Rovex ve BayCare sağlık sistemi, hastane içi hasta taşıma işlemlerinde robotik teknolojilerin kullanımını araştırmak için işbirliğine gitti. Morton Plant Hastanesinde başlatılan pilot projede, robotların hasta nakliye süreçlerini nasıl destekleyebileceği ve hastane personelinin iş yükünü nasıl hafifletebileceği değerlendirilecek. Bu çalışma, sağlık sektöründe artan personel sıkıntısı ve operasyonel verimlilik ihtiyaçları göz önüne alındığında önem taşıyor. Robotik asistanların hastane koridorlarında güvenli hasta transferi gerçekleştirmesi, personelin daha kritik görevlere odaklanmasına olanak sağlayabilir.

Araştırmacılar, hastane kayıtlarından klinik bilgileri otomatik olarak çıkaran yapay zeka sistemlerini geliştirdi. Büyük dil modeli LLaMA3 kullanılarak yapılan çalışmada, tıbbi metinlerden 18 farklı kategoride detaylı bilgi ayıklama başarısı gösterildi. Sistem, taburcu özetleri ve acil servis raporları gibi yapılandırılmamış tıbbi metinlerden hastalık, ilaç, semptom gibi kritik bilgileri tanımlayabiliyor. Çalışma, sıfır örnekli öğrenme, az örnekli öğrenme ve ince ayar teknikleri kullanarak modelin performansını optimize etti. Bu gelişme, tıbbi kayıtların dijital analizi ve klinik karar destek sistemlerinin geliştirilmesinde önemli bir adım teşkil ediyor.

Araştırmacılar, hastane ve okul gibi sınırlı bütçeli kuruluşları siber saldırılara karşı korumak için açık kaynak kodlu bir ağ güvenlik sistemi geliştirdi. ML Defender adı verilen bu sistem, yaklaşık 150-200 dolarlık donanımla çalışabiliyor ve makine öğrenmesi algoritmalarını kullanarak botnet ve DDoS saldırılarını tespit ediyor. Sistem, kural tabanlı hızlı tespit mekanizması ile rastgele orman sınıflandırıcısını birleştirerek yanlış alarm oranını 500 kat azaltmayı başarıyor. CTU-13 veri seti üzerindeki testlerde %99.85 F1 skoru ve %100 hassasiyet oranı elde eden sistem, siber güvenlikte kaynak kısıtlı organizasyonlar için umut verici bir çözüm sunuyor.

Araştırmacılar, yoğun bakım ünitelerinde hayati risk taşıyan hastaları önceden tespit edebilen yeni bir yapay zeka sistemi geliştirdi. OC-Distill adı verilen bu teknoloji, hastaların nabız, tansiyon gibi yaşamsal bulgularını analiz ederek kritik durumları erken dönemde öngörebiliyor. Sistem, benzer hastalık geçmişine sahip hasta verilerini akıllıca gruplandırarak daha doğru tahminler yapıyor. Geleneksel yöntemlerden farklı olarak, eğitim aşamasında klinik notlar gibi ek bilgi kaynaklarını da kullanarak kendini geliştiriyor. Bu yenilik, doktorların zamanlı müdahale edebilmesi ve hastane kaynaklarının daha verimli kullanılması açısından büyük önem taşıyor. Teknoloji, sadece yaşamsal belirtileri kullanarak çalışabildiği için pratik uygulamalarda da oldukça kullanışlı.

Görsel-dil modelleri (VLM) hastanelerden işe alım süreçlerine kadar kritik alanlarda kullanılırken, demografik önyargı sorunları gündeme geliyor. Araştırmacılar, gerçek fotoğraflardan yalnızca yüz özelliklerini değiştirerek AI modellerindeki ırksal ve cinsiyet önyargılarını ölçen yenilikçi bir test sistemi geliştirdi. FOCUS adlı veri seti, 6 meslek ve 10 demografik grup üzerinde 480 karşılaştırmalı görsel içeriyor. Bu yaklaşım, AI sistemlerinin karar verme süreçlerindeki önyargıları daha net bir şekilde tespit etmeyi mümkün kılıyor. Çalışma, yapay zeka teknolojilerinin adil ve güvenilir olması için kritik bir adım teşkil ediyor.

EEG tabanlı yapay zeka modelleri, beyin sinyallerinden öğrenme konusunda büyük potansiyel gösteriyor ancak farklı hastane ortamları, cihazlar ve hasta grupları arasındaki veri farklılıkları klinik kullanımlarını zorlaştırıyor. Araştırmacılar, bu modellerin test sırasında yeni verilere uyum sağlayabilmesi için 'test zamanı adaptasyonu' yaklaşımını inceliyor. Bu yöntem, modellerin kaynak verilere erişim olmadan, sadece hedef verilerle çalışma zamanında kendilerini güncelleyebilmesini sağlıyor. Özellikle gizlilik düzenlemeleri ve sınırlı etiketli verilerle karşılaşılan sağlık sektöründe bu özellik oldukça değerli. Yeni geliştirilen NeuroAdapt-Bench sistemi, EEG temel modelleri üzerinde farklı adaptasyon yöntemlerinin etkinliğini değerlendirmek için kapsamlı bir test ortamı sunuyor.

