitim önceliklerini yeniden belirleme, komplikasyon önleme paketlerini devreye sokma gibi. Bu yaklaşım, hemşirelik bakımında standardizasyonu güçlendirebilir; fakat standardizasyonun “mekanik” değil, klinik esnekliği olan bir standardizasyon olması gerekir. Aksi halde bakım, hastaya değil algoritmaya uymaya başlar. Bu risk, hemşirelikte YZ’nin öncelikleri ve fırsatları tartışılırken özellikle vurgulanır: hemşirelik değerleriyle uyumlu tasarım, algoritmanın bakımın merkezine yerleşmesini engeller (Ronquillo et al., 2021).

  1. Risk Skorlama Sistemleri

Risk skorlama sistemleri hemşirelikte yeni değildir; düşme riski, bası yarası riski gibi ölçekler uzun zamandır kullanılmaktadır. YZ’nin farkı, bu riskleri daha çok değişkenle ve daha dinamik biçimde güncelleyebilmesidir. Ancak risk skorunun hemşirelik bakımında gerçekten işe yaraması için iki koşul gerekir: (i) skor eyleme dönük olmalı (ne yapacağım?), (ii) skor klinik olarak güvenilir olmalı (ne kadar güvenebilirim?). Hemşirelikte YZ’nin klinik bakımı güçlendirme potansiyelini inceleyen çalışmalar, risk skorlamanın ancak doğru iş akışı tasarımıyla yarar üreteceğine işaret eder (Ng et al., 2022). Aynı zamanda güven boyutu da belirleyicidir: klinisyenlerin YZ’ye güvenini irdeleyen çalışmalar, güvenin teknik doğruluk kadar açıklanabilirlik ve kontrol hissiyle ilişkili olduğunu gösterir (Asan et al., 2020).

  1. Erken Uyarı ve Klinik Alarm Sistemleri

Erken uyarı sistemleri, hemşireliğin “erken fark etme” gücünü desteklediğinde değerlidir. Fakat alarm üretmek başlı başına iyi bir şey değildir; alarm yönetimi, klinik güvenliğin kritik bileşenidir. Çok alarm üreten sistemler alarm yorgunluğu yaratır; az alarm üreten sistemler ise riskleri kaçırabilir. Bu denge, yalnızca model performansıyla değil, klinik protokoller ve ekip içi iletişimle de ilgilidir. KKDS literatürünün temel ilkeleri, erken uyarıların iş akışını kesintiye uğratmadan, eyleme dönük biçimde tasarlanması gerektiğini vurgular (Coiera, 2003). İç hastalıkları servislerinde bu tasarım, hemşirelik ekibinin gerçek pratikleriyle uyumlu değilse sistemin sahada karşılığı zayıf kalır.

Hemşirelikte Yapay Zekâ Kullanımının Etik ve Hukuki Boyutları

YZ’nin hemşirelik bakımına entegrasyonu, etik ve hukuki tartışmalar olmadan eksik kalır. Çünkü YZ, yalnızca bir karar aracı değil; aynı zamanda veri toplama, sınıflandırma ve önceliklendirme mekanizmasıdır. Bu mekanizmaların kimin yararına, kimin aleyhine çalıştığı; hangi veriyi görünür, hangisini görünmez kıldığı etik bir meseledir. Türkiye bağlamında sağlıkta YZ ve etik sorunları tartışan çalışmalar, mahremiyet, veri güvenliği ve sorumluluk alanlarının öne çıktığını gösterir (Özdemir & Bilgin, 2021). Uluslararası hemşirelik literatüründe de YZ’nin bakım etiğiyle uyumlu olması gerektiği, insanî bakım değerlerinin korunmasının merkezî olduğu vurgulanır (Ronquillo et al., 2021; Ng et al., 2022).

  1. Veri Güvenliği ve Mahremiyet

İç hastalıkları hastaları, çoğu zaman uzun süreli ve hassas veriler üretir: kronik hastalık öyküsü, ilaç listeleri, laboratuvar trendleri, yaşam tarzı bilgileri, bazen psikososyal bilgiler. YZ sistemleri bu verileri işlerken mahremiyet ve veri güvenliği risklerini büyütebilir. Burada temel sorun, yalnızca verinin “çalınması” değildir; verinin amaç dışı kullanımı, gereğinden fazla erişim, anonimleştirmenin yetersizliği ve hasta onamının kapsamı da önemlidir. Etik tartışmaların hemşirelik pratiğine yansıyan yönü şudur: hasta, verisinin nasıl işlendiğini çoğu zaman anlamaz; ama bakım sürecinin güvenliğini hemşire üzerinden deneyimler. Bu nedenle hemşire, mahremiyet ve bilgilendirme süreçlerinde yalnızca uygulayıcı değil, hasta haklarını koruyan bir aktör rolündedir (Özdemir & Bilgin, 2021).

