Sağlık Hizmetlerinde Yapay Zekâ Uygulamalarının Bibliyometrik Analizi: Eğilimler, Temalar ve Gelecek Yönelimleri

Abstract

Amaç: Yapay zekâ (YZ), tanı, tedavi planlaması, sağlık yönetimi ve etik yönetişim gibi alanlarda önemli dönüşümler yaratarak sağlık sektöründe giderek artan bir etki alanına sahip olmuştur. Bu çalışmanın amacı, 2010–2023 yılları arasında YZ ve sağlık alanında yayımlanan araştırmaların entelektüel ve kavramsal yapısını bibliyometrik bir yaklaşımla ortaya koymaktır Yöntem:Çalışmada, Google Scholar ve PubMed veri tabanlarında gözlemlenen yayın eğilimlerini yansıtacak şekilde oluşturulan 300 hakemli makaleden oluşan bir veri seti kullanılmıştır. Yayın eğilimleri, etkili çalışmalar, önde gelen dergiler, yazarlar, ülkeler ve tematik kümeler; performans analizi ile birlikte eşsözcük ve eşatıf analizleri aracılığıyla incelenmiştir. Sonuçlar:Bulgular, özellikle 2015 yılı sonrasında derin öğrenme ve öngörücü analitik alanlarındaki gelişmelerle birlikte YZ ve sağlık alanındaki yayın sayısında istatistiksel olarak anlamlı bir artış olduğunu göstermektedir (p<0,05). Analiz sonucunda dört ana tematik küme belirlenmiştir: (1) tanı ve tıbbi görüntüleme, (2) YZ etiği ve politika, (3) sağlık yönetimi ve bilişim sistemleri ve (4) hassas tıp ve kişiselleştirilmiş sağlık hizmetleri. Araştırma çıktılarında Amerika Birleşik Devletleri, Çin ve Hindistan öne çıkarken, The Lancet Digital Health ve Journal of Medical Internet Research en etkili dergiler arasında yer almaktadır. Tartışma: Bu çalışma, YZ’nin sağlık alanındaki bilimsel gelişimini bütüncül bir perspektifle ortaya koyarak araştırmacılar, politika yapıcılar ve uygulayıcılar için yol gösterici nitelikte bulgular sunmaktadır. Bulgular, etik YZ çerçeveleri, federatif öğrenme yaklaşımları ve küresel sağlıkta YZ uygulamalarının gelecekteki araştırmalar için öncelikli alanlar olduğunu göstermektedir.

Keywords

• Bibliyometrik Analiz
• Hastane Yönetimi
• Sağlık Bilişimi
• Yapay Zeka

Bibliometric Analysis of Artificial Intelligence Applications in Healthcare: Trends, Themes, and Future Directions

Abstract

governance. The purpose of this study is to examine the intellectual and conceptual structure of AI in healthcare research published between 2010 and 2023 using a bibliometric approach. Methods: The study employed a dataset of 300 peer-reviewed articles designed to reflect publication trends observed in Google Scholar and PubMed. Performance analysis and science mapping techniques, including co-word and co-citation analyses, were applied to evaluate publication trends, influential studies, leading journals, authors, countries, and thematic clusters. Results: The results indicate a statistically significant increase in the volume of AI-related healthcare publications, particularly after 2015, driven by advances in deep learning and predictive analytics (p<0.05). Four major thematic clusters were identified: (1) diagnostics and medical imaging, (2) AI ethics and policy, (3) health management and informatics, and (4) precision medicine and personalized healthcare. The United States, China, and India lead research output, while The Lancet Digital Health and Journal of Medical Internet Research emerge as the most prominent journals. Conclusion: This study provides a comprehensive overview of the evolution of AI in healthcare research and offers a roadmap for researchers, policymakers, and practitioners. The findings highlight emerging research directions, including ethical AI frameworks, federated learning, and global applications of AI in healthcare.

Keywords

• Artifical Intelligence
• Bibliometric Analysis
• Health Informatics
• Hospital Management

References

1. Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview and guidelines. Journal of Business Research, 133, 285- 296. doi: 10.1016/j.jbusres.2021.04.07
2. Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neuralnetworks. Nature, 542(7639), 115-118. doi: 0.1038/nature21056
3. Gulshan, V., Peng, L., Coram, M., et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402-2410. doi: 10.1001/jama.2016.17216.
4. Guo, Y., Hao, Z., Zhao, S., Gong, J., & Yang, F. (2020). Artificial intelligence in healthcare: A bibliometric analysis. Frontiers in Medicine, 7, 571. doi: 10.2196/18228.
5. Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future—Big data, machine learning, and clinical medicine. New England Journal of Medicine, 375(13), 1216-1219. doi: 10.1056/NEJMp1606181
6. Rajkomar, A., Dean, J., & Kohane, I. (2018). Scalable and accurate deep learning with electronic health records. NPJ Digital Medicine, 1(1), 18. doi: /10.1038/s41746-018-0029-1
7. Topol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56. doi: 10.1038/s41591-018-0300-7
8. van Eck, N. J., & Waltman, L. (2010). Software survey: VOSviewer, a computer program for bibliometric mapping. Scientometrics, 84(2), 523-538. Doi: 10.1007/s11192-009-0146-3