Bu proje, önceden medikal alanda fine-tune edilmiş açık kaynaklı büyük dil modellerini (BioGPT, ClinicalBERT vb.) kullanarak tanı kombinasyonları, semptom birliktelikleri ve klinik karar yolları konusunda daha isabetli çıkarımlar yapabilen bir yapay zeka sistemi geliştirmeyi amaçlamaktadır. Sistem, Retrieval-Augmented Generation (RAG) ve Cache-Augmented Generation (CAG) tekniklerini birleştirerek klinik karar destek süreçlerini optimize etmeyi hedeflemektedir.

Veri setleri üzerinde yapılan birlikte görülme (co-occurrence) analizleri, semptomların, tanıların veya tıbbi prosedürlerin birbirleriyle ne sıklıkla aynı hastada görüldüğünü ortaya koyar. Bu analizler sonucunda elde edilen ilişki ağı:

• Tanı kombinasyonlarının mantıksal bütünlüğünü sağlar
• Öngörülemeyen ama klinik olarak anlamlı örüntüleri ortaya çıkarır
• Modelin, nadir ama önemli birliktelikleri öğrenmesine zemin hazırlar

RAG bileşeni, modelin medikal bilgi tabanlarından gerçek zamanlı olarak ilgili bilgileri çekmesini sağlar:

• PubMed makaleleri
• Klinik yönergeler ve protokoller
• Geçmiş hasta kayıtlarındaki örüntüler
• Medikal ontolojiler ve terminolojiler

CAG bileşeni, modelin geçmişteki sorguları ve hasta örüntülerini belleğinde tutarak:

• Sık karşılaşılan klinik durumlara daha hızlı cevap verir
• Benzer hasta profilleri arasında bilgi transferi sağlar
• Hesaplama kaynaklarını optimize eder

Bu hibrit yaklaşım sayesinde sistem:

• Klinik veri akışından anlamlı içgörüler çıkarabilir
• Hastanın geçmişi ile güncel durumu arasında ilişki kurabilir
• Karar destek önerileri sunarken bağlamsal derinliği koruyabilir
• Güncel tıbbi literatür ile klinik pratiği birleştirebilir

1. Medikal Dil Modelleri:

   • BioGPT
   • ClinicalBERT
   • PubMedBERT
   • BioBERT

2. Vektör Veritabanları:

   • Klinik kayıtlar için vektörleştirilmiş indeksler
   • Semantik arama altyapısı

3. Önbellek Mekanizmaları:

   • LRU (Least Recently Used) cache stratejisi
   • Bağlam-duyarlı önbellek yönetimi
   • Hasta profili bazlı önbellekleme

4. Veri Ön İşleme İşlem Hattı:

   • Medikal terminoloji normalizasyonu (UMLS, SNOMED CT)
   • Gürültü filtreleme
   • Eksik veri tahmini

Bu yapı sayesinde elde edilmesi planlanan kazanımlar:

• Klinisyenlere Karar Desteği:

  • Tanı süreçlerinde yönlendirme
  • Tedavi planlamasında destek
  • Risk değerlendirmesi ve önleme stratejileri

• Tanı İsabetinin Artırılması:

  • Tanı atlamalarının azaltılması
  • Birlikte görülme analizleri sayesinde atipik vakaların tanınması
  • Nadir hastalık kombinasyonlarının erken tespiti

• Klinik Verimliliğin Artırılması:

  • Klinik süreçlerin hızlandırılması
  • İş akışlarının standardizasyonu
  • Dokümantasyon yükünün azaltılması

• Araştırma ve Keşif:

  • Yeni hipotezlerin keşfi
  • Nadir birlikteliklere dayalı klinik içgörüler
  • Hastalık mekanizmalarının daha iyi anlaşılması

Sistem performansı aşağıdaki metriklerle değerlendirilecektir:

• Tanı doğruluğu ve hassasiyeti
• Yanıt süresi ve sistem verimliliği
• Klinisyen memnuniyeti ve kullanım oranı
• Tanı zamanı ve klinik süreç iyileştirme ölçümleri

• Çoklu dil desteği ile uluslararası kullanım
• Görüntü verileri (radyoloji, patoloji) entegrasyonu
• Federe öğrenme ile kurumlar arası bilgi paylaşımı
• Mobil uygulama ile yatak başı karar desteği

Bu proje Catboost Baseline altında lisanslanmıştır. Detaylar için LICENSE dosyasını inceleyebilirsiniz.

• @HasanTalhaGuzeller
• @ahmeterdempmk
• @meyupy