  1. Algoritmik Önyargı ve Klinik Adalet

Algoritmik önyargı, YZ’nin eğitim verisindeki dengesizlikleri yeniden üretmesiyle ortaya çıkar. Eğer model belirli yaş gruplarında, belirli sosyoekonomik gruplarda veya belirli komorbidite profillerinde daha zayıf performans gösteriyorsa, bu klinik adalet açısından riskli sonuçlar doğurabilir. Klinisyenlerin YZ’ye güveni üzerine yapılan çalışmalar, güvenin yalnızca doğruluk değil adalet ve şeffaflıkla da ilişkili olduğunu vurgular (Asan et al., 2020). İç hastalıkları servislerinde bu mesele daha da görünürdür; çünkü hasta profili heterojendir ve kırılgan gruplar (yaşlı, çoklu hastalığı olan, düşük sağlık okuryazarlığı olan) daha fazladır. Hemşirelik bakımının adalet boyutu, yalnızca “eşit hizmet” değil, “gereksinime göre uygun bakım” ilkesini içerir; algoritmalar bu ilkeyle uyumlu çalışmadığında hemşirelik etiğiyle gerilim oluşur.

  1. Sorumluluk ve Mesleki Yetki

YZ’nin öneri ürettiği bir klinikte sorumluluk zinciri net değilse, hata olduğunda “kim sorumlu?” sorusu havada kalır. Sağlıkta YZ’ye ilişkin temel soruları tartışan çalışmalar, sorumluluk ve doğrulama meselelerinin klinik uygulama kadar önemli olduğunu hatırlatır (Maddox et al., 2019). Hemşirelik açısından bu, iki düzeyde önemlidir: Birincisi hemşire, YZ çıktısını uyguladığında mesleki sorumluluk alanı nasıl tanımlanacaktır? İkincisi hemşire, YZ çıktısına katılmadığında ve kendi klinik değerlendirmesiyle farklı davrandığında, bu karar nasıl korunacaktır? Bu soruların yanıtı, yalnızca etik değil; kurum politikaları ve hukuki düzenlemelerle de ilişkilidir. Bu nedenle YZ entegrasyonunun olgun bir biçimi, hemşirelik yetki alanını belirsizleştirmeden, kararın insan tarafından verildiği bir çerçeveyi korumalıdır (Ronquillo et al., 2021).

  1. İnsan-Merkezli Yapay Zekâ Yaklaşımı

İnsan-merkezli YZ yaklaşımı, teknolojinin insanın yerini alması değil; insanın kapasitesini artırması gerektiği fikrine dayanır. Hemşirelikte bu yaklaşımın karşılığı nettir: teknoloji, hemşirenin hastayla kurduğu ilişkiyi zayıflatmamalı; hemşirelik bakımının insanî boyutunu görünmez kılmamalıdır. Hemşirelikte YZ’nin öncelikleri ve fırsatlarını tartışan çalışmalar, hemşirelerin YZ tasarım ve yönetişim süreçlerine katılımını, insan-merkezli yaklaşımın temel koşulu olarak ele alır (Ronquillo et al., 2021). Bu yaklaşım, pratikte şuna benzer: YZ, hemşirenin hasta başı zamanını artırıyorsa; dokümantasyonu sadeleştiriyorsa; riskli hastayı daha erken işaretleyip hemşirenin müdahalesini hızlandırıyorsa; o zaman hemşirelik bakımının özüne hizmet eder. Tersi durumda, yani hemşireyi ekran başına hapsedip bakım ilişkisinden koparıyorsa, teknoloji “ilerleme” gibi görünse de bakım kalitesini aşındırabilir (Clancy, 2020; Ng et al., 2022).

Teknoloji Kabul Modelleri ve Hemşirelik

Bu alt başlık, YZ’nin “teknik olarak mümkün” olmasının yetmediğini; klinikte benimsenme ve sürdürülebilir kullanımın ayrı bir mesele olduğunu anlatır. Hemşirelikte teknolojinin kabulü, yalnızca bireysel tutumla değil; kurum kültürü, eğitim, iş yükü, liderlik, teknik destek, hukuki belirsizlik ve etik kaygılarla şekillenir. Özellikle tele-sağlık ve uzaktan bakım bağlamında hemşirelerin teknoloji yetkinlikleri ve teknolojik kompetans kazanımı, benimsenmenin kilit belirleyicileri arasında değerlendirilir (Bilgili & Erdal, 2023). COVID-19 döneminin teknoloji adaptasyonunu hızlandırdığı bulgusu da, “zorunlulukla gelen hızlı benimseme”nin, uzun vadede eğitim ve süreç tasarımıyla desteklenmezse kırılgan kalabileceğini düşündürür (Clipper, 2020).

