Dis Hekimi Muayenehanesinde Yapay Zeka Tani: Bir Rehber

Yayinlanma tarihi 19 Şubat 202610 dk. okuma suresi

yapay zekataniegitimdis-hekimleri-icin

Dis Hekimligi Tanisinda Yapay Zeka: Gercekte Neredeyiz?

The Lancet Digital Health (2024) dergisindeki bir meta-analize gore, tibbi goruntulemede yapay zeka sistemleri yuzde 87 tanisal sensitivite degerine ulasmaktadir -- deneyimli uzman hekimlerle karsilastirilabilir bir oran. DGZMK vurgulamaktadir: „Dis hekimliginde kanita dayali yapay zeka, klinik uzmanlik ile bilimsel metodolojinin birlestirilmesini gerektirir" (DGZMK, Dijital Dis Hekimligi Bildirisi, 2024).

„Yapay zeka destekli tani, dis hekiminin yerine gecmez; aksine insan uzmanligini tamamlayan ve bulgu kalitesini olculebilir sekilde iyilestiren bir aractir." -- Alman Endodontoloji ve Dis Hekimligi Travmatolojisi Dernegi (DGET), Pozisyon Belgesi 2024

Dis hekimligi alani, yapay zeka destekli taniyi giderek daha tartismali bir bicimde ele almaktadir. Pazarlama hype'i ile saglam kanitlar arasinda onemli farklar bulunmaktadir. Bu yazi, mevcut olanaklarin ve sinirlarin kanita dayali bir degerlendirmesini arayan meslektaslarima yoneliktir.

Dortmund'daki WiloHealthCube icerisinde muayenehanesini yapay zeka entegrasyonuyla sifirdan planlayan ve dijital restoratif dis hekimligine odaklanan bir dis hekimi olarak, uygun sistemleri degerlendirir ve secerken elde ettigim bulgulari paylasmak istiyorum.

Kanit Durumu: Calismalar Ne Diyor?

Curuk Tanisi

En umut verici veri durumu, bitewing cekimleri ve OPG'ler uzerinde yapay zeka destekli curuk tespiti icin mevcuttur.

Bitewing cekimlerinde approksimal curuk: Cantu ve arkadaslarinin (Journal of Dental Research, 2020) sistematik derlemesi, 3.686 dis uzerinde bir derin ogrenme sisteminin performansini analiz etmistir. Sistem, approksimal curuk tespiti icin yuzde 93 spesifite ile yuzde 75 sensitivite degerine ulasmistir. Karsilastirma icin: Schwendicke ve arkadaslarinin (2015) meta-analizinde deneyimli dis hekimlerinin ayni endikasyon icin ortalama sensitivitesi yuzde 40 ile 70 arasindaydi.

Okluzal curuk: Burada veri durumu daha nuansli. Lee ve arkadaslari (Scientific Reports, 2018) curuk evresine bagli olarak yuzde 80 ila 93 arasinda sensitivite bildirmistir; performans, beklendigi gibi baslangic mine lezyonlarinda manifest dentin lezyonlarindakine kiyasla daha dusuktu.

Klinik onem: Yapay zekanin gucu, mutlak tespit oraninda degil, klinik bulgu ile etkilesiminde yatmaktadir. Yapay zeka, dikkati potansiyel olarak supheli alanlara yonlendiren bir tarama araci olarak islev gorur. Asil tanisal karar tedavi edende kalir, ancak yonlendirilmis dikkatle desteklenir.

Periapikal Tani

DVT cekimlerinde periapikal lezyonlarin tespiti icin birden fazla calisma tutarli sonuclar vermektedir:

Setzer ve arkadaslari (Journal of Endodontics, 2020) CBCT veri setleri uzerinde CNN tabanli bir sistemi degerlendirmis ve yuzde 95 spesifite ile yuzde 92 sensitivite bildirmistir. Orhan ve arkadaslari (Dentomaxillofacial Radiology, 2020) karsilastirilabilir degerleri dogrulamistir.

Endodonti ile ilgilenen meslektaslar icin ozellikle onemli: Yapay zeka, konvansiyonel 2D projeksiyonda ust uste binmeler nedeniyle maskelenen kucuk periapikal radyolusensilerin tespitinde gucunu gostermektedir. Yapay zeka destekli DVT cekimlerinde gozden kacirilan bulgu orani anlamli sekilde azalmaktadir.

Periodontal Tani

Yapay zeka destekli periodontit tanisi dinamik bir sekilde gelismektedir. Guncel sistemler sunlari yapabilir:

Kemik kaybini kantitatif olculu hale getirme: Algoritmalar, mine-sement birlesimi ile limbus alveolaris arasindaki mesafeyi otomatik olarak olcmekte ve dis veya yuzey bazli bir siddet haritalamasi uretmektedir. Chang ve arkadaslari (Journal of Dental Research, 2020) yapay zeka tabanli marjinal kemik kaybi olcumunun deneyimli periodontologlarin manuel olcumleriyle 0,2 ila 0,5 mm sapma icinde korele oldugunu gostermistir.

