# APBA Kısa Özet

Yapay zeka (AI) destekli tiroid ultrasonografisi, 30 çalışmadan elde edilen verilerle yüksek tanısal doğruluk (AUC 0.78‑0.97) ve klinik avantajlar (FN‑A %10‑45 azalma, yorum süresi 2.5‑3.1 dk tasarruf) sunuyor. Risk‑of‑bias analizi, çalışmaların %53.3'ünün düşük riskli olduğunu, %13.3'ünün ise retrospektif tasarım ve küçük örneklem nedeniyle yüksek risk taşıdığını gösteriyor. AI performansı, TI‑RADS entegrasyonu ve dış doğrulama ile artıyor; ancak rutin klinik kullanım için çok merkezli prospektif araştırmalar, standart raporlama ve açıklanabilir AI gereklidir.

# Çalışma neyi araştırdı?

Bu sistematik derleme, 2018‑2025 yılları arasında yayımlanan 30 orijinal çalışmayı inceleyerek yapay zeka destekli tiroid sonografinin tanısal doğruluğu, klinik faydaları ve iş akışı entegrasyonu üzerindeki etkilerini değerlendirdi. Özellikle histopatoloji veya ince iğne aspirasyon (FNA) sonuçlarıyla karşılaştırılan AI modellerinin duyarlılık, özgüllük, alan altında eğri (AUC) değerleri ve klinik sonuçları (FNA sayısındaki azalma, yorum süresi) incelendi.

# Yöntem

Derleme, PRISMA‑2020 yönergelerine uygun olarak PubMed, Embase ve Cochrane veri tabanlarında 1 Ocak 2018‑30 Haziran 2025 tarihleri arasında tarama yaptı. Dahil kriterler: (1) AI‑tabanlı tiroid ultrasonografi modelleri, (2) histopatoloji veya FNA ile doğrulanmış referans standart, (3) tanısal performans ölçütleri (AUC, duyarlılık, özgüllük) ve/veya klinik etki (FNA azaltma, zaman tasarrufu) raporlayan çalışmalar. Veri çıkarımı, iki bağımsız araştırmacı tarafından yapıldı; risk‑of‑bias değerlendirmesi QUADAS‑2 aracıyla gerçekleştirildi.

# Temel bulgular

  • Tanısal doğruluk: AUC 0.78‑0.97, duyarlılık %75.6‑94.0, özgüllük %70.4‑90.7.
  • AI mimarisi: Çoğunlukla konvolüsyonel sinir ağları (CNN) kullanıldı.
  • Klinik avantajlar: FNA sayısında %10‑45 azalma, yorum süresinde vaka başına 2.5‑3.1 dakikalık tasarruf.
  • Risk‑of‑bias: %53.3 düşük risk, %33.3 orta risk, %13.3 yüksek risk (çoğunlukla retrospektif tasarım ve küçük örneklem).
  • Performans iyileştirmeleri: AI, Amerikan Radyoloji Koleji TI‑RADS ile birleştirildiğinde ve dış doğrulama setleriyle test edildiğinde daha yüksek AUC değerleri elde etti.
  • Araştırma boşlukları: Çalışma döneminde prospektif çok‑merkezli randomize kontrollü deneme bulunmadı; uzun vadeli klinik sonuç verileri sınırlı.

# Bulgular ne anlama geliyor?

Yapay zeka destekli sonografi, geleneksel ultrasonografinin sınırlı subjektif yorumunu nesnel bir algoritmayla tamamlayarak tanısal tutarlılığı artırıyor. AUC değerlerinin 0.78‑0.97 aralığında olması, AI’nın maligniteyi ayırt etmede yüksek ayırt ediciliğe sahip olduğunu gösteriyor. FNA azaltma oranı (%10‑45) ve yorum süresi tasarrufu (2.5‑3.1 dk) klinik iş akışını hızlandırarak hasta memnuniyetini ve sağlık sistemi maliyetlerini olumlu etkileyebilir. Ancak, yüksek riskli çalışmaların varlığı, sonuçların genellenebilirliğini sınırlıyor; özellikle retrospektif tasarımlar ve küçük örneklemler, yanlılık riskini artırıyor.

# Klinik önem

  • Tanısal karar desteği: AI, özellikle deneyimsiz ultrasonograflar için TI‑RADS ile entegrasyon sayesinde daha tutarlı raporlar sunabilir.
  • İş akışı verimliliği: Ortalama 2.5‑3.1 dakikalık yorum süresi tasarrufu, yoğun klinik ortamlarda hasta bekleme süresini kısaltabilir.
  • FNA gereksiniminin azaltılması: Gereksiz invaziv prosedürlerin %10‑45 oranında azalması, komplikasyon riskini ve maliyeti düşürür.
  • Sağlık politikası: Bu bulgular, Sürdürülebilir Kalkınma Hedefi 3 (iyi sağlık ve refah) ve Hedef 9 (sanayi, yenilik ve altyapı) ile uyumlu olarak, teknoloji‑odaklı sağlık hizmeti iyileştirmelerine katkı sağlayabilir.

# Sınırlılıklar

  1. Çalışma tasarımı: Dahili 30 çalışmanın %33.3'ü orta risk, %13.3'ü yüksek riskli; çoğu retrospektif ve/veya küçük örneklem içeriyor.
  2. Heterojen AI modelleri: CNN dışındaki mimariler ve farklı ultrasonografi modları raporlanmış, bu da meta‑analizde tutarlılığı azaltıyor.
  3. Dış doğrulama eksikliği: Birçok çalışma tek merkezli veri setleriyle sınırlı; çok‑merkezli dış doğrulama sonuçları sınırlı.
  4. Uzun vadeli sonuçlar: FNA azaltma ve zaman tasarrufu kısa vadeli ölçütler; malignite üzerindeki uzun vadeli etkiler ve hasta sonuçları yeterince raporlanmamış.
  5. Açıklanabilirlik: Çoğu AI modeli “kara kutu” olarak tanımlanıyor; klinik kararların şeffaflığı için açıklanabilir AI (XAI) geliştirilmesi gerekiyor.

Gelecek yönelimleri: Prospektif, çok‑merkezli, rastgele kontrollü denemeler; standart raporlama şablonları; AI karar mekanizmalarının açıklanabilirliği; ve maliyet‑etkinlik analizleri, AI‑destekli tiroid sonografinin rutin klinik pratiğe entegrasyonu için kritik adımlardır.