Yapay Zeka Destekli Mobil Sağlık İçin Dört Alanlı Çerçeve: Duyumdan Eşit Yönetime

DERLEME MAKALESİ

Front. Digit. Health, 11 Kasım 2026

Bölüm: Bağlantılı Sağlık

Cilt 8 – 2026 | https://doi.org/10.3389/fdgth.2026.1967889

• CZ

  Chen Zhang 1,2†

• WJ

  Wenhui Jiang 1,2†

• QZ

  Qiming Zhao 1,2

• MO

  Minglian Ouyang 3

• NW

  Nan Wu 3

• YG

  You Guo 1,2,3,4,5*

• 1. Gannan Tıp Üniversitesi Birinci Bağlı Hastanesi, Tıbbi Büyük Veri ve Bioenformatik Araştırma Merkezi, Ganzhou, Çin

• 2. Gannan Tıp Üniversitesi, Halk Sağlığı ve Sağlık Yönetimi Fakültesi, Ganzhou, Çin

• 3. Gannan Tıp Üniversitesi, Birinci Klinik Tıp Fakültesi, Ganzhou, Çin

• 4. Ganzhou Tıbbi Büyük Veri Ana Laboratuvarı, Ganzhou, Çin

• 5. Gannan, Ulusal Genomik Veri Merkezi, Tıbbi Genomik Merkez İştiraki, Ganzhou, Çin

Makale metrikleri

Özet

Yapay zeka (YZ), bulaşıcı ve bulaşıcı olmayan hastalıkların ikili yüküne karşı mobil sağlık (mHealth) yanıtlarını güçlendirmesi beklenirken, bu dönüşümün popülasyon sağlığında kanıtlanabilir bir faydaya dönüşmesi sınırlı kalmaktadır. Bu anlatısal derleme, YZ-mHealth’i Nesnelerin İnterneti (IoT) ile desteklenen bağlı sağlık ekosisteminin mobil ve taşınabilir katmanı olarak kavramsallaştırır. Literatürde algılama, çıkarım ve uygulama süreçleri çoğunlukla ayrık problemler olarak incelendiğinden, sistem düzeyi faydayı yöneten bağımlılıklar iyi tanımlanamamaktadır. Bu nedenle kanıtları dört birbirine bağlı alanda değerlendiririz: Algılama, Çıkarım, Müdahale ve Yönetişim. Ekim 2015’ten Eylül 2026’ya kadar PubMed/MEDLINE ve Web of Science Core Collection taranmıştır. Algılama performansı cihaz ve ölçüm bağlamına bağlıdır. Bilekte taşınan fotopleizmografinin dinlenme sırasında cilt tonuyla ilişkili tutarlı bir hata göstermediği, ancak daha koyu cilt tonlarında egzersiz yoğunluğu arttıkça hatanın daha açık cilt tonlarına kıyasla dört katıdan fazla olmasıdır. Çıkarım modelleri risk katmanlandırmayı iyileştirmiştir ancak klinik sorumluluğu destekleyecek yorumlanabilirliğe sahip değildir ve cihaz içi dağıtım için model sıkıştırması alt grup performansını düzensiz biçimde düşürmüştür. Tam zamanında uyumlu müdahaleler yakın yanıtı iyileştirmiştir, ancak etki süreliliği mikrorandomize deneyler boyunca değişkendir ve uzaktan kalp yetmezliği yönetimi henüz kabul tekrarı üzerinde tutarlı bir etki göstermemiştir. Algoritmik önyargı, dijital uçurum, veri yönetişimindeki eksiklikler ve siber güvenlik, sınırlı insan gözetimi ve düzenleyici gecikme, YZ-mHealth yaşam döngüsü boyunca birbirini güçlendiren bir risk sistemini oluşturur. Başlıca bulgumuz bir asimetriidir: yukarı akışlı sınırlamalar aşağı akışlı otomatik biçimde yayılırken, bunların düzeltilmesi bilinçli kurumsal tasarımı gerektirir. Dört uygulama aşamasından oluşan operasyonel bir yol haritası öneririz; teknik yeterlilikten ölçekli sorumluluğa kadar her aşama, dahil olduğu çerçeve alanlarına ve hizmet ettiği Sürdürülebilir Kalkınma Amaçları 3 hedeflerine eşleştirilmiştir; bu hedefler bulaşıcı hastalık taraması, kronik hastalık yönetimi, iş gücü …

kapasite ve evrensel kapsama. Bütünsel doğruluk, müdahaleye en çok ihtiyaç duyulan alt gruplardaki güvenilirlik kaybını gizlediği için yol haritası, alt grup düzeyinde adalet denetimini yerleştirmenin bir koşulu olarak öngörür.

1 Giriş

Küresel halk sağlığı, bulaşıcı olmayan hastalıkların (BHH) artan yükü ile akut bulaşıcı salgınların kalıcı tehdidi karşısında iki katlı bir zorlukla karşı karşıya. BHH’ler yıllık yaklaşık 41 milyon ölümle küresel ölümlerin %74’ünü oluşturur. Bu ölümlerden yaklaşık 15 milyonu 30 ile 69 yaşları arasında erken yaşta gerçekleşmekte ve erken ölümlerin %85’i düşük ve orta gelirli ülkelerde (LMIC’ler) meydana gelmektedir (). 2019 yılında, mental bozukluklar dünya çapında tahmini 970 milyon kişiyi etkilemiş ve küresel sakatlık-yılı (DALY) hesaplarının yaklaşık %5’ine katkıda bulunmuştur (). Akut bulaşıcı salgınlar son üç on yılda sürüklenerek ve dünya çapında sürekli olarak bildirilmekte, gözetim ve sağlık sistemi kapasitesi üzerinde yinelenen talepler yüklemektedir (). Bu zorluk, BHH’lerle ilgili Sürdürülebilir Kalkınma Hedefi (SKH) 3.4, evrensel sağlık kapsamıyla ilgili SKH 3.8 ve sağlık güvenliğiyle ilgili SKH 3.d’yi etkiler. Bu hastalık yükleri sık sık bir arada bulunduğundan, bu hedeflere yönelik ilerleme de birbirine bağımlıdır.

Mevcut gözetim altyapısı bu zorluğa cevap vermeye uygun değildir. Geleneksel sistemler büyük ölçüde pasif klinik tabanlı raporlamaya ve periyodik bütünsel raporlamaya dayanmakta, kanıya dayalı halk sağlığı eylemini kritik düzeyde zayıflatan günlerden haftalara kadar uzayan tepki gecikmeleri üretmektedir (–). Daha temel bir düzeyde, gözetimi tesis tabanlı olgu tespitine bağlayan geleneksel sistemler, hafif semptomatik, test edilmemiş ve asemptatik devasa nüfusları rutin tespitin kapsamı dışında bırakmaktadır (, ). Bangladeş’te koleranın endemik olduğu bir toplulukta, serolojik kanıtlar gerçek enfeksiyon yükünün gözetim tarafından yakalanan olgu sayısından üçten fazla büyüklük derecesinde fazla olduğunu göstermekte; bu kör noktanın yapısal, tesadüfi olmadığı vurgulanmaktadır ().

Yapay zeka ile mHealth’in birleşmesi, bu sınırlamaların üstesinden gelmek için potansiyel bir yol sunmaktadır. Akıllı telefonlar ve çok modlu giyilebilir cihazlar, sağlık izlemeyi epizodik, klinik tetikeli görüntülerden sürekli uzunlamasına veri akışlarına genişleterek, paradigmayı aktif, subklinik risk tespitine yönlendirmektedir (, , ). Bu akışlara uygulanan yapay zeka algoritmaları, bireysel risk izleklerini çıkarabilir, popülasyon düzeyinde uyarı sinyallerini tespit edebilir ve hedefli kaynak tahsiline yol açacak nicels kanıtlar üretebilir (, , ). Sürekli izlemenin ötesinde, yapay zeka destekli mobil araçlar aynı zamanda tesis temeli taramada da kullanılmıştır. Cilt görüntülerini bir renk kalibrasyon referansı ve doğum sonrası yaşla karşılaştırarak analiz eden, neonatal sarılıktan ötürü taramada bilirubin tahmini için geliştirilen ve zamansal olarak doğrulanan bir akıllı telefon uygulaması mevcuttur (). Çok ülkeli bir çalışma, mikrobiyolojik olarak doğrulanmış akciğer tüberkülozunun, akıllı telefonla kaydedilen öksürük seslerinden ayırt edebilecek yeni, bağımsız olarak doğrulanmış yapay zeka algoritmaları kullanabildiğini göstermiştir (). Düşük maliyetli akıllı telefonlarda yakalanan servikal görüntülerin otomatik değerlendirmesi, Zambiya’da servikal prekanserliği yüksek iç doğrulama performansı ile tespit etmiştir (). Bu uygulamalar, yapay zeka-mHealth’in topluluk temeli hastalık taramadaki kapsamını genişletmekte ve sınırlı kaynağa sahip bölgelerde tarama hizmetlerinin erişilebilirliğini artırmaya yönelik yeni teknolojik yollar sağlamaktadır. Buna göre, yapay zeka-mHealth, dağıtık algılamayı uç/bulut çıkarımı, uyumlu müdahale ve yönetimle birleştiren daha geniş AI-IoT bağlı sağlık ekosisteminin mobil ve giyilebilir katmanı olarak anlaşılabilir. Bu dermin kavramsal kapsamını netleştirmek amacıyla Tablo 1, beş ilgili ancak eşdeğer olmayan terimi teknolojik kapsamı, klinik işlevi ve uygulama düzeylerine göre ayırmaktadır (–).