Evreleme ve derecelendirmeyi destekleme: Ilk sistemler, radyolojik bulgulara dayali olarak EFP/AAP'nin guncel siniflandirmasina (2018) gore otomatik evreleme yapmaya calismaktadir. Bu konudaki kanit hala sinirlidir, ancak EFP 2024 Konsensus Belgesi'nde bu gelisimi umut verici olarak degerlendirmistir.

Almanya'daki Duzenleyici Cerceve

MDR ve CE Isareti

Yapay zeka destekli tani yazilimi, AB Tibbi Cihaz Tuzugu (MDR 2017/745) kapsamina girer ve risk siniflandirmasina bagli olarak Sinif IIa veya IIb tibbi cihaz olarak sertifikalandirilmis olmalidir. Pratikte bu, yalnizca CE isaretli sistemlerin klinik olarak kullanilabilecegi anlamina gelir.

EU AI Act

Agustos 2024'ten beri yururlukte olan AB Yapay Zeka Tuzugu (AI Act), Federal Dis Hekimleri Odasi'na (BZAK) gore saglik sektorundeki yapay zeka sistemlerini yuksek riskli uygulamalar olarak siniflandirir. Muayenehane sahipleri icin onemli yukumlulukler sunlari icerir:

Risk yonetimi: Yapay zeka sistemi kullaniminda risklerin ve onlemlerin belgelenmesi.
Veri kalitesi: Sistemin egitim verilerinin temsili ve yansiz olmasinin saglanmasi (uretici sorumlulugu, ancak isletenin due diligence yukumlulugu).
Seffaflik: Hastalar, tanida yapay zekanin kullanildigi konusunda bilgilendirilmelidir.
Insan gozetimi: Yapay zeka bulgulari, hekim denetimi olmaksizin tedavi planlamasina dahil edilemez.

KBV Yonlendirme Kilavuzu

Alman Zorunlu Sigortali Hekimler Birligi (KBV) 2025'te, dis hekimi muayenehaneleri icin de gecerli olan hekim muayenehanelerinde yapay zeka kullanimina yonelik pratik odakli bir yonlendirme kilavuzu yayimlamistir. KBV'ye gore Almanya'daki dis hekimi muayenehanelerinin yaklasik yuzde 12'si halihazirda bir tur yapay zeka destekli tani kullanmaktadir ve bu oran artis egilimindedir (Kaynak: KBV, Dijitallesme Muayenehane Barometresi, 2025). Ana noktalar:

Yapay zeka sistemleri araclardir, otonom karar vericiler degildir.
Tani ve tedavi icin nihai hekim sorumlulugu etkilenmez.
Belgeleme yukumlulukleri, tanisal surecte yapay zeka kullanimini da kapsar.
GDPR'ye gore veri koruma uyumu zorunludur, ozellikle bulut tabanli cozumlerde.

Pratik Entegrasyon: Ogrenilen Dersler

Donanim Gereksinimleri

Ticari dis hekimligi yapay zeka sistemlerinin cogu bulut tabanli SaaS cozumleri olarak tasarlanmistir. Bu, goruntulerin saglayicinin sunucusuna aktarildigi, orada analiz edildigi ve sonuclarin geri gonderildigi anlamina gelir. Gecikme suresi tipik olarak cekim basina 2 ila 15 saniye arasindadir.

Veri koruma kaygilari olan veya yuksek hasta hacmine sahip muayenehaneler icin, yerel donanimda calisan on-premise cozumleri giderek artmaktadir. Bunlar genellikle GPU hizlandirmali bir is istasyonu gerektirir (NVIDIA RTX sinifi veya benzeri), ancak hasta verilerinin muayenehaneden cikmamasi avantajini sunar.

Is Akisina Entegrasyon

Uygulamadaki en buyuk tokezleme noktasi teknolojinin kendisi degil, mevcut is akislarina entegrasyondur. Planlama asamasindan onerilerim:

DICOM uyumlulugunu kontrol edin: Yapay zeka sisteminiz, rontgen sisteminiz ve muayenehane yonetim yaziliminizla (PVS) sorunsuz iletisim kurmalidir. DICOM disa aktarim ve ice aktarim manuel ara adimlar olmadan calismalidir.

Bulgulama is akisini tanimlayin: Yapay zeka analizinin tedavi akisinda hangi noktada gerceklesecegini belirleyin. Bizde: her rontgen cekiminden sonra otomatik olarak, sonuclar hasta gorusmesinden once hazirdir.

