Türkiye’de Tıp Eğitimi Müfredatlarında Yapay Zeka Derslerinin Durumunun Araştırılması
Abstract
Yapay Zeka (AI), çeşitli sektörlerde önemli etkileri olan, hızla ilerleyen bir teknolojidir. Sağlık hizmetlerindeki ilerlemelerle birlikte tıp eğitimi de yapay zekanın etkisi altında gelişiyor. Bu dönüşüm, artan veri kullanımı ve ilaç-makine etkileşimlerinin desteklenmesi yoluyla klinik karar alma sürecini geliştirerek sağlık sektöründe önemli değişikliklere yol açmaktadır. Bu çalışmanın amacı Türkiye'de tıp eğitiminde yapay zeka derslerinin mevcut durumunu incelemek, özel ve devlet üniversitelerinin müfredatlarını karşılaştırmak ve yapay zekanın tıp eğitimine entegrasyonunu değerlendirmektir. Türkiye'de tıp eğitimi veren 112 üniversitenin müfredatları resmi internet siteleri üzerinden incelenerek sağlıkta yapay zeka ile ilgili dersler, bilgisayar destekli dersler ve programlama dilleri ele alındı. Türkiye'de sağlık hizmetlerinde yapay zeka derslerinin yakın zamanda üniversite müfredatına dahil edildiği ve daha da geliştirilmeye açık olduğu gözlemlendi. Bu dersler öncelikle teoriktir ve uygulamalı dersler yalnızca birkaç üniversitede mevcuttur. Ayrıca devlet üniversitelerinin müfredatlarında yapay zeka dersleri özel üniversitelere göre daha yaygındır. Tıp eğitiminde yapay zeka derslerinin daha önemli bir yere sahip olması ve daha pratik uygulamalar içermesi gerektiği sonucuna varılmıştır. Devlet üniversiteleri bu konuda daha fazla adım atmış olsa da hâlâ geliştirilecek noktalar var. Sonuç olarak yapay zeka tıp eğitiminin ayrılmaz bir parçası haline geliyor ve sağlık profesyonellerinin bu alandaki bilgisi gelecekteki sağlık hizmetlerinin iyileştirilmesinde kritik bir rol oynayacak.
Keywords
Yapay Zeka, Tıp eğitimi, Müfredat, Derin öğrenme, Makine öğrenmesi
Ethical Statement
Afyonkarahisar University of Health Sciences Clinical Research Ethics Committee has unanimously decided that the ethics committee approval is not required for the study "Artificial Intelligence Course in Medical Education Curriculum: University Evaluation in Turkey," at the meeting numbered 2023/4 dated 07.04.2023
References
- Alexandru, A. G., Radu, I. M., & Bizon, M.-L. (2018). Big Data in Healthcare-Opportunities and Challenges. Informatica Economica, 22(2).
- Chan, K. S., & Zary, N. (2019). Applications and Challenges of Implementing Artificial Intelligence in Medical Education: Integrative Review. JMIR Medical Education, 5(1), e13930. doi:10.2196/13930.
- Chen, C.-K. (2010). Curriculum Assessment Using Artificial Neural Network and Support Vector Machine Modeling Approaches: A Case Study. IR Applications, 29. Association for Institutional Research (NJ1).
- Chen, Y., Wang, X., Jung, Y., Abedi, V., Zand, R., Bikak, M., & Adibuzzaman, M. (2018). Classification of Short Single-Lead Electrocardiograms (ECGs) for Atrial Fibrillation Detection Using Piecewise Linear Spline and XGBoost. Physiological Measurement, 39(10), 104006.
- Cleophas, T. J., & Zwinderman, A. H. (2015). Machine learning in medicine: A complete overview (Vol. 21): Springer.
- Cruz, J. (2007). Bryce. Cuadernos Hispanoamericanos, 689, 59. Retrieved from https://www.scopus.com/inward/record.uri?eid=2-s2.0-61149179761&partnerID=40&md5=c9b49bd722e5b041dd13cdd6b4447413.
- Çalışkan, S. A., Demir, K., & Karaca, O. (2022). Artificial intelligence in medical education curriculum: An e-Delphi study for competencies. PLoS One, 17(7), e0271872.
- Deo, R. C. (2015). Machine learning in medicine. Circulation, 132(20), 1920-1930.
- Ejaz, H., McGrath, H., Wong, B. L., Guise, A., Vercauteren, T., & Shapey, J. (2022). Artificial intelligence and medical education: A global mixed-methods study of medical students’ perspectives. Digital Health, 8, 20552076221089099.
- Garg, T. (2020). Artificial intelligence in medical education. The American journal of medicine, 133(2), e68.