Tablo 1

mHealth’den nüfus gözetimine: Bağlantılı sağlık ekosistemi içindeki temel kavramlar.

mHealth, hareketli sağlık; AI, yapay zekâ; IoT, Nesnelerin İnterneti.

Mevcut araştırmalar, giyilebilir algılama, dijital fenotipleme ve makine öğrenimi sınıflandırmasını büyük ölçüde ayrı teknik konular olarak ele almıştır (–). Bu parçalılık, bir AI-mHealth sisteminin bir bölümündeki sınırlamaların sonraki kararlar ve sonuçlar üzerindeki etkilerini izlemeyi zorlaştırmaktadır. Bu derleme, kanıtları dört birbirine bağlı alanda düzenler: Algılama, Çıkarım, Müdahale ve Yönetişim. Algılama veri üretimi ve kalitesini kapsar. Çıkarım, bu verileri klinik veya halk sağlığı kararlarında kullanılan çıktılara dönüştürür ve Müdahale, bu çıktıları bireysel veya popülasyon düzeyinde eyleme dönüştürür. Yönetişim, gözetim için gereklilikler belirleyerek ve sistem revizyonunu yönlendirmek için dağıtım sonrası kanıtları kullanarak diğer üç alanın üzerinden işler. WHO’nun Sağlıkta Dijital Müdahaleler, Hizmetler ve Uygulamaların Sınıflandırması, dijital sağlık müdahalelerini sağlık sistemi ihtiyaçlarına, işlevsel yeteneklere ve hizmet veya uygulama türlerine göre düzenler (). Burada kullanılan çerçeve, bu taksonomiyi AI-mHealth yaşam döngüsü boyunca bağımlılıkları izleyerek tamamlar. Analitik bir iskelet olup bir sınıflandırma sistemi olarak validasyon edilmemiştir. Bu bakış açısı, halk sağlığı gözetiminde AI-mHealth’ı destekleyen kanıtların, uygulamaya geçişi engelleyen yapısal engellerin ve SDG 3’e ilerleme üzerindeki sonuçların derlemesini yönlendirir.

2 Yöntemler

2.1 Derleme tasarımı ve kapsamı

Bu makale, anlatılı bir derleme ve kanıta dayalı kavramsal bir sentez olarak tasarlanmıştır. Amacı, biyomedikal, mühendislik, uygulamaya geçiş ve yönetişim araştırmalarından heterojen kanıtları birleştirmek ve fırsatların ve sınırlamaların Algılama–Çıkarım–Mudahale–Yönetişim yol boyunca nasıl yayıldığını incelemektir. Derleme, sistematik bir derleme veya meta-analiz olarak tasarlanmamış ve tüm ilgili yayınları tüketici biçimde saymayı ya da birleştirilmiş müdahale etkilerini tahmin etmeyi amaçlamamıştır.

2.2 Edebiyat tespiti

İlgili literatür, makalenin geliştirilmesi sırasında PubMed/MEDLINE ve Web of Science Core Collection üzerinde tekrarlanan, kavram odaklı aramalar aracılığıyla belirlendi. Biyomedikal ve halk sağlığı kanıtlarını belirlemek için PubMed/MEDLINE kullanılırken, Web of Science Core Collection, Science Citation Index Expanded kapsamı aracılığıyla aramayı; PubMed/MEDLINE’da indekse alınmayan bilgisayar bilimi, biyomedikal mühendislik ve dijital sağlık dergilerine genişletti. Veritabanı aramaları, temel yayınların geriye ve ileriye atıf takibiyle ve otoriter kaynaklardan ilgili kavramsal, politika, düzenleyici ve kurumsal belgelerin hedefli biçimde belirlenmesiyle desteklendi.

Literatür araması esas olarak Ekim 2015’ten Eylül 2026’ya kadar yayımlanan içerikleri kapsarken, orijinal Ocak 2026 bitiş noktası makale revizyon ayına kadar uzatıldı. Temel kavramları, yerleşik teknolojileri veya ilgili sağlık sistemi ve uygulama çerçevelerini tanımlamak gerektiğinde, daha eski temel nitelikteki yayınlar korundu.

Arama kavramları, yapay zeka ile mobil, giyilebilir ve bağlantılı sağlık sistemleri için temel terimler ile sensörler ve sinyal kalitesi, tahmin ve risk katmanlandırma, uyumlu müdahale ve kaynak tahsisi ve eşitlik, gizlilik, siber güvenlik, etkileşim, hesap verebilirlik, model kayması ve insan gözetimi gibi alana özgü kavramları birleştirdi. Terimler Boolean operatörleriyle birleştirildi ve biyomedikal, halk sağlığı ve mühendislik araştırmaları arasındaki terminoloji ve indeksleme farklarına göre tekrarlayan biçimde uyarlandı. Yukarı yönlü teknik konuları—örneğin sensör geçerliliği veya sinyal bozulması—kapsayan yayınların, aşağı yönlü müdahale veya yönetişimle ilgili terimler içermeyebileceğinden, alan özgü ayrı arama kombinasyonları kullanıldı. Tam terim listesi ve Boolean birleştirme mantığı, Ek Tablo S1’de sunulmaktadır.

2.3 Kanı seçimi, sentezi ve çerçeve geliştirme

Kaynaklar, resmi bir sistematik derleme uygunluk sürecinden geçirmek yerine, çerçevenin bir veya birden fazla alanında taşıdıkları ilgililik ve kanıt katkısı açısından değerlendirildi. Derleme başlıca, AI destekli mobil, giyilebilir, IoT, bağlantılı sağlık veya halk sağlığı uygulamalarını ele alan ampirik çalışmalar, kanıt derlemeleri, teknik ve metodolojik yayınlar, kavramsal çerçeveler ve yetkili politika veya düzenleyici beleleri göz önüne aldı. Öncelik; kanıt derlemeleri, çok merkezli veya ileriye dönük çalışmalar, dış geçerlilik çalışmaları, teknik açıdan özlü mühendislik araştırmaları, konsensüs açıklamaları, düzenleyici yönlendirmeler ve doğrudan uygulama, sağlık eşitliği veya yönetişimi ele alan çalışmalara verildi. Ölçüm hatası, alt grup farklılıkları, sınırlı etkililik, uygulama başarısızlığı veya istenmeyen sonuçlar bildiren kaynaklar; olumlu teknik veya klinik performans bildiren çalışmalarla birlikte değerlendirildi; yalnızca dolaylı ilgililiği olan veya ilgili savunmayı desteklemek için yeterli bilgi içermeyen kaynaklar başlıca kanıt olarak alınmadı.

Edebiyat taraması ve ilk ilgililik değerlendirmesi öncelikle C.Z. ve W.J. tarafından yürütüldü. Kanıtın kavramsal örgütlenmesi, alanlar arası ilişkilerin yorumlanması ve çerçevenin son yapısı, yazar ekibi tarafından görüşülüp incelendi.

Kanıtlar betimleyici bir biçimde sentezlendi ve temel teknik veya uygulama sorununun ortaya çıktığı aşamaya göre düzenlendi: Sensing içinde veri üretimi ve kalitesi; Inference içinde model geliştirme, geçerlilik ve uygulama; Intervention içinde bireysel veya popülasyon düzeyinde eyleme dönüştürme; Governance içinde yaşam döngüsü gözetimi. Birden fazla aşamaya değinen yayınlar birden fazla alana ışık tuttu. Alanlar arası ilişkiler, yukarı kaynaklı sınırlamaların, örneğin ölçüm hatası veya demografik yetersiz temsilin, aşağı kaynaklı çıkarım, müdahale ve gözetim risklerine nasıl yayılabileceğini belirlemek amacıyla incelendi. Dört alanlı çerçeve, AI destekli mHealth sistemlerinin ardışık yaşam döngüsünü temsil eden, yazarlar tarafından oluşturulmuş bir analiz iskeleti olarak geliştirildi. Doğrulanmış bir taksonomi veya resmi bir sınıflandırma sistemi olması amaçlanmadı.