Ekibi egitin: Yapay zeka bulgulari dogru yorumlanmalidir. Yanlis pozitif bulgular (artefaktlar, ust uste binmeler) taninmali ve siniflandirilmalidir. Ekipte duzenli kalibrasyon oturumlari onerilir.

Belgelemeyi standartlastirin: Hasta dosyasinda yapay zeka destekli taninin kullanildigini ve bulgularin tedavi planlamasina nasil dahil edildigini kayit altina alin.

Maliyet-Fayda Degerlendirmesi

Guncel fiyatlandirma modelleri onemli olculde degiskenlik gosterir:

SaaS modelleri: Tipik olarak hizmet kapsamina ve cekim sayisina bagli olarak aylik 200 ila 600 Euro arasindadir. Bazi saglayicilar analiz basina faturalandirma yapar (cekim basina 2 ila 5 Euro).

On-premise lisanslar: Bir defaya mahsus 5.000 ila 20.000 Euro arti yillik bakim.

ROI degerlendirmeleri: Dogrudan finansal geri donusu rakamlara dokmek zordur. Fayda oncelikle kalite guvencesi (daha az gozden kacan bulgu), verimlilik (yuzlerce kesitli DVT veri setlerinde daha hizli bulgulama) ve hasta iletisiminde (gorsel olarak hazirlanmis bulgular aydinlatmayi kolaylastirir ve onerilen tedavilerin kabulunu artirir) yatmaktadir.

Dolayli bir ekonomik fayda erken tespitten dogar: Baslangic asamasinda tespit edilen ve konservatif olarak tedavi edilebilen veya remineralize edilebilen bir approksimal curuk, hasta ve muayenehane icin, daha sonra endodontik tedavi veya kron gerektiren gozden kacmis bir curuge gore belirgin olcude daha az maliyetlidir.

Olasi Tuzaklar

Asiri Tani

Sikca kucumsenen bir risk, artan sensitivite araciligiyla asiri tanidir. Yapay zeka duzenli olarak klinik olarak ilgili olmayan bulgulari isaretlerse, tedavi edenlerin ya yapay zekaya kor bir bicimde guvenme (ve gereksiz tedavi uygulama) ya da uyarilari goz ardi etme (Alert Fatigue) tehlikesi vardir.

Cozum: Klinik bulgu ile uyum icinde esik degerinin kalibrasyonu. Yapay zeka tarafindan isaretlenen her bulgu tedavi gerektirmez. Klinik korelasyon belirleyici olmaya devam eder.

Sorumluluk Sorulari

Mevcut hukuki durum henuz tamamen aciklanmis degildir. Genel olarak: Hekim sorumlulugu, yapay zekanin kullanilip kullanilmadigindan bagimsiz olarak tedavi edende kalir. Bir yapay zeka sistemi ne sorumluluktan kurtarabilir ne de sorumluluk yukleyebilir; bir tanisal yardimci aractir. Ancak, uyusmazlik durumunda mevcut tum tanisal araclarin kullanildigini kanitlayabilmek icin yapay zeka kullaniminin belgelenmesi onerilir.

Yanlilik ve Egitim Verileri

Yapay zeka sistemleri, ancak egitim verileri kadar iyidir. Bir model oncelikle Avrupa populasyonlarinda egitildiyse, farkli etnik kokenlere sahip hastalarda performans sapabilir (orn. farkli dis morfolojisi, kemik yogunlugu). Secim yaparken saglayicinin egitim veri setinin cesitliligine ve buyuklugune dikkat edin.

Gelecek Bakis: Alan Nereye Gidiyor?

Dis hekimligi yapay zekasinin bir sonraki nesli muhtemelen su gelismeleri beraberinde getirecektir:

Multimodal analiz: Rontgen goruntuleri, intraoral taramalar, intraoral fotograflar ve klinik verilerin tek bir yapay zeka modelinde entegrasyonu; bu, salt radyolojik analize kiyasla daha kapsamli bir bulgu saglar.

Longitudinal analiz: Bulgulari birden fazla zaman noktasi uzerinden karsilastiran ve ilerleme oranlarini kantitatif hale getiren yapay zeka sistemleri. Bu, ozellikle periodontit tedavisi ve curuk izleme icin degerli olacaktir.

Tedavi planlamasi: Ilk arastirma calismalari, optimal implant pozisyonu veya endodontik tedavilerin prognozu gibi konularda yapay zeka tabanli tedavi plani onerilerini arastirmaktadir. Klinik olgunluk henuz saglanmamistir, ancak yon bellidir.

Federated Learning: Yapay zeka modelinin muayenehanelerde merkezi olmayan bir sekilde ogrendigi ve hasta verilerinin yerel sunucudan ayrilmadigi egitim yaklasimlari. Bu, bulut tabanli sistemlerdeki veri koruma kaygilarini cozebilir.