  1. Teknoloji Kabul Modeli (TAM)

TAM, teknolojinin kabulünü büyük ölçüde iki algı üzerinden açıklar: teknoloji işe yarıyor mu (fayda algısı) ve kullanımı kolay mı (kullanım kolaylığı algısı). İç hastalıkları servisinde bir YZ uygulamasını düşünelim: hemşire bu uygulamanın iş yükünü azaltmadığını, aksine yeni ekranlar ve ekstra tıklamalar getirdiğini hissediyorsa, teknoloji “iyi” olsa bile kabul görmeyebilir. Öte yandan hemşire, YZ’nin riskli hastayı erken işaretlediğini ve hasta güvenliğini somut biçimde desteklediğini deneyimliyorsa, teknolojiye mesafeli bile olsa benimseme artabilir. Buradaki ana fikir, hemşirelikte teknolojinin kabulünün “günlük iş akışındaki somut fayda” üzerinden kurulduğudur; soyut vaatler sahada zayıf kalır (Coiera, 2003; Bilgili & Erdal, 2023).

  1. Birleşik Teknoloji Kabul ve Kullanım Teorisi (UTAUT)

UTAUT, kabulü daha geniş bir çerçevede düşünür: performans beklentisi (işe yarar mı), çaba beklentisi (zor mu), sosyal etki (ekip/kurum ne düşünüyor) ve kolaylaştırıcı koşullar (eğitim, teknik destek, altyapı var mı). İç hastalıkları hemşireliği açısından özellikle “kolaylaştırıcı koşullar” belirleyicidir. Çünkü YZ sistemleri çoğu zaman klinik hata riski taşıyan alanlara dokunur; hemşireler de doğal olarak güvence ister: eğitim verildi mi, sorumluluk net mi, sistem hata verirse ne olacak? Bu tür soruların cevabı kurum tarafından netleştirilmemişse, en iyi teknoloji bile “risk” gibi algılanabilir. Bu durum, sağlıkta YZ’ye ilişkin sorumluluk ve doğrulama tartışmalarıyla da uyumludur (Maddox et al., 2019).

  1. Dijital Okuryazarlık ve Profesyonel Yetkinlik

Dijital okuryazarlık, hemşirelikte artık “ekstra bir beceri” değil; bakım kalitesinin bir parçasıdır. Hemşire, YZ tabanlı bir sistemin ürettiği çıktıyı anlamlandırabilmeli, veri hatalarını fark edebilmeli ve teknolojinin bakım üzerindeki etkisini eleştirel biçimde değerlendirebilmelidir. Tele-sağlık uygulamaları bağlamında hemşirelerin teknoloji kullanım becerileri ve teknolojik kompetans kazanımını ele alan yaklaşım, bu yetkinliklerin planlı eğitimle geliştiğini vurgular (Bilgili & Erdal, 2023). Hemşirelik eğitiminde YZ’nin etkilerini inceleyen çalışmalar da, eğitim programlarının bu dönüşüme cevap vermesi gerektiğini düşündürür (Buchanan et al., 2021). İç hastalıkları servislerinde bu yetkinlik, yalnızca cihaz kullanmak değildir; risk skorlarını klinik bağlamda okumak, alarm yönetimini doğru yapmak, mahremiyet ve etik sınırları gözetmek, gerektiğinde “algoritmaya itiraz” edebilmek gibi daha ileri bir profesyonel kapasiteyi içerir (Asan et al., 2020; Ronquillo et al., 2021).

 

İLGİLİ ARAŞTIRMALAR

Sağlıkta YZ’ye ilişkin derleme literatürü, genellikle üç ana iddiayı tartışır: YZ’nin klinik sonuçlara olası etkisi, bazı kritik çıktılarda (ör. kötüleşme, komplikasyon, ölüm) erken sinyal üretme potansiyeli ve tanısal süreçlerde doğruluk/etkinlik vaadi. Fakat bu iddiaların niteliği, alanlar arasında değişir: görüntüleme gibi belirli alt alanlarda teknik performans raporları daha yoğunken, bakım süreçleri ve hemşirelik bağlamı çoğunlukla entegrasyon, güven, etik ve iş akışı odağında tartışılır (Jiang et al., 2017; Reddy et al., 2019; Maddox et al., 2019). Sağlıkta YZ’nin klinik sonuçlara etkisi literatürde çoğunlukla “hizmet sunumunu güçlendirme” ve “karar destek” çerçevesinde tartışılır. YZ’nin hedefi, tek bir klinik sonucu mucizevi biçimde düzeltmekten ziyade, klinik süreçlerin kalitesini ve tutarlılığını artırmak üzerinden etki üretmektir (Reddy et al., 2019). İç hastalıkları servislerinde bu; komplikasyonların erken fark edilmesi, bakım planının daha iyi önceliklenmesi ve taburculuk sonrası izlem kalitesinin artması gibi ara mekanizmalarla gerçekleşebilir. Hemşirelik açısından önemli olan, “ara mekanizmaların” görünür kılınmasıdır. Çünkü bakım kalitesi çoğu zaman doğrudan ölçülemeyen ama sonuçları belirleyen bir alandır (Ng et al., 2022). Hemşirelik alanına daha yakın sistematik derlemeler, YZ’nin klinik hemşirelik bakımını geliştirebileceği alanları; karar desteği, izlem, eğitim, risk değerlendirme, dokümantasyon ve iş akışı gibi başlıklarda toplar. Burada dikkat çeken şey, “klinik sonuç” dilinin hemşirelikte genellikle “bakım süreci” diliyle eşleşmesidir (Ng et al., 2022). Başka bir ifadeyle, YZ’nin klinik sonuçlara katkısı çoğu zaman hemşirenin riskleri daha erken yakalaması, hastayı daha iyi eğitmesi veya komplikasyon önleme paketlerini zamanında devreye sokmasıyla ilişkilidir.