Nihai sentezi, ampirik çalışmalar, kanıt değerlendirmeleri, teknik ve metodolojik yayınlar, kavramsal çerçeveler ve yetkili politika veya düzenleyici belgeleri kapsayan 106 kaynak destekledi.

3 Çok modalli algılama, dijital fenotipleştirme ve veri kalitesi

Yapay zekâ çıkarımının performans sınırı, veri edinme noktasında belirlenir; algoritmik iyileştirme, yukarı yönlü sensör sınırlamalarını veya kullanıcının uyum göstermemesini telafi edemez. Fotopleizmografik (PPG) sensörler, sürekli kalp atım hızı değişkenliği (HRV) tahmini, kan basıncı eğilim izlemi ve atrial fibrilasyon taraması için destek sağlar (). PPG kaynaklı kalp atım hızı, hareket artefaktına ve cilt pigmentasyonuna duyarlıdır; ancak pigmentasyon kaynaklı hata, tüm cihazlarda ve kullanım koşullarında tutarlı biçimde ortaya çıkmaz (). Hung ve arkadaşları, dinlenme halinde Fitbit Charge 5 için anlamlı bir pigmentasyon kaynaklı kalp atım hızı hatası bildirmemiştir; ancak kalp atım hızı rezervinin %60’ının üzerinde ortalamalı mutlak hata, koyu tenli grupta 16,5 bpm’ye ulaşmış ve aynı yoğunlukta açık tenli gruptaki (3,5 bpm) değerin yaklaşık 4,7 katı olmuştur (). Mulholland ve arkadaşları, pigmentasyon ile kalp atım hızı hatası arasındaki ilişkinin cihazdan bağımlı olduğunu ancak ayırdedici değerlerin test edilen üç cihazın tümünde koyu tenli katılımcılar arasında beklenenden fazla yoğunlaştığını bulmuştur (). Bu nedenle PPG kalp atım hızı performansı belirgin biçimde cihazdan ve bağlamdan bağımlıdır; doğruluğu ve veri kalitesi, cihazlar, cilt tonları ve egzersiz yoğunlukları ayrı ayrı doğrulanmalıdır. Klinik çevirim ise doğrulama açıkları nedeniyle hâlâ sınırlıdır: manşet gerektirmeyen PPG tabanlı kan basıncı tahmini, çoğunlukla normal kan basıncına sahip kohortlarda değerlendirilmiş ve yerleşik doğruluk standartlarını karşılamamıştır ( 30 ).

Inersiyel ölçüm birimleri (IMU’lar) ve ivmeölçer temelli giyilebilir cihazlar, yaşlı yetişkinlerde yürüyüş analizi ve düşme riski değerlendirmesi alanında yerleşik bir kanıt birikimine sahip olsa da, hastalığa ait değişiklikleri; düşme korkusu gibi geçici durumsal karıştırıcı etkenlerden güvenilir biçimde ayırt edememektedir (31, 32). Düşme korkusu tazmini gibi geçici durumsal karıştırıcı etkenlerden (33) güvenilir biçimde ayrım yapamamaktadırlar. Mikroakışkan platformlar, biyofluidlerde glikoz, laktat ve kortizol için gerçek zamanlı paralel tespit imkanı sunar (34); pilsiz, cilde temas eden sistemler ise eşzamanlı elektrokimyasal, kolorimetrik ve hacimsel ter analizi göstermektedir (35). Ancak, standart kan kimyasıyla uyum henüz yerleşmemiştir ve sınırlı uzun vadeli sensör kararlılığı ile sinyal sürüklenmesi klinik çeviriyi zorlaştırmaktadır.

Giyilebilir ECG cihazları ve ECG yamaları, ambulatuvar izlemeyi kalp elektrik aktivitesi ve aralıklı aritmik olaylara kadar genişletmektedir; ancak sinyal kalitesi elektrot temasına, cihaz yerleşimine ve harekete bağlı artefaktlara duyarlı kalmaktadır (36). Akustik hissetme; akıllı telefonlar ve giyilebilir cihazlar aracılığıyla öksürük sıklığının ve akustik özelliklerinin nesnel izlemesini olanaklı kılmaktadır, ancak performansı arka plan gürültüsünden, öksürük dışı seslerden, heterojen kaydedilme koşullarından ve sınırlı kitleler arası doğrulamadan etkilenebilir (37). Tablo 2, bu temsilci hissetme biçimleri boyunca teknik özellikleri, sınırlamaları ve AI çıkarımı üzerindeki etkilerini karşılaştırmaktadır.

Tablo 2

AI destekli mHealth’de temsilî duyum modaaliteleri: avantajlar, sınırlamalar ve AI çıkarımı açısından sonuçları.

AI, yapay zeka; ECG, elektrokardiogram; HRV, kalp atım hızı değişkenliği; IMU, eylemsizlik ölçüm birimi; PPG, fotopleizmografya.

Dijital fenotipleştirme, gözetimi periyodik kesit görüntülerinden fizyolojik ve davranışsal durumların boylamalı izlemine genişletir; ruh sağlığı ve kardiometabolik yönetimde uygulamaları artmaktadır ( 38 – 41 ). Ancak klinik yorumlanabilirliği, kritik biçimde tarihsel taban değerlere ve etkin öz-raporlama köklenmesine dayanır; bunlar olmadan, rutin dalgalanmalar patolojik sinyaller olarak yanlış sınıflandırılma eğilimindedir ( 39 , 40 ). Başka bir kısıtlama ise, azalan kullanıcı ilgini yansıtan ve ırk ile etnik kökene göre sistematik biçimde farklılık gösteren veri eksikliğinin rastlantısal olmayan örüntüsüdür; ortaya çıkan seçim yanlılığı, en iyi stratejileri hâlâ yerinde tespit edilmemiş olan eksik tamamlama ile yalnızca kısmen geri kazanılabilir ( 42 , 43 ).

4 AI çıkarımı: bireysel risk katmanlandırmasından popülasyon düzeyinde gözetime

Bu alanda yapay zekanın temel katkısı, çok modlu veri akışlarından klinik açıdan anlamlı özellikler çıkarmak ve algoritma çıktılarını klinik triyaj ve halk sağlığı müdahalesi için uygulanabilir kanıtlara dönüştürmekdir. Hem bireysel risk stratifikasyonu hem de popülasyon düzeyinde anormallik tespiti, ortak bir dönüştürücü kısıtlama paylaşır: model performansındaki artışlar otomatik olarak klinik veya halk sağlığı etkisine dönüşmez.

4.1 Zamansal modelleme ve uçta (edge) dağıtım

Model ailesi düzeyinde, rastgele ormanlar ve aşırı gradyan yükseltme (XGBoost) gibi toplu yöntemler, kardiyovasküler ve kronik hastalık kohortlarında sağlam sınıflandırma performansı göstermektedir ( 44 , 45 ). Ancak zamanlı bağımlılıkları yakalama kapasitleri sınırlıdır. Kısa süreli bellek (LSTM) ağları kısa menzili fizyolojik bağımlılıkları yakalayabilmekle birlikte, uzun menzili olaylar arası bağımlılıkları zayıflatma eğilimindedir; öze-dikkat temelli Transformer tabanlı modeller ise heterojen örnekleme ve uzun vadeli dizilere daha uygundur ( 46 , 47 ). Giyilebilir cihazlardan elde edilen dinlenme kalp atım hızı ve kalp atım hızı değişkenliği ölçütlerindeki değişimler COVID-19 durumunda semptom başlangıcından günlerce, bazen bir haftadan fazla önce gelebilmektedir ( 48 , 49 ); kontrollü influenza ve rhinovürüs meydan okuma çalışmalarında ise bu değişimler 12–36 saat içinde gözlemlenmektedir ( 50 ). Buna karşın, derin öğrenme mimarilerinin şeffaflığının olmaması klinik sorumluluğu zorlaştırmaktadır—güçlü toplu performans güvenilirliği garanti etmemektedir ( 51 ). Dağıtım düzeyindeyse, tiny machine learning (TinyML), hafif ağ tasarımı ve model sıkıştırması yoluyla cihaz üzerinde çıkarım yapmayı sağlayarak ağ bağlantısına olan bağımlılığı azaltmaktadır ( 52 , 53 ). Nicetlenmiş modeller, kavram kanıtı sistemlerde mikrodenetleyiciler üzerinde gerçek zamanlı kardiyak monitörlemeyi destekleyebilmektedir; bir aritmi sınıflandırma prototipi 25 USD’den daha ucuza mal olan bir donanım üzerinde uygulanmış ( 54 ), bir tansiyonsuz kan basıncı modeli ise yalnızca tamsayı aritmetiği kullanarak bir mikrodenetleyici üzerinde çalıştırılmıştır ( 55 ). Ancak model sıkıştırması demografik alt grupları dengesiz şekilde etkileyebilir: bir cilt lezyonu yerleştirme çalışmalarında, %70 büyüklük bazlı budama, kadın hastalarda erkek hastalara göre %8’den fazla oran yerleştirme performansını düşürmüştür ( 56 ). Bu sorunu çözmek için adalet kısıtlamalı budama, standart büyüklük bazlı budaya göre etnik gruplar arasındaki eşit fırsat farkını 11,6’dan 3,9 puanlık bir değere indirmiştir ( 57 ). Bu alt grup kanıtları büyük ölçüde tıbbi görüntüleme çalışmalarından gelmekte ve giyilebilir biyisinyal modellerinin sıkıştırma öncesi ve sonrasındaki demografik alt grup performansına dair kanıtlar sınırlı kalmaktadır. Bu nedenle araştırmacılar, sıkıştırma öncesi ve

