Gebelikle İlişkili Hipertansiyonda Büyük Dil Modeli Tabanlı Yapay Zekâ Sistemlerinin k-Klinik Doğruluğunun Karşılaştırmalı Değerlendirilmesi

13. Gazi Endokrinoloji Metabolizma Hastalıkları, Kadın Sağlığı ve Gebelik Sempozyumu, Ankara, Türkiye, 07 Mart 2026, ss.15-16, (Özet Bildiri)

Amaç: Gebelikte hipertansiyon, anne ve fetüs için ciddi morbidite ve mortalite riski taşıyan, kanıta dayalı

yönetim gerektiren yüksek riskli bir klinik durumdur. Son yıllarda büyük dil modeli (large language model,

LLM) temelli yapay zekâ (YZ) sistemleri klinik karar destek aracı olarak giderek daha yaygın kullanılmaktadır.

Ancak bu sistemlerin gebelik gibi hassas ve tedavi seçenekleri sınırlı klinik alanlardaki doğrulukları yeterince

değerlendirilmemiştir. Bu çalışmanın amacı, gebelikte hipertansiyon yönetimine ilişkin klinik sorulara

verilen YZ yanıtlarının klinik doğruluğunu karşılaştırmalı olarak değerlendirmektir.

Yöntem: Bu kesitsel, metodolojik çalışmada dört farklı LLM tabanlı YZ sistemi (ChatGPT, Gemini, DeepSeek

ve Claude) değerlendirildi. Gebelikte hipertansiyon yönetimine yönelik, gerçek klinik pratiği yansıtan

toplam 50 klinik soru her bir modele standart bir formatta yöneltildi. Üretilen yanıtlar, model kimliklerinden

habersiz üç uzman hekim tarafından, klinik doğruluğu değerlendirmek üzere önceden tanımlanmış 5 puanlı

Likert ölçeği kullanılarak bağımsız olarak puanlandı. Değerlendiriciler arası uyum, mutlak uyum tanımıyla

Intraclass Correlation Coefficient (ICC) ile analiz edildi. Modeller arası karşılaştırmalar Friedman testi ile

yapıldı; anlamlılık saptanan durumlarda Bonferroni düzeltmeli Wilcoxon işaretli sıralar testi uygulandı.

Bulgular: Uzman ortalamasına göre klinik doğruluk puanları ChatGPT için 4,09 ± 0,61, Gemini için 4,15 ± 0,60,

DeepSeek için 4,29 ± 0,59 ve Claude için 4,25 ± 0,79 olarak bulundu. Değerlendiriciler arası uyum yüksek

düzeydeydi (ortalama ölçümler için ICC = 0,86; %95 GA: 0,80–0,90). Friedman testi, modeller arasında istatistiksel

olarak anlamlı bir fark olduğunu gösterdi (χ² = 9,91; sd = 3; p = 0,019). Ancak Bonferroni düzeltmeli ikili

karşılaştırmalarda hiçbir model çifti arasında istatistiksel olarak anlamlı fark saptanmadı (tüm p > 0,008).

Sonuç: LLM tabanlı YZ sistemleri, gebelikte hipertansiyon yönetimine ilişkin klinik sorulara genel olarak

yüksek doğrulukta ve tutarlı yanıtlar üretmektedir. Modeller arasında sınırlı düzeyde performans farklılıkları

gözlenmekle birlikte, bu farklar ikili karşılaştırmalarda belirgin değildir. Bu bulgular, YZ sistemlerinin klinik

karar sürecinde destekleyici araçlar olarak kullanılabileceğini; ancak yüksek riskli obstetrik olgularda hekim

değerlendirmesinin yerini almaması gerektiğini göstermektedir.

Anahtar Kelimeler: Gebelik, hipertansiyon, yapay zekâ, büyük dil modelleri, klinik doğruluk.