Klinik sonuç tartışmasının bir diğer boyutu, “güven ve kabul” ile ilgilidir. Çünkü bir sistemin klinik sonuçlara etki etmesi, sistemin kullanılmasına bağlıdır. Klinisyenlerin YZ’ye duyduğu güvenin; yalnızca doğruluk değil, şeffaflık ve kontrol hissi gibi boyutlarla kurulduğu vurgulanır (Asan et al., 2020). İç hastalıkları hemşireliği açısından bu, çok pratik bir anlama sahiptir: Hemşire sistem çıktısına güvenmezse, sistemi görmezden gelir; sistemin klinik sonuçlara etkisi de teoride kalır.

Mortalite, sağlık araştırmalarında “en sert” çıktılardan biridir; fakat hemşirelik bakımının etkisi, çoğu zaman mortaliteye doğrudan değil, mortaliteye giden yolu belirleyen ara süreçlere dokunur: klinik kötüleşmenin erken fark edilmesi, doğru zamanda müdahale, komplikasyonların önlenmesi ve bakım sürekliliği gibi. Bu yüzden literatürde YZ’nin mortaliteye etkisini tartışırken, genellikle “erken uyarı” ve “klinik kötüleşme tahmini” üzerinden bir mantık kurulsa da, hemşirelik açısından asıl soru şudur: YZ’nin ürettiği risk sinyali, hemşirenin eylemini gerçekten daha erken başlatıyor mu? (Coiera, 2003; Ng et al., 2022). Sağlıkta YZ’nin geleceğine dair genel çerçeveler, mortalite gibi sonuçlarda iddialı vaatler yerine; “uygun doğrulama, uygun entegrasyon ve doğru kullanım” koşullarını vurgular (Maddox et al., 2019; Jiang et al., 2017). Bu vurgu, iç hastalıkları servisleri için özellikle anlamlıdır; çünkü hasta profili heterojendir ve komorbidite yükü yüksektir. Bu tür popülasyonlarda tek bir algoritmanın mortaliteyi doğrudan azaltması fikri, gerçekçi bir klinik süreç okumasıyla temkinli ele alınmalıdır.

Tanısal doğruluk alanı, YZ literatürünün en popüler başlıklarından biridir. Ancak hemşirelik bakımına doğrudan katkı, çoğu zaman tanının kendisinden değil, tanı sürecinin bakım planına dönüşmesinden gelir. Triyaj ve tanı süreçlerinde YZ ile insan klinisyenleri karşılaştıran çalışmaların varlığı, YZ’nin bazı görevlerde performans gösterebileceğini düşündürür; fakat bu, hemşirelik bakımının özünü otomatikleştireceği anlamına gelmez (Baker et al., 2020). İç hastalıkları servisinde hemşire, tanıdan bağımsız olarak hastanın fonksiyonel durumunu, güvenlik risklerini ve eğitim gereksinimini yönetir; bu yüzden tanısal doğruluk tartışmasını “bakımın sürekliliği” ve “hasta güvenliği” bağlamına bağlamak gerekir. Hemşirelik alanında YZ uygulamalarını tarayan çalışmalar, sahada üç tip kullanım kümelenmesi olduğunu düşündürüyor: (i) izlem/erken uyarı/risk tahmini, (ii) eğitim ve simülasyon, (iii) robotik ve bakım destek teknolojileri (Ng et al., 2022; Buchanan et al., 2021; Ronquillo et al., 2021). İç hastalıkları hemşireliği, birinci kümenin en güçlü aday alanlarından biridir; çünkü servis pratiği risk yönetimi, klinik kötüleşme sinyallerinin yakalanması ve multimorbidite yönetimi üzerine kuruludur.