sıkıştırma sonrasında, genel doğruluk ve hesaplama verimliliği ile birlikte, düşük maliyetli akıllı izlemede eşitsiz performans riskini azaltmak amacıyla ön dağıtım doğrulamasına dahil edilmektedir. Model aileleri, dağıtım yapılandırmaları ve eğitim stratejileri, AI destekli mHealth sistemlerinin birbirinden farklı ancak birleştirilebilir boyutlarını temsil eder. Tablo 3, performans özelliklerini, sınırlamalarını ve eşitlik yönlerini karşılaştırmaktadır.

Tablo 3

AI-mHealth sisteminde modelleme, yayılım ve eğitim için temsilî yaklaşımlar: avantajlar, sınırlamalar ve adalet değerlendirmeleri.

Model ailesi, yayılım yapılandırması ve eğitim stratejisi, AI-mHealth sistemlerinin birbirinden farklı ancak birleştirilebilir boyutlarını temsil eder. AI, yapay zekâ; ECG, elektrokardiyogram; LSTM, uzun kısa süreli hafıza; PPG, fotopleizmografi; TinyML, küçük makine öğrenmesi; XGBoost, aşırı gradyan güçlendirmesi.

4.2 Nüfus gözetimi ve federe eğitim

Epidemiyolojik verilerin arama davranışı, sosyal medya ve giyilebilir biyosinyaller gibi dijital veri akışlarıyla entegre edilmesi, popülasyon düzeyinde anormal durum tespiti açısından ilerleme kaydedebilir ( 58 – 61 ); ancak birleştirilmiş sinyaller bireysel klinik risk düzeyine indirgenemez ve yüksek yanlış pozitif oranları kamu güvenini zedeleyebilir. Dağıtık eğitim stratejisi olarak eşitlenmiş öğrenme, ham veriyi yerelde korurken kurumlar arası işbirliğine dayalı model geliştirmeyi de destekler ( 62 , 63 ). Yine de veri yerelliği baş başına temsilî adaleti garanti etmez: standart birleştirme altında, küçük veya kaynak açısından kısıtlı düğümler küresel model güncellemelerinde yeterince ağırlıklandırılmayabilir ve düğüm boyutları ile veri kalitesi arasındaki farklar küresel modele yansıyabilir ( 64 ). Adalet bilincine dayalı optimizasyon, hastaneler arası performans farklarını açıkça cezalandırarak büyük katkı sağlayıcıların küresel modeli ne kadar şekillendirdiğini azaltabilir ( 65 ). Yine de site düzeyinde adalet, demografik alt grup adaletini garanti etmez ( 66 ). Her iki yaklaşım da temel bir sınırlamayı paylaşır: teknik bir sinyalin halk sağlığı müdahalesini tetiklemesi gerektiği kurumsal tasarımın, algoritmik kapasitenin konusu değildir.

5 Kapatılmış döngü müdahalesi: yürütme etkinliği ve kaynak tahsisi

5.1 Zamanında uyumlu müdahaleler (JITAIs): uygulamalar ve zorluklar

AI destekli mHealth müdahalesi, iki birbirine bağımlı düzeyi kapsar—bireysel gerçek zamanlı destek ile popülasyon düzeyinde kaynak planlaması—ve bu iki düzey arasındaki iki yönlü geri bildirim bütünleşik bir döngü oluşturur: bireysel çıktılar sistem risk tahminlerini günceller, popülasyon verileri ise bireysel eşikleri düzenler. JITAIs, bireysel düzeyi; karar noktaları, müdahale seçenekleri, uyarlama değişkenleri ve karar kurallarından oluşan uyumlu bir mimari aracılığıyla yüksek riskli, yüksek fırsat anlarında hedefli destek vererek karşılar ( 67 , 68 ); mikrorandomize deneyler, uyumlu atama altında etkilerini değerlendirmek için nedensel çıkarım çerçevesini sağlar ( 69 ). Çoğu sistem hâlâ uyarlama için öz-bildirime dayanır; pasif algılama temelli uyarlama ise henüz gelişme aşamasındadır ( 67 , 70 ).

İşaretli bildirim yanıt oranlarındaki düşüşler, tasarım vurgusunun gönderim sıklığından, her bildirimin zamanlamasına ve içeriğinin güncelliğine kayması gerektiğini öne sürüyor ( 71 , 72 ). Bildirim yorgunluğuna karşı temel bir koruma, karar kurallarının sistemin bir bildirimi göndermemeyi seçebilmesini sağlar: Bir kullanıcı tekrar tekrar bildirimleri görmezden gelirse veya kendi kendini raporlamayı bırakırsa, bu sinyallerin kendisi kullanıcının geçici olarak destek almanın dışında olduğunu gösterir ve göndermek yerine gönderimin ertelenmesi daha uygundur ( 73 ).

Mikro rastlantısal deneyler, her karar noktasında bağımsız olarak rastlantısal atama yaptığı için, müdahale etkilerinin zamanla azalıp azalmadığını test edebilir. Bağlamına göre uyarlanan yürüyüş önerileri, ilk günde 30 dakikalık adım sayısını belirgin biçimde artırdı, ancak etki günlük yaklaşık %3 oranında azaldı ve 29. günde artık ölçülebilirliğini yitti ( 71 ). Başka bir deneyde etki azalmadı; bildirimler kullanıcıların uygulamayı açma olasılığını 30 gün boyunca artırmaya devam etti, ancak etkileşimi bırakma süresi üç politika arasında farklılık göstermedi: sabit günlük bildirim, rastlantısal bildirim ve hiç bildirim yok ( 72 ). Anlık yanıtlanabilirlikteki artış, kullanım süresini uzatmadı. Bu, uzun süreli kullanımı sürdürmenin, gönderim sıklığını ayarlamaktan çok, her kullanıcının gerçek yanıtlarına göre gönderim zamanlamasını sürekli yeniden düzenleyen karar kurallarına bağlı olduğunu gösteriyor; kurallar bir kez sabitlendiğinde, kullanıcıların yavaş yavaş edindiği alışkanlığa uyum sağlayamazlar ( 68 ).

Nüfus düzeyinde, operasyonel araştırma yöntemleri mobil klinik güzergahlarının optimize edilmesi ve adil iş yükü dağıtımı alanında değerini kanıtladı ( 74 ), izleme verilerinin bölgesel talep profilleriyle birleştirilmesi ise yapay zekâ destekli dinamik bölge önceliklendirmesini daha ileri taşıyabilir ( 75 ); ancak maliyet-etkinlik, adalet ve siyasi uygulanabilirlik arasındaki denkleşmeler algoritma ile belirlenemeyecek düzeyde karmaşıktır.

5.2 Kapalı döngü kanıtı: uzaktan kalp yetmezliği yönetimi

Kalp yetmezliği yönetimi, AI destekli mHealth kapalı döngüsünün en kapsamlı biçimde belgelenmiş klinik örneğini sunar. Planlı olmayan 30 günlük hastaneye yeniden yatışlar, toplam indeks yatış maliyetlerinin yaklaşık %32’sine eşdeğer maliyetlere yol açar ( 76 ); giyilebilir cihazlarla HRV, gece dinlenme kalp hızı ve aktivite düzeylerinin yakalanması dekompantasyon seyirinin karakterize edilmesine yardımcı olabilir ( 77 ), bu sinyalleri klinik kayıtlarla birleştiren AI modelleri yakın gerçek zamanlı hastaneye yatış riski sınıflandırmasında umut verici sonuçlar göstermiştir ( 78 ) ve bu yaklaşımı doğrulamak amacıyla SMART-CARE gibi prospektif çok merkezli çalışmalar sürmektedir ( 79 ). Sınıflandırılan hastalar ayrıntılı yollar yönlendirilebilir: uzaktan izleme, ilaç optimizasyonu, tele-tıp veya hemşire önderliğinde değerlendirme ( 80 – 82 ). Şekil 1, çok modlu izlemenin kalp yetmezliği kötüleşmesinin daha erken tespitine ve zamanında klinik değerlendirmeye nasıl yardımcı olabileceğini göstermektedir. Bununla birlikte, hastaneye yeniden yatış üzerindeki etkisi belirsizdir ve cihazlara, hasta popülasyonlarına ile uygulama ortamlarına göre değişebilir ( 77 , 80 ).