Kisisel Sonucum

Kanit durumunu yogun bir sekilde ele aldiktan ve cok sayida urun degerlendirmesinden sonra ikna oldum: Yapay zeka destekli tani bir hype degil, dogru kullanildiginda klinik olarak anlamli bir aractir.

Anahtar teknolojinin kendisinde degil, tedavi edenin onu degerlendirme yetkinligindedir. Bir yapay zeka sistemi iyi bir tanimciyi gereksiz kilmaz, onu daha iyi yapar. Ve literaturde onlarca yildir belgelenen bir boslugu kapatir: salt gorsel bulgulamanin sinirli sensitivitesi.

Entegrasyonu dusunen meslektaslarima oneririm: Net bir sekilde tanimlanmis bir kullanim senaryosuyla baslayin (orn. bitewing cekimlerinde approksimal curuk taramasi), sistematik olarak degerlendirin ve deneyimlerinizi belgeleyin.

Muayenehanemizin acilisindan itibaren yapay zekanin dis hekimligi is akisina entegrasyonu konusunda duzenli egitim sunmayi planliyorum. Ilgilendiyseniz mesajiniza sevinirim.

Ilgili Yazilar

Sikca Sorulan Sorular

Almanya'da dis hekimi muayenehaneleri icin hangi yapay zeka tani sistemleri onaylanmistir?

Almanya'da yalnizca AB Tibbi Cihaz Tuzugu'ne (MDR 2017/745) gore CE isareti tasiyan yapay zeka sistemleri klinik olarak kullanilabilir. Ticari sistemlerin cogu SaaS cozumleri olarak mevcuttur, ancak daha yuksek veri koruma gereksinimleri olan muayenehaneler icin giderek artan sayida on-premise alternatif bulunmaktadir. Secim yapilirken sertifikasyonun yani sira egitim verilerinin kalitesi ve mevcut rontgen sistemiyle DICOM uyumlulugu da kontrol edilmelidir.

Dortmund'daki Pul's Zahnmedizin, yapay zeka taniyi muayenehane gunluk yasantisina nasil entegre ediyor?

Dortmund-Horde'deki Wilopark 15 adresinde yer alan WiloHealthCube icindeki muayenehanemizde yapay zeka analizini her bulgulamanin sabit bir bileseni olarak planliyoruz. Degerlendirme, her rontgen cekiminden sonra otomatik olarak gerceklesir ve hasta gorusmesinden once hazirdir. Tamamen dijital chairside is akisimizla birlikte cekimden yapay zeka destekli analize ve tedavi planlamasina kadar kesintisiz bir surec ortaya cikar.

Kucuk muayenehaneler icin yapay zeka tani yatirimi anlamli midir?

Maliyetler SaaS modellerinde aylik 200 ila 600 Euro arasinda veya on-premise lisanslar icin bir defaya mahsus 5.000 ila 20.000 Euro arasinda degisir. Dogrudan finansal geri donus oncelikle kalite guvencesi ve iyilestirilmis hasta iletisiminde yatmaktadir. Dolayli olarak, erken tespit yoluyla yatirim karlilik saglar: Zamaninda tespit edilen bir approksimal curuk, daha sonra endodontik tedavi gerektiren gozden kacmis bir lezyona kiyasla hastaya ve muayenehaneye belirgin olcude daha az maliyetlidir.

Yapay zeka yanlis bulgularla nasil basa cikar?

Yanlis pozitif bulgular, ozellikle yuksek sensitivitede gercek bir risktir. Cozum, esik degerinin kalibrasyonunda ve tutarli klinik korelasyonda yatmaktadir. Sensitivite ve spesifite arasindaki dengeyi optimize etmek ve Alert Fatigue olarak adlandirilan durumu onlemek icin muayenehane ekibinde duzenli kalibrasyon oturumlari onerilir.

Ileri Okuma

Schwendicke F, Tzschoppe M, Paris S. Radiographic caries detection: A systematic review and meta-analysis. Journal of Dentistry. 2015;43(8):924-933.
Cantu AG et al. Detecting caries lesions of different radiographic extension on bitewings using deep learning. Journal of Dental Research. 2020;99(5):517-524.
Lee JH et al. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. Journal of Dentistry. 2018;77:106-111.
Setzer FC et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images. Journal of Endodontics. 2020;46(7):987-993.
Orhan K et al. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans. International Endodontic Journal. 2020;53(5):680-689.
Chang HJ et al. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis. Scientific Reports. 2020;10:7262.
European Federation of Periodontology. Consensus Report on AI in Periodontology. 2024.
KBV. Orientierungshilfe zum Einsatz von Kunstlicher Intelligenz in Arztpraxen. 2025.