Yoğun bakım ve iç hastalıkları klinikleri, YZ uygulamalarının “sinyal yoğunluğu” yüksek alanlarıdır. Bu bir avantaj gibi görünür: daha fazla veri, daha fazla örüntü yakalama potansiyeli demektir. Ancak aynı zamanda risklidir: yanlış alarm üretimi, alarm yorgunluğu ve klinik dikkat dağınıklığı, bakımın güvenliğini tehdit edebilir. Bu nedenle, yoğun bakım eksenli hemşirelik yayınlarında YZ’nin vaatleri kadar sınırları da tartışılır; özellikle güvenlik ve etik çerçeve vurgulanır (Kandemir et al., 2023). İç hastalıkları kliniklerine daha doğrudan yaklaşan uygulama örneklerinden biri, KOAH’lı hastalarda acil hemşireliğinde YZ uygulamasını konu alan çalışmadır. Bu tür örnekler, YZ’nin belirli klinik senaryolarda hemşirelik yönetimini desteklemek üzere kullanılabileceğini düşündürür; fakat bu destek, modelin klinik bağlamla uyumuna ve hemşirelik iş akışını kolaylaştırmasına bağlıdır (Hong et al., 2021). Benzer şekilde, ameliyat sonrası takip gibi alanlarda YZ destekli sistemlerin kullanıldığı uygulamalar, bakımın sürekliliği ve izlem kalitesi açısından YZ’nin rolüne dair pratik bir fikir verir (Bian et al., 2020). Elbette bu örneklerin iç hastalıkları hemşireliğine aktarımı, doğrudan “aynı sonuç olur” şeklinde değil; “benzer süreçler nasıl iyileştiriliyor?” şeklinde yapılmalıdır. Bası yarası ve düşme, iç hastalıkları servislerinde hem hasta güvenliği hem de bakım kalitesi açısından kritik göstergelerdir. Bu riskler “bakım süreçleri” üzerinden yönetilir: mobilizasyon planı, cilt değerlendirmesi, beslenme, basınç azaltma stratejileri, çevresel düzenleme ve ekip koordinasyonu gibi. Bu nedenle YZ’nin bu alanlarda katkısı, bir “tahmin” üretmekten daha fazlasını gerektirir: tahminin bakım eylemine dönüşmesi gerekir.

Sepsis, iç hastalıkları servislerinde hemşirelik izleminde en kritik “erken müdahale” alanlarından biridir. Sepsisin erken fark edilmesi; vital bulgu trendlerinin doğru okunması, klinik görünümün değerlendirilmesi ve protokollerin zamanında devreye sokulmasıyla yakından ilişkilidir. Bu nedenle YZ tabanlı sistemlerin sepsis erken tanısında potansiyel taşıdığı fikri literatürde sıkça gündeme gelir; ancak hemşirelik açısından önemli olan yine “entegrasyon”dur: algoritma, hemşirenin klinik gözlemiyle nasıl birleşiyor? Alarm geldiğinde hangi eylem akışı tetikleniyor? (Coiera, 2003; Ng et al., 2022).

Literatürde iş yükü meselesi iki ayrı katmanda tartışılıyor: “iş yükü azalır mı?” ve “iş yükünün niteliği değişir mi?” Hemşirelikte teknoloji deneyimini anlatan metinlerde, YZ’nin bir yandan rutin işleri otomatikleştirerek verimlilik sağlayabileceği; diğer yandan yeni tür bir görünmez emek üretebileceği kabul edilir: veri doğrulama, sistem çıktısını yorumlama, istisna yönetimi, teknik sorunlarla baş etme gibi (Clancy, 2020; Robert, 2019). Bu nedenle iç hastalıkları hemşireliği açısından daha gerçekçi hipotez, toplam iş yükünün mucizevi biçimde düşmesi değil; iş yükünün bileşiminin değişmesidir.

Pandemi döneminde teknoloji adaptasyonunun hızlanması, bu tartışmayı daha da somutlaştırdı. Teknoloji hızla geldiğinde, eğitim ve süreç tasarımı geriden gelebiliyor; bu da hemşire üzerinde “uyum sağlama yükü” oluşturabiliyor (Clipper, 2020). Tele-sağlık ve uzaktan bakım bağlamında hemşirelerin teknoloji yetkinlikleri ve teknolojik kompetans kazanımı üzerine tartışmalar da, iş yükünün azalmasının eğitim ve kurum desteğiyle mümkün olabileceğini düşündürür (Bilgili & Erdal, 2023).

Hemşirelik bakımına odaklanan derlemeler, YZ’nin hasta güvenliği ve kalite göstergeleriyle ilişkisini çoğunlukla risk yönetimi ve süreç standardizasyonu üzerinden kurar (Ng et al., 2022). İç hastalıkları servislerinde kalite göstergeleri, örneğin bası yarası insidansı, düşme olayı, ilaç hataları, enfeksiyon oranları, yeniden yatış ve hasta memnuniyeti gibi alanlarda izlenir. YZ’nin bu göstergelere etkisi doğrudan değil; bakım sürecinin tutarlılığı ve erken müdahale kapasitesi üzerinden dolaylıdır. Bu yüzden güvenlik etkisini tartışırken, “YZ var → kalite artar” gibi düz bir cümle kurmak yerine, YZ’nin hangi mekanizma üzerinden (erken uyarı, risk skorlama, iş akışı önceliklendirme) etki üretmesini beklediğimizi netleştirmek gerekir.