Şekil 1

6 Sorumlu yönetim: algoritmik önyargı, dijital uçurum, veri yönetişimi ve gözetim, düzenleyici çerçeveler ve üretken AI sınırları

Algoritmik önyargı, dijital uçurum, klinik doğrulama açıkları, veri yönetişimi hataları, siber güvenlik ve insan gözetimi ile düzenleyici gecikme—analitik açıdan birbirinden ayrı olsalar da—karşılıklı olarak birbirini güçlendiren bir risk sistemini oluşturur. Eğitim verilerinde ana alt popülasyonların sistematik biçimde eksik temsil edilmesi hizmet adaletsizliğini derinleştirir; pazar öncesi kanıt gereksinimlerinin yetersiz olması, önyargılı araçların yaygınlaşmasına izin verir ve hassas popülasyonlar üzerinde orantısız zarar verir. Bu nedenle sorumlu yenilik, teknik gelişim boyunca halk sağlığı değerinin gerçekleştirilmesinin ayrılmaz bir parçasıdır.

6.1 Algoritmik önyargının sistemik kökenleri ve düzeltici yollar

Önyargılar, algılama, toplama, çıkarsama ve müdahale katmanları boyunca sırayla birikir. Algılama aşamasında, cihaz- ve bağlama bağımlı PPG ölçüm farklılıkları, demografik gruplar arasında veri kalitesinde sistematik farklar yaratabilir. Bu riskler, halka açık uzaktan PPG veri setlerinde daha koyu tenli bireylerin yeterince temsil edilmemesiyle ( 83 ) daha da büyütülebilir. Toplama aşamasında, giyilebilir cihazlara erişim gelirle azalır ( 84 ), eğitim dağılımlarını daha refahlı ve dijital olarak aktif nüfuslara doğru kaydırır; eşit öğrenme çerçeveleri, önceden var olan dengesizlikleri otomatik olarak düzeltmez, çünkü düğüm katılımı ve veri kalitesindeki farklılıklar küresel modellere yayılabilir ( 62 , 63 ).

Depresyon tahmini için akıllı telefondan elde edilen pasif algılama verilerinin incelendiği bir çalışmada, ortalama performansın kabul edilebilir olsa da ırk, cinsiyet ve sosyoekonomik durum tarafından tanımlanan alt gruplar arasında önemli güvenilirlik farklılıkları bulunduğu görüldü. Algoritmik etkinlik, müdahaleye en çok ihtiyaç sahip olan hassas alt gruplarda en fazla azaldı; güvenilirlik, önceden yükselmiş depresyon yükü taşıyan alt gruplarda en düşüktü ( 85 ). Şekil 2, önyargı birikimini dört katmanda (S1–S4) buna karşılık gelen yönetişim düzeltmeleriyle eşleştirir. Son rehberler, grup bazında performans değerlendirmesi, farklılıkların şeffaf şekilde raporlanması ve kamu sağlığı iddia eden sistemlerde kalan önyargının azaltılması önerilmektedir ( 86 , 87 ).

Şekil 2

6.2 Dijital uçurum ve yaşa uygun erişilebilirlik

Kronik hastalık yükü ve dijital dışlanma, aynı yaşlı nüfus gruplarında yoğunlaşır. Yaşlı kullanıcılar, üst üste biriken işlevsel engellerle karşı karşıya gelir. Görsel keskinlikteki azalma, yazı tipi boyutu ve ekran kontrastına karşı duyarlılığı artırırken; ince motor kontrolündeki düşüş, çok adımlı etkileşimlerin gerekliliklerini yükseltir ( 88 ). Bilişsel gerileme, yüksek bilgi yoğunluğu ve karmaşık görev dizilerine karşı hassasiyeti daha da artırarak süregelen katılımı azaltır ( 89 ). Anlamlı, yaşa uygun tasarım; karmaşık dokunma hareketleri yerine büyütülmüş ve iyi ayrılmış dokunma hedefleri, erişilebilir kılavuzlar ve ekran okuyucu ile uyumlu veri gösterimleri ve süregelen kullanım için tolere edilebilir düzeyde bilişsel yük gerektirir ( 88 – 90 ).

6.3 Klinik geçerlilikteki gecikme ve yaşam döngüsü düzenlemesine yönelim

Büyük düzenleyici makamlar, tek seferlik onaydan yaşam döngüsü düzenlemesine geçmiş olsa da, ileriye dönük klinik kanıtlar bu değişimle aynı hızı yakalayamamıştır ( 91 ). Son analizler, FDA onaylı AI destekli tıbbi cihazların önemli bir kısmında klinik geçerliliğin sınırlı ya da eksik biçimde raporlandığını, gerçek dünya performans izleminin ve klinik fayda değerlendirmesinin yetersiz tiên kaldığını göstermektedir ( 92 , 93 ). AI sistemleri, girdi verisindeki, kullanım bağlamındaki ve nüfus yapısındaki değişimlere yanıt olarak sürekli evrildiğinden, tek noktada yapılan statik geçerlilik sürdürülebilir güvenilirliği garanti edemez ( 93 ). Bu nedenle temel düzenleyici soru, pazar sonrası güvenilirlikle ilgilidir. Gerçek dünya performans izlemi, alt grup yeniden geçerliliği ve model kayması tespiti, ilk onayı takiben rutin süreçler olarak kurulmalıdır ( 87 , 93 , 94 ).

6.4 Veri sorumluluğu, siber güvenlik ve insan gözetimi

AI destekli mobil sağlık yönetişimi aynı zamanda açıklayıcı gizli koruma, veri sorumluluğu, etkileşim ve siber güvenlik gerektirir. Veri kontrolü, erişimi, yeniden kullanımı ve saklanması hakkındaki hak ve sorumluluklar hastalar, sağlık hizmeti verenler ve tedarikçiler arasında açıkça tanımlanmalıdır ( 95 ). Şeffaf olmayan yeniden kullanım koşulları güveni ve katılımı zayıflatabilir, bölüm 6.1’de betimlenen temsil dengesizliğini derinleştirebilir. Etkileşim, cihazlar ve kurumlar arasında veri alışverişini sağlar; ancak özel formatlar bakım sürekliliğini ve koordineli görev paylaşımını engelleyebilir ( 86 , 93 ). Daha geniş alanda veri alışverişi aynı zamanda saldırı yüzeyini de genişleterek şifreleme, kimlik doğrulama, güvenli güncelleme mekanizmaları ve açıkça atanmış olay yanıtı sorumlulukları gerektirir ( 96 , 97 ). Düzenleyici gereksinimler hâlâ eşit değildir. ABD FD&C Yasası’nın 524. bölümü, siber cihazlara yönelik pazar öncesi başvuruların siber güvenlik açıkları için pazar sonrası izleme ve düzeltme planları içermesini gerektirir ( 97 ). Buna karşılık, model kayması ve alt grup performansına ilişkin karşılaştırılabilir rutin raporlama, AI destekli cihazlarda genel olarak gerekli değildir ( 93 ). Bu nedenle etkili yönetişim hesap verebilirliğe dayanır: atanmış klinik ve kurumsal aktörler, yüksek riskli çıktıları gözden geçirme, otomatik önerileri geçersiz kılma ve başarısızlıkları inceleme yetkisini elinde tutmalı; AI ile ilgili hatalara ilişkin sorumluluklar hekimler, sağlık kuruluşları, geliştiriciler ve üreticiler arasında önceden belirlenmelidir ( 87 ).

6.5 Büyük dil modellerinin yetkinlik sınırları ve yönetişim konumlanması

Kod üretimi araçlarıyla donatılmış büyük dil modelleri (BDM’ler), kanıt kavramı değerlendirmelerinde uzun süreli giyilebilir veri doğal dil özetlerine dönüştürme ve davranışsal bilim ilkelerini kullanarak davranışsal müdahale önerilerini kişiselleştirme kapasitesi göstermiştir ( 98 , 99 ). Yaygın incelemeler, BDM’lerin sağlık bilgisi düzenlemesi, risk iletişimi ve destekleyici etkileşimdeki güvenilir rolü üzerinde ısrar eder; ancak otonom, yüksek riskli klinik karar vermeye uygulamaları, güncel kanıt tabanlarının ötesine geçer ve insan klinik muhakemesinin yerini almamalıdır ( 100 ).