Diyabetik retinopati, dünya çapında görme bozukluğunun önde gelen nedenlerinden biri. Araştırmacılar, bu göz hastalığını otomatik olarak teşhis edebilen gelişmiş bir yapay zeka sistemi geliştirdi. Sistem, farklı çözünürlüklerde retina görüntülerini analiz ederek hastalığın şiddetini belirliyor. Çift çözünürlükle çalışan EfficientNet ağları ve dikkat mekanizması kullanılan sistemde, ordinal regresyon yöntemi ile hastalığın aşamalı doğası da göz önünde bulunduruluyor. Bu yaklaşım, farklı hastanelerde çekilen görüntülerde bile tutarlı sonuçlar veriyor. Geliştirilen sistem, büyük ölçekli tarama programlarında önemli rol oynayabilir ve erken teşhis imkanı sunarak milyonlarca insanın görme kaybını önlemeye yardımcı olabilir.

Derin öğrenme teknolojileri tıbbi görüntü analizinde devrim yaratsa da, farklı hastaneler ve hasta grupları arasındaki veri farklılıkları nedeniyle pratik uygulamada ciddi sorunlar yaşanıyor. Bir hastanede eğitilen yapay zeka modelleri, başka bir hastanede kullanıldığında performansları düşebiliyor. Araştırmacılar bu 'dağılım kayması' sorununu çözmek için yeni stratejiler geliştiriyor. Bu kapsamlı araştırma, klinikteki gerçek kısıtlamaları - sınırlı veri erişimi, gizlilik gereksinimleri ve farklı işbirliği protokolleri - dikkate alarak çözüm önerilerini sistematik olarak inceliyor. Çalışma, tıbbi yapay zeka uygulamalarının hastaneler arası kullanımının önündeki teknik ve pratik engelleri aşmaya yönelik mevcut yaklaşımları değerlendiriyor.

Güney Afrika'da gerçekleştirilen kapsamlı bir araştırma, 10 farklı yapay zeka modelinin hastane ortamında gerçek hasta verileriyle tanı koyma yeteneklerini değerlendirdi. Çalışmada 539 hasta vakası kullanılarak yapay zekaların radyoloji görüntüleri, laboratuvar sonuçları ve klinik notları analiz etme başarısı ölçüldü. Araştırma, özellikle gelişmekte olan ülkelerdeki devlet hastaneleri için yapay zeka destekli tanı sistemlerinin potansiyelini ortaya koyuyor. Uzman doktor panelleri tarafından doğrulanmış vakalar üzerinde yapılan testlerde, yapay zeka modellerinin tanı doğruluğu, hasta güvenliği ve maliyet etkinliği açısından performansları detaylı şekilde analiz edildi.

Araştırmacılar, hastane kayıtlarını metin formatına dönüştürerek sepsis hastalarını daha doğru gruplandırabilen yeni bir yapay zeka sistemi geliştirdi. NPCNet adlı bu sistem, hasta verilerindeki zamansal değişimleri koruyarak, geleneksel yöntemlerin aksine hastalık seyrini bozmuyor. Sepsis gibi karmaşık hastalıklarda doğru hasta gruplandırması, kişiselleştirilmiş tedavi stratejileri açısından kritik öneme sahip. Yeni yaklaşım, elektronik sağlık kayıtlarındaki sürekli ölçümleri metinsel verilere çeviriyor ve klinik açıdan anlamlı hasta fenotiplerine ulaşıyor.

Sağlık sistemlerinde yapay zeka kullanımı hızla artarken, hastane notlarındaki şablon metinler ve kopyala-yapıştır uygulamaları ciddi bir sorun haline gelmiş durumda. Bu uygulamalar notları gereksiz tekrarlarla şişiriyor ve yapay zeka sistemlerinin maliyetini artırıyor. Araştırmacılar TRACE adını verdikleri yeni bir sistem geliştirerek bu sorunu çözmeyi başardılar. Sistem, elektronik sağlık kayıtlarındaki meta verileri kullanarak şablon ve kopyalanmış içerikleri tespit ediyor. 5,3 milyon hastane notu üzerinde yapılan testlerde TRACE, notlardaki metni yüzde 47,3 oranında azaltırken, bilgi çıkarma ve klinik karar verme performansını korudu. Bu gelişme, sağlık alanında yapay zeka uygulamalarının hem daha verimli hem de daha ekonomik hale gelmesini sağlayabilir.