TARTIŞMA

İç hastalıkları hemşireliğinde YZ, doğru tasarlandığında hemşirenin klinik muhakemesini güçlendirebilir; yanlış tasarlandığında hemşireyi hem bilişsel hem etik açıdan daha zor bir alana itebilir. Bu ikili olasılık, literatürün neredeyse tamamında doğrudan ya da dolaylı biçimde hissediliyor (Ng et al., 2022; Ronquillo et al., 2021; Maddox et al., 2019). İç hastalıkları servisinde hemşirelik, “zaman içinde değişimi” okuyan bir mesleki gözle çalışır. YZ’nin güçlü olduğu yer de çoğu zaman budur: çok değişkenli ve zaman bağlı örüntüleri yakalama. Erken uyarı ve risk katmanlandırma, bu nedenle iç hastalıkları hemşireliği için en tutarlı kullanım alanı gibi duruyor (Ng et al., 2022). Özellikle multimorbiditeyle gelen karmaşıklık, hemşirenin aynı anda birçok riski yönetmesini gerektirir. YZ, riskleri görünür kılıp önceliklendirmeye yardımcı olursa, hemşirelik kararını hızlandırabilir. Bunun hasta güvenliği açısından anlamı nettir: kritik hastaya daha erken müdahale.

YZ’nin ürettiği alarm ve skorlar, klinik iş akışına kötü yerleşirse alarm yorgunluğu yaratır. KKDS literatürünün klasik ilkeleri burada hâlâ geçerlidir: karar desteği, iş akışını bölen bir “bildirim yağmuru”na dönüşürse klinik ekip onu kapatır ya da görmezden gelir (Coiera, 2003). Bu durumda YZ’nin potansiyeli heba olur, hatta sistem yeni riskler üretir. Hemşirelikte güven, yalnızca teknolojiye güven değildir; hastaya karşı güveni, ekip içi güveni ve mesleki sorumluluk duygusunu da etkiler. Klinisyen güveni üzerine literatür, açıklanabilirlik ve kontrol duygusu olmadığında güvenin kırıldığını gösteriyor (Asan et al., 2020). İç hastalıkları servislerinde hemşire, sistem çıktısına güvenmediğinde ya onu yok sayar ya da çelişki durumunda yalnız kalır. Bu nedenle insan-merkezli yaklaşım, bir “slogan” değil; güvenli klinik uygulamanın önkoşuludur (Ronquillo et al., 2021). Literatür, YZ’nin iş yükünü mucizevi biçimde ortadan kaldıracağı gibi bir garanti vermiyor; daha çok işin niteliğini değiştirdiğini düşündürüyor (Clancy, 2020). İç hastalıkları hemşiresi açısından bu, şu ikileme dönüşebilir: Bir yandan bazı rutin değerlendirmeler ve dokümantasyon kolaylaşır; diğer yandan sistem çıktısını izleme, doğrulama ve teknik sorunları yönetme yükü doğar. Pandemi dönemindeki hızlı teknoloji adaptasyonu, bu geçişlerin eğitim ve süreç tasarımıyla desteklenmediğinde hemşire üzerinde yeni baskılar üretebildiğini hatırlatıyor (Clipper, 2020). O halde tartışmanın merkezine “YZ var mı yok mu?” sorusundan çok, “YZ hemşirelik işini hangi yönde dönüştürüyor?” sorusunu koymak gerekir.

YZ, veriyi işler; veri ise mahremiyet ve adalet meselelerini beraberinde taşır. Türkiye bağlamında etik sorunları ele alan çalışmalar, mahremiyet ve etik risklerin belirgin olduğunu vurgular (Özdemir & Bilgin, 2021). İç hastalıkları servislerinin kırılgan popülasyonları düşünüldüğünde, algoritmik önyargı ve veri güvenliği riskleri daha da önem kazanır. Hemşirelik burada pasif bir kullanıcı rolüyle yetinemez; hasta haklarının korunması, bilgilendirme ve etik gözetim, hemşireliğin bakım etiğiyle doğrudan ilişkilidir.

SONUÇ VE ÖNERİLER

Bu çalışmanın ulaştığı temel sonuç, iç hastalıkları hemşireliğinde YZ’nin “tek başına bir devrim” değil; bakım sürecini güçlendirebilecek ama aynı zamanda yeni riskler yaratabilecek bir sosyo-teknik dönüşüm aracı olduğudur. Mevcut literatür (özellikle hemşirelik odaklı taramalar ve sistematik derlemeler), YZ’nin hemşirelik bakımında en çok risk değerlendirme, erken uyarı, karar desteği, eğitim ve iş akışı alanlarında anlamlı fırsatlar sunduğunu; buna karşılık güven, etik, önyargı, sorumluluk ve iş yükü dönüşümü alanlarında dikkatli yönetişim gerektirdiğini göstermektedir.

(1) Klinik uygulama düzeyi öneriler

  • YZ uygulamaları, doğrudan “karar verici” olarak değil, hemşirenin kararını güçlendiren destek olarak tasarlanmalı; uyarılar eyleme dönük ve iş akışına uyumlu olmalı.
  • Erken uyarı ve risk skorlamada, alarm eşiği ve geri bildirim mekanizması sahayla birlikte belirlenmeli; alarm yorgunluğu riski yönetilmeli.
  • İç hastalıkları servislerinde YZ’nin ilk pilot alanları, risk yönetimi ve izlem gibi hemşirelik pratiğinin çekirdeğiyle uyumlu alanlar olmalı.