Birçok sınırlandırma hâlâ iyi belgelemiştir. LLM tabanlı tıbbi özetlemede yapılan güvenlik değerlendirmeleri, uydurma çıkarımları ve klinik açıdan önemli atlamaları ortaya koymuştur ( 101 ); prompt mühendisliği bazı hataları azaltabilir, ancak hiçbir strateji bunları güvenilir şekilde ortadan kaldıramamıştır. Hasta bilgilerinin büyük ölçekli üretken sistemlere girdiği durumlarda veri koruma da önemini korumaktadır ( 102 ); ayrıca yüksek hesaplama ve bağlantı gereksinimleri, kaynak sınırlı ortamlarda yeni erişim engelleri yaratabilir ( 93 , 100 ).

mHealth alanında LLM’lerin uygun yönetişim konumlandırması, açıklama, davranış değişikliği ve sağlık iletişimini destekleyen bir tamamlayıcı olarak yapılmalıdır. Görev kapsamı açıkça sınırlandırmalı ve insani klinik muhakeme korunmalıdır. Güvenilirlik sınırları tanımlanmalı ve işletsel olarak uygulanmalıdır.

7 Tartışma

7.1 Sınırlamaların alanlar arası yayılması ve düzeltme sorumluluğu

Dört alan birbirinden bağımsız değildir. Yukarıda ortaya çıkan sınırlamalar, teknik zincir boyunca sonraki aşamalara yayılabilir ve bunları düzeltmek genellikle ek doğrulama, kaynak ve sorumluğun belirlenmesini gerektirir.

PPG buna bir örnektir. Egzersiz koşullarında cilt rengiyle ilgili ölçüm hatası, sinyal kalite kontrolü veya model doğrulaması sırasında tespit edilmezse risk skorlarına girebilir. Toplam doğruluk bu duruma duyarlı değildir: Cihazlar ve algoritmalar ortalama olarak iyi performans gösterebilirken, belirli alt gruplarda daha büyük kalp atış hızı tahmin hataları verebilir ve bu farklar, kamu veri setlerinin bu alt grupları yeterince temsil etmediği durumlarda sistematik olarak tespit edilmesi zor olabilir (, 83 ). Risk skorları ardından tek bir eşik ile karşılaştırıldığında, bu farklar alt gruba özgü yanlış sınıflandırma oranlarına ve müdahale tetikleme olasılıklarına dönüşebilir.

Bu sorunun üstesinden gelmek, sonuç etiketlerinin sürekli olarak toplanmasını, alt grup doğrulamasını ve gerekli durumlarda eşik değerlerin yeniden kalibrasyonunu gerektirir. Ancak uzun vadeli sonuç etiketleri ve demografik açıklamalar mobil sağlık ortamlarında sık sık eksik olur ve yeniden doğrulama ek maliyet gerektirir. Bu sorumlulukların cihaz geliştiricileri, algoritma sağlayıcıları mı yoksa uygulamayı gerçekleştiren kurumlar mı üstleneceği henüz netleşmemiştir. Yaygınlaştırma sonrası performans kayması aynı sorunu ortaya koyar: Rutin izleme ve açık denetim tetikleyici kriterler olmadan, performans düşüşü uzun süreler boyunca fark edilmeden kalabilir ( 93 , 94 ).

Bu nedenle uygulama yol haritası, risklerin nerede olduğunu belirtmenin yanı sıra, bunları kimin düzelteceği, hangi kaynak koşulları altında ve hangi doğrulama gereksinimlerine göre düzeltileceği de belirtilmelidir. Bu çerçevede Tablo 4, teknik hazırlık, klinik uyum, iş gücü ve sistem entegrasyonu ile ölçek düzeyinde hesap verebilirlik olmak üzere dört faz önermekte ve her fazı belirli SDG 3 hedefleriyle eşlemektedir.

Tablo 4

Çerçeve alanları ve Sürdürülebilir Kalkınma Amaçları 3 hedefi boyunca AI destekli mobil sağlık uygulaması için dört aşamalı operasyonel yol haritası.

AI, yapay zeka; CAD-CXR, grafikleştirilmiş radyografik görüntülemeye dayalı bilgisayar destekli tespit; EHR, e-sağlık kaydı; SKA, Sürdürülebilir Kalkınma Amaçları; TB, tüberküloz; TinyML, küçük ölçekli makine öğrenmesi.

7.2 Kenar dağıtımında kaynak-performans ödünleşimi

Kenar dağıtımı; bellek, hesaplama kapasitesi, gecikme ve enerji tüketimi açısından sınırlıdır ve çoğu zaman daha küçük ağ mimarileri veya nicelleme, budama ve bilgi aktarımı yoluyla model sıkıştırması gerektirir. Sıkıştırma, doğrulukta kayıplara yol açmak zorunda değildir; etkileri göreve, model mimarisine ve sıkıştırma yoğunluğuna bağlıdır. İyi tasarlanmış yaklaşımlar, orijal performansın çoğunu korurken hesaplama talebini azaltabilir ( 52 , 53 ).

Bununla birlikte, orijal modelle karşılaştırılabilir kümülatif doğruluk, kalibrasyon, kararlılık ve alt grup performansının da aynı derecede korunduğunu göstermek zorunda değildir. Bu nedenle kenar modellerinin değerlendirmesi; model boyutu, gecikme, enerji tüketimi, kalibrasyon ve en kötü alt grup performansını dikkate almalı, yalnızca ortalamalıklı doğruluk raporlamak yerine bu unsurları içermelidir. Bulut veya bölgesel sunuculara dayalı dağıtık mimarilerde, özellikle kararsız bağlantı ortamlarında, ağ kesintileri sırasında temel çıkarım, yerel veri tamponlama ve anormal bulguların üst seviyelere aktarılması da kullanılabilir olmalıdır.

7.3 Kaynak kısıtlı ortamlarda uygulama koşulları

Tablo 4’te sunulan aşamalı yol haritası; temel cihazların, ağ bağlantısının ve sağlık hizmeti kapasitesinin mevcut olduğunu varsayar, ancak bu koşullar ortamdan ortama büyük ölçüde değişir. Kararsız bağlantı bulut tabanlı çıkarımı sınırlayabilir, cihaz maliyetleri ve bakım kapasitesi teknoloji dağıtımını etkileyebilir ve personel ile sağlık sistemleriyle entegrasyon; sahadaki sağlık çalışanları için uygun eğitim, gözetim ve yönlendirme desteğine bağlıdır.

Mevcut uygulamalar farklı uygulama yollarını göstermektedir. Ana ve çocuk sağlığında, mHealth müdahaleleri çoğunlukla sağlık eğitimi, takip ve yönlendirmeyi desteklemek için mobil iletişimi kullanmış; bazı düşük ve orta gelirli ülkelerde yapılan çalışmalar gebelik takibinde katılımın ve komplikasyonların tanınmasının iyileşmesi bildirmiştir ( 103 ). Tüberküloz için bilgisayar destekli tespit, dijital akciğer radyografisine, otomatik yorumlama yazılımına ve doğrulayıcı testlere erişime dayanır ve Dünya Sağlık Örgütü tarafından tarama aracı olarak benimsenmiştir ( 104 ). Zambiya’da, 8.204 kadının dahil edildiği ileriye dönük bir çalışmada, düşük maliyetli akıllı telefonlarla servikal görüntüler yakalanmış; otomatik görsel değerlendirme tarama ve önceliklendirmede umut verici bir performans göstermiş olsa da, çalışma iç doğrulama aşamasında kalmıştır ().

Bu uygulamalar ortak bir gereksinimi paylaşır: teknolojiler ve iş akışları yerel altyapıya, hastalık yüküne, iş gücü kapasitesine ve yönlendirme yollarına uyarlanmalıdır. Topluluk sağlık çalışanları sağlık iletişimine, sonucun doğrulanmasına ve anormal bulguların üst seviyelere iletilmesine katkıda bulunabilir; ancak insan katılımı model doğrulamasının ya da cihaz kalite kontrolünün yerini alamaz. Görev devrinin hizmetlere erişimi iyileştirip iyileştirmediği, nihayetinde eğitim, gözetim ve daha geniş sağlık sistemi desteğinin paralel olarak uygulanıp uygulanmadığına bağlıdır.

7.4 SDG 3 çerçevesinin uygulanabilirliği ve sınırları

Bu derleme, hedefleri ana ve çocuk sağlığını, bulaşıcı ve bulaşıcı olmayan hastalıkları, evrensel sağlık kapsamını, sağlık gücünü ve halk sağlığı risklerine hazırlığı kapsadığı için SDG 3’ü değerlendirme çerçevesi olarak benimser ( 105 ); böylece çeşitli teknolojik uygulamaları değerlendirmek için dış bir referans sağlar. Tablo 4, dört alandaki uygulama eylemlerini belirli SDG 3 hedefleriyle eşleterek, değerlendirmeyi yalnızca teknik performans ötesine taşıma konusunda yardımcı olur.

Dünya Sağlık Örgütünün sağlık sistemini oluşturan bileşenler, hizmet teslimi, sağlık çalışanları, sağlık bilgi sistemleri, tıbbi ürün ve teknolojilere erişim, finansman ve liderlik ile yönetişim dahil olmak üzere sistem düzeyindeki koşullara daha güçlü bir vurgu yapar ( 106 ). Bir yapay zeka destekli mobil sağlığın (AI-mHealth) mevcut sağlık sistemlerine nasıl entegre edileceğini açıklamak birincil amaç olduğunda, bu çerçevenin dolayısıyla operasyonel açıdan daha faydalı olması söz konusu olabilir. Bu anlamda, Sürdürülebilir Kalkınma Amaçları (SKA) 3, bir teknolojinin katkıda bulunabileceği sağlık hedeflerini değerlendirmek için uygun bir konuma sahipken, sağlık sistemi çerçevesi bu hedeflerin pratikte nasıl sağlanabileceğini açıklamaya daha uygundur.

SKA 3 aynı zamanda önemli sınırlamalara sahiptir. 3.c hedefi, çalışan yoğunluğunu ve dağılımını ele almasına rağmen, mevcut göstergeler eğitim kalitesi, iş yükü, dijital altyapı, iş akışı entegrasyonu, kullanıcı deneyimi ve uzun vadeli benimseme konularında nispeten az bilgi yakalar. Bir araç öncelikle çalışan yükünü azaltıyorsa, yönlendirme süreçlerini iyileştiriyorsa veya bakım düzeyleri arasında koordinasyonu güçlendiriyorsa, bu tür değişiklikler SKA 3 göstergelerine hızlı bir şekilde yansımayabilir. Bu derlemede kullanılan hedef eşleştirmesi, halk sağlığı ilgililiğini değerlendirmek için bir referans sağlar. Ancak uygulamanın kapsamlı bir ölçüsünü sunmaz.

7.5 Bu derlemenin sınırlamaları

Bu derleme, biyomedikal, mühendislik, uygulama ve yönetişim araştırmalarından elde edilen kanıtları sentezlemek için anlatısal, kavram odaklı bir yaklaşım benimsedi. Önceden belirlenmiş bir sistematik derleme protokolü geliştirilmedi ve bireysel arama ve eleme kararlarının tam bir kaydı tutulmadı. Sonuç olarak, hem çalışma seçimi hem de alan sınıflandırması belirli bir araştırmacı yargısı içerdi. Literatür taraması PubMed/MEDLINE ve Web of Science Core Collection’ı kapsamasına rağmen, bu veritabanları dışında indekslenen ilgili çalışmalar kaçırılmış olabilir. Ayrıca, alıntılanan her bir kaynak için resmi çalışma düzeyinde önyargı riski değerlendirmesi yapılmadı. Bu nedenle derleme, mevcut kanıtların kapsamlı veya nicel açıdan ağırlıklı bir özeti yerine, kavramsal bir sentez olarak yorumlanmalıdır.

Kanıtın coğrafi dağılımı da eşit değildi. Bu derleme, düşük ve orta gelirli ülkelerde uygulamayı göz önünde bulundursa da, model sıkıştırma, eşitlearnme ve düzenleyici doğrulama konusundaki kanıtların büyük bölümü yüksek gelirli ortamlardan geliyordu. Cihaz erişilebilirliği, bağlantı, işgücü kapasitesi ve düzenleyici altyapıdaki farklar, bu bulguların farklı ortamlara doğrudan aktarılabilirliğini sınırlayabilir. Bu nedenle gelecekteki araştırmalar, kaynak kısıtlı ortamlarda dışsal doğrulama, uygulama değerlendirmesi ve uzun süreli izlemeye öncelik vermelidir.

8 Sonuç

Bu derleme, AI destekli mobil sağlığın veri ediniminden halk sağlığı eylemine ilerlediği temel aşamaları incelemek için Algılama, Çıkarım, Müdahale ve Yönetim’den oluşan sürekli bir yol izledi. Güncel kanıtlar, halk sağlığı değerinin, herhangi bir tek algoritmanın veya cihazın performansından çok, ölçüm geçerliliği, alt grup güvenilirliği, müdahale sürdürülebilirliği ve dağıtım sonrası yönetim bu yol boyunca uyumlu olduğunda ortaya çıktığını gösteriyor. Yukarıdan aşağıya (üst aşamalarda) ortaya çıkan sınırlamalar, aşağıya doğru (alt aşamalara) yayılabilir; bu sınırlamaları belirlemek ve düzeltmek ise doğrulama, izleme ve hesap verebilirliğe yönelik bilinçli olarak kurulmuş mekanizmaları gerektirir.

Bu temele dayanarak, önerilen dört alanlı çerçeve, sınırlamaların kaynağını belirleme, yayılımını izleme ve düzeltici eylemden sorumlu tarafı ayırt etme için yapılandırılmış bir yaklaşım sunar ve aynı zamanda AI destekli mobil sağlığın uygulama koşullarını belirli SDG 3 hedefleriyle ilişkilendirir. Bu derlemenin anlatısal tasarımı ve mevcut kanıtların eşitsiz coğrafi dağılımı göz önüne alındığında, çerçevenin çeşitli nüfuslar ve sağlık sistemleri boyunca daha fazla doğrulamaya ihtiyacı vardır. Gelecekteki araştırmalar, kümülatif doğrulamanın ötesine geçerek alt grup performansına, gerçek dünya ortamlarında sürdürülebilir etkililiğe ve uzun süreli halk sağlığı etkisine daha büyük önem vermelidir.

Açıklamalar

Yazar katkıları

CZ: Yazım – özgün taslak, Veri derlemesi. WJ: Yazım – özgün taslak, Görselleştirme. QZ: Yazım – inceleme ve düzenleme. MO: Yazım – inceleme ve düzenleme. NW: Yazım – inceleme ve düzenleme. YG: Kavramsal tasarım, Yazım – inceleme ve düzenleme, Proje yönetimi, Finansman edinimi.

Fismanma

Yazar(lar), bu çalışma ve/veya yayımı için finansal destek alındığını beyan etmiştir. Bu çalışma, Çin Ulusal Doğal Bilimler Fonu (NSFC, 82060618) ve Jiangxi Eyaleti Ana Araştırma ve Gelişim Programı (20203BBGL73184) tarafından desteklenmiştir.

Çıkar çatışması

Yazar(lar), bu çalışmanın ticari veya olası bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişki olmadan yürütüldüğünü beyan etmiştir.

Üretken yapay zeka beyanı

Yazar(lar), bu el yazısının oluşturulmasında üretken yapay zekanın kullanılmadığını beyan etmiştir.

Bu makaledeki şekillerle birlikte sağlanan alternatif metinler (alt text), Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların incelemesini de içeren makul çabalarla doğruluğun sağlanması için gerekli tüm adımlar atılmıştır. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.

Yayıncı notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini mutlaka yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekleme materiali

Bu makalenin Ekleme Materiali çevrimiçi olarak şu adresten bulunabilir: https://www.frontiersin.org/articles/10.3389/fdgth.2026.1967889/full#supplementary-material

Kısaltmalar

AI, yapay zeka; mHealth, mobil sağlık; IoT, Nesnelerin İnterneti; NCD, bulaşıcı olmayan hastalık; LMIC, düşük ve orta gelirli ülke; DALY, engelli düzeltilmiş yaşam yılı; SDG, Sürdürülebilir Kalkınma Amaçları; WHO, Dünya Sağlık Örgütü; PPG, fotopleizmografisi; HRV, kalp atım hızı değişkenliği; IMU, eylemsizlik ölçüm birimi; ECG, elektrokardiogram; XGBoost, aşırı gradan yükselme; LSTM, uzun kısa süreli hafıza; TinyML, küçük makine öğrenmesi; JITAI, tam zamanında uyumlu müdahale; MRT, mikrorandomize deney; FD&C, Federal Yiyecek, İlaç ve Kozmetik; LLM, büyük dil modeli; CAD-CXR, grafikleştirilmiş radyograf ile yardımcı teşhis; EHR, e-sağlık kaydı; TB, tüberküloz; GPS, Küresel Konumlandırma Sistemi.

• 1.

  OwusuMFAduJGyamfiSMartin-YeboahEDorteyBA. Bulaşıcı olmayan hastalık epidemisini ele almak: düşük ve orta gelirli ülkelerde politika eylemi için bir çerçeve. Pan Afr Med J. (2024) 47:82. 10.11604/pamj.2024.47.82.41089

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 2.

  FanYFanAYangZFanD. 1990–2021 arasında 204 ülke ve bölgede mental hastalıkların küresel yükü: Hastalıkların Küresel Yükü Çalışması 2021’in sonuçları. BMC Psychiatry. (2025) 25:486. 10.1186/s12888-025-06932-y

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 3.