(2) Eğitim ve yetkinlik düzeyi öneriler

  • Hemşirelik eğitiminde YZ okuryazarlığı, yalnız kullanım becerisi değil; çıktı yorumlama, veri kalitesi farkındalığı, etik gözetim ve klinik muhakemeyi koruma bileşenleriyle ele alınmalı.
  • Kurum içi hizmet içi eğitim programları, telenursing ve teknoloji yetkinliklerini sistematik biçimde güçlendirmeli

(3) Yönetişim–etik–güven düzeyi öneriler

  • YZ sistemlerinde mahremiyet, veri güvenliği ve sorumluluk zinciri netleştirilmeli; hemşirenin mesleki yetkisi belirsizleştirilmemeli.
  • Güvenin açıklanabilirlik ve klinik kontrol hissiyle kurulduğu dikkate alınmalı; hemşireler tasarım ve değerlendirme süreçlerine dahil edilmeli (Asan et al., 2020; Ronquillo et al., 2021).

İç hastalıkları hemşireliği, YZ’nin “en çok konuşulduğu” değil, doğru tasarım ve yönetişimle “en çok anlam üretebileceği” alanlardan biridir. Çünkü bakım burada veri kadar ilişki, hız kadar dikkat, teknoloji kadar etik demektir. YZ’nin hemşireliğe katkısı da, bu dengeleri koruyabildiği ölçüde gerçek bir katkıya dönüşecektir.

KAYNAKLAR

Akalın, B., & Veranyurt, Ü. (2022). Sağlık bilimlerinde yapay zekâ tabanlı klinik karar destek sistemleri. Gevher Nesibe Journal of Medical and Health Sciences, 7(18), 64–73.

Akgerman, A., & Ozdemir Yavuz, E. (2022). Artificial intelligence and nursing. Journal of Artificial Intelligence in Health Sciences, 2(1), 21–27. https://doi.org/10.52309/jaihs.v2i1.36

Al Khatib, I., & Ndiaye, M. (2025). Examining the role of AI in changing the role of nurses in patient care: Systematic review. JMIR Nursing, 8, e63335. https://doi.org/10.2196/63335

Alp, F., Isbay, B., & Oner, O. (2023). Bibliometric analysis of graduate theses on the use of artificial intelligence methods in the field of healthcare (2015–2022). Gevher Nesibe Journal of Medical and Health Sciences, 8(1), 228–237. https://doi.org/10.5281/zenodo.7602783

Amisha, Malik, P., Pathania, M., & Rathaur, V. K. (2019). Overview of artificial intelligence in medicine. Journal of Family Medicine and Primary Care, 8(7), 2328–2331. https://doi.org/10.4103/jfmpc.jfmpc_440_19

Aria, M., & Cuccurullo, C. (2017). Bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of Informetrics, 11(4), 959–975. https://doi.org/10.1016/j.joi.2017.08.007

Asan, O., Bayrak, A. E., & Choudhury, A. (2020). Artificial intelligence and human trust in healthcare: Focus on clinicians. Journal of Medical Internet Research, 22(6), e15154. https://doi.org/10.2196/15154

Aslan, F., & Subaşı, A. (2022). Hemşirelik eğitimi ve hemşirelik süreci perspektifinden yapay zekâ teknolojilerine farklı bir bakış. Sağlık Bilimleri Üniversitesi Hemşirelik Dergisi, 4(3), 153–158.

Baker, A., Perov, Y., Middleton, K., et al. (2020). A comparison of artificial intelligence and human doctors for the purpose of triage and diagnosis. Frontiers in Artificial Intelligence, 3, 543405.

Barış Eren, N. (2021). Hemşirelik bakımında yapay zeka. In Bakım kalitesini iyileştirmede inovasyon. Akademisyen Kitabevi.

Bian, Y., Xiang, Y., Tong, B., Feng, B., & Weng, X. (2020). Artificial intelligence-assisted system in postoperative follow-up of orthopedic patients: Exploratory quantitative and qualitative study. Journal of Medical Internet Research, 22(5), e16896. https://doi.org/10.2196/16896

Buchanan, C., Howitt, M. L., Wilson, R., Booth, R. G., Risling, T., & Bamford, M. (2021). Predicted influences of artificial intelligence on nursing education: A scoping review. JMIR Nursing, 4(1), e23933. https://doi.org/10.2196/23933

Cankara, S. (2023). Hemşirelik öğrencilerinin robot hemşireler ve yapay zeka uygulamalarına yönelik görüşlerinin incelenmesi [Master’s thesis]. Ege Üniversitesi.

Clancy, T. R. (2020). Artificial intelligence and nursing: The future is now. Journal of Nursing Administration, 50(3), 125–127. https://doi.org/10.1097/NNA.0000000000000855

Clipper, B. (2020). The influence of the COVID-19 pandemic on technology adoption in health care. Nurse Leader, 18(5), 500–503. https://doi.org/10.1016/j.mnl.2020.06.008

Coiera, E. (2003). Clinical decision support systems. In Guide to Health Informatics (pp. 201–216).

Çiriş Yıldız, C., Başıbüyük, M., & Yıldırım, D. (2020). Klinik karar destek sistemlerinin hemşirelikte kullanımı. İnönü Üniversitesi Sağlık Hizmetleri Meslek Yüksekokulu Dergisi, 8(2), 483–495.

Çoban, N., Eryiğit, T., Dülcek, S., Beydağ, D., & Ortabağ, T. (2022). Hemşirelik mesleğinde yapay zekâ ve robot teknolojilerinin yeri. Fenerbahçe Üniversitesi Sağlık Bilimleri Dergisi, 2(1), 378–385.

Demirkol, D., Koçoğlu, F. O., Aktaş, S., & Erol, C. A. (2022). Bibliometric analysis of the relationship between diabetes and artificial intelligence. Journal of Istanbul Faculty of Medicine, 85(2), 249–257. https://doi.org/10.26650/IUITFD.928111

Dinesen, B., Hansen, H. K., Grønborg, G. B., et al. (2022). Use of a social robot (LOVOT) for persons with dementia: Exploratory study. JMIR Rehabilitation and Assistive Technologies, 9(3), e36505. https://doi.org/10.2196/36505

El-Gazar, H. E., Abdelhafez, S., Ali, A. M., Shawer, M., Alharbi, T. A. F., & Zoromba, M. A. (2024). Are nurses and patients willing to work with service robots in healthcare? A mixed-methods study. BMC Nursing, 23(1), 718.

Ergin, E., Karaarslan, D., Şahan, S., & Bingöl, Ü. (2023). Can artificial intelligence and robotic nurses replace operating room nurses? The quasi-experimental research. Journal of Robotic Surgery, 17(4), 1847–1855.

Gaviria-Marin, M., Merigó, J. M., & Baier-Fuentes, H. (2019). Knowledge management: A global examination based on bibliometric analysis. Technological Forecasting and Social Change, 140, 194–220. https://doi.org/10.1016/j.techfore.2018.07.006

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.

Gunawan, J. (2023). Exploring the future of nursing: Insights from the ChatGPT model. Belitung Nursing Journal, 9(1), 1–5. https://doi.org/10.33546/bnj.2551

Gunn, A. A. (1976). The diagnosis of acute abdominal pain with computer analysis. Journal of the Royal College of Surgeons of Edinburgh, 21(3), 170–172.

Harmon, J., Pitt, V., Summons, P., & Inder, K. J. (2021). Use of artificial intelligence and virtual reality within clinical simulation for nursing pain education: A scoping review. Nurse Education Today, 97, 104700.

Hong, L., Cheng, X., & Zheng, D. (2021). Application of artificial intelligence in emergency nursing of patients with chronic obstructive pulmonary disease. Contrast Media & Molecular Imaging, 2021, 6423398.

Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., & Ma, S. (2017). Artificial intelligence in healthcare: Past, present and future. Stroke and Vascular Neurology, 2(4), 230–243. https://doi.org/10.1136/svn-2017-000101

Jurafsky, D., & Martin, J. H. (2009). Speech and language processing. Prentice Hall.

Kalaycı, F., Şengör, K., & Görücü, R. (2024). Türkiye’de hemşirelik lisansüstü tez çalışmalarının bibliyometrik incelenmesi: Yapay zekâ kavramı örneği. Sağlık Bilimleri Klinik Araştırma Dergisi, 3(3), 204–212.

Kandemir, F., Azizoğlu, F., & Terzi, B. (2023). Use of artificial intelligence and robotic technologies in nursing. Journal of Intensive Care Nursing, 27(2), 118–127.

Maddox, T. M., Rumsfeld, J. S., & Payne, P. R. O. (2019). Questions for artificial intelligence in health care. JAMA, 321(1), 31–32. https://doi.org/10.1001/jama.2018.18932

Ng, Z. Q. P., Ling, L. Y. J., Chew, H. S. J., & Lau, Y. (2022). The role of artificial intelligence in enhancing clinical nursing care: A scoping review. Journal of Nursing Management, 30(8), 3654–3674. https://doi.org/10.1111/jonm.13425

Özdemir, L., & Bilgin, A. (2021). Sağlıkta yapay zekânın kullanımı ve etik sorunlar. Sağlık ve Hemşirelik Yönetimi Dergisi, 8(3), 439–445.

Ronquillo, C. E., Peltonen, L. M., Pruinelli, L., et al. (2021). Artificial intelligence in nursing: Priorities and opportunities from an international invitational think-tank of the Nursing and Artificial Intelligence Leadership Collaborative. Journal of Advanced Nursing, 77(9), 3707–3717. https://doi.org/10.1111/jan.14855