  LiuQLiuMLiangWLiXJingWChenZ ve ark. 1996–2023 arasında enfeksiyon hastalığı patlamalarının küresel dağılımı ve sağlık etkileri: Dünya Sağlık Örgütü acil olay raporlarının dünya çapında retrospektif analizi. J Glob Health. (2025) 15:04151. 10.7189/jogh.15.04151

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 4.

  Tariq A, Yan P, Bleichrodt A, Chowell G. Nowcast-it: salgın gözetiminde raporlama gecikmelerinin gerçek zamanlı olarak düzeltilmesi için pratik bir araç kutusu. Viruses. (2025) 17:1598. 10.3390/v17121598

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 5.

  Li J, H Tseng Y-J, Chen S-H, Chen K-F. Enfeksiyon gözetiminde yapay zeka: veri entegrasyonu, uygulamalar ve geleceğe yönelik yönler. Biomed J. (2025) 49:100929. 10.1016/j.bj.2025.100929

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 6.

  Nansikombi H, Kwesiga B, Aceng F, Aria R, Bulage L, Arinaitwe E. Uganda’da 2020–2021 yılları arasında salgına yatkın hastalıklar üzerine haftalık gözetim verilerinin raporlanmasının zamanlılığı ve kapsamı. BMC Public Health. (2023) 23:647. 10.1186/s12889-023-15534-w

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 7.

  Hegde S, Khan A I, Perez-Saez J, Khan I I, Hulse J D, Islam M ve ark. Klinik gözetim sistemleri, endemik bir bölgedeki gerçek veba enfeksiyon yükünü gizliyor. Nat Med. (2024) 30:888–95. 10.1038/s41591-024-02810-4

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 8.

  Huang G, Chen X, Liao C. Dijital sağlıkta yapay zeka destekli giyilebilir biyoelektronik. Biosensors. (2025) 15:410. 10.3390/bios15070410

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 9.

  Hong W. Pandemiden sonraki dönemde mobil sağlığın gelişmeleri ve fırsatları: giyilebilir cihazların akıllı telefonlaşması ve akıllı telefonların giyilebilir cihazlaşması. JMIR MHealth UHealth. (2024) 12:e48803. 10.2196/48803

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 10.

  Giansanti, D. Costantini, G. Kamu sağlığında yapay zeka: bugünün eğilimlerini yarının olanaklarıyla birleştirmek. Bioengineering. (2025) 12:559. 10.3390/bioengineering12060559

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 11.

  Oleribe, O. O. Uzoaru, F. Tarfa, A. Olaniran, O. H. Taylor-Robinson, S. D. Yapay zeka ile kamu sağlığı uygulamasını dönüştürmek: çerçeve temelli bir yaklaşım. Healthcare (Basel). (2026) 14:385. 10.3390/healthcare14030385

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 12.

  Ngeow, A. J. H. Moosa, A. S. Tan, M. G. Zou, L. Goh, M. M. R. Lim, G. H. ve diğerleri. Yeni doğan sarılığını taramak için bir akıllı telefon uygulamasının geliştirilmesi ve geçerliliğinin değerlendirilmesi. JAMA Netw Open. (2024) 7:e2450260. 10.1001/jamanetworkopen.2024.50260

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 13.

  Jaganath, D. Sieberts, S. K. Raberahona, M. Huddart, S. Omberg, L. Rakotoarivelo, R. ve diğerleri. Öksürüke dayalı algoritmaların akciğer tüberkülozu taramasında hızlandırılması: CODA TB DREAM yarışmasından sonuçlar. OPEN Forum Infect Dis. (2025) 12:ofaf572. 10.1093/ofid/ofaf572

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 14.

  Hu, L. Wanahamuntu, M. H. Sahasrabuddhe, V. V. Barrett, C. Horning, M. P. Shah, I. ve diğerleri. Zambiya’da ilerleyici bir çalışmada akıllı telefon görüntüleri üzerinde servikal kanser taraması için otomatik görsel değerlendirme (AVE)’nin iç geçerliliği. Cancer Med. (2024) 13:e7355. 10.1002/cam4.7355

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 15.

  McCool JD, Dobson R, Whittaker R, Paton C. Düşük ve orta gelirli ülkelerde mobil sağlık (mHealth). Annu Rev Public Health. (2022) 43:525–39. 10.1146/annurev-publhealth-052620-093850

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 16.

  Pattichis CS, Panayides A. Bağlantılı sağlık. Front Digital Health. (2019) 1:1. 10.3389/fdgth.2019.00001

  • CrossRef
  • Google Scholar
  • View reference in article

• 17.

  Karampela M, Isomursu M, Porat T, Maramis C, Mountford N, Giunti G ve ark. Bağlantılı sağlık konusundaki güncel bilginin kapsamı ve kapsamı: sistematik eşleştirme çalışması. J Med Internet Res. (2019) 21:e14394. 10.2196/14394

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 18.

  Pise AA, Almuzaini KK, Anger TA, Farouk A, Pant K, Pareek PK ve ark. Yapay zekâ nesneleri (AIoT) sağlık mimarilerini etkinleştirme ve güvenlik sorunlarını listeleme. Comput Intell Neurosci. (2022) 2022:8421434. 10.1155/2022/8421434

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 19.

  Tan SY, Sumner J, Wang Y, Wenjun Yip A. Uzaktan hasta izlemi (RPM) müdahalelerinin güvenlik, uyum, yaşam kalitesi ve maliyetle ilgili sonuçlar üzerindeki etkilerinin sistematik derlemesi. NPJ Digital Med. (2024) 7:192. 10.1038/s41746-024-01182-w

  • CrossRef
  • Google Scholar
  • View reference in article

• 20.

  De Bell S, Zhelev Z, Shaw N, Bethel A, Anderson R, Thompson Coon J. Uzun süreli fiziksel sağlık durumları için uzaktan izleme: kanıt ve boşluk haritası. HEALTH Soc Care Deliv Res. (2023) 11:1–74. 10.3310/BVCF6192

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 21.

  Benda N, Zawtha S, Anderson K, Sharma M M, Lin P B, Zawtha B ve diğerleri. Kaynakları sınırlı ortamlarda mHealth kullanarak halk sağlığı gözetiminin geliştirilmesi: Nitel değerlendirme ve pilot değerlendirme. JMIR Form Res. (2022) 6:e36260. 10.2196/36260

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 22.

  Xie H, Yang L, Jiang B, Huang Z, Lin Y. Kalp-damar sağlığı için en güncel giyilebilir sensörler: bir derleme. npj Cardiovasc HEALTH. (2025) 2:53. 10.1038/s44325-025-00090-6

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 23.

  Dlima S, Shevade S, Menezes S, Ganju A. Sağlık makine öğrenimi yaklaşımları kullanarak dijital fenotipleştirme: kapsama taraması derlemesi. JMIR Bioinf Biotechnol. (2022) 3. 10.2196/39618

  • CrossRef
  • Google Scholar
  • View reference in article

• 24.

  Dumas A, Hokayem J, Goodman G, Venkatasubramanian K, Chai P. Sağlık durumları boyunca akıllı telefon tabanlı dijital fenotipleştirme: kapsama taraması derlemesi. J Med Internet Res. (2026) 28. 10.2196/84146

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 25.

  Dünya Sağlık Örgütü. Sağlıkta Dijital Müdahalelerin, Hizmetlerin ve Uygulamaların Sınıflandırılması: Sağlık için Teknolojinin Kullanımını Betimlemek İçin Paylaşılan Bir Dil. 2. baskı. Cenevre: Dünya Sağlık Örgütü (2023). Çevrimiçi erişilebilir: https://www.who.int/publications/i/item/9789240081949 (Erişim Tarihi: 24 Eylül 2026).

  • Google Scholar
  • View reference in article

• 26.

  Abdelrazik A, Eldesouky M, Antoun I, Lau E Y, Koya A, Vali Z ve diğerleri. Ritm bozukluğunun (aritm) tespiti için giyilebilir cihazlar: gelişmeler ve klinik çıkarımlar. Sens (Basel Switz). (2025) 25:2848. 10.3390/s25092848

  • CrossRef
  • Google Scholar
  • View reference in article

• 27.

  Bent B, Goldstein B A, Kibbe W A, Dunn J P. Wearable optik kalp hızı sensörlerindeki hataların kaynaklarının incelenmesi. NPJ Digital Med. (2020) 3:18. 10.1038/s41746-020-0226-6

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 28.

  Hung S H, Serwa K, Rosenthal G, Eng J J. Egzersiz sırasında cilt tonları göz önüne alındığında bilek tabanlı izleyicilerde kalp hızı ölçümlerinin geçerliliği. PLoS One. (2025) 20:e0318724. 10.1371/journal.pone.0318724

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 29.

  Mulholland A M, MacDonald H V, Aguiar E J, Wingo J E. Egzersiz sırasında cilt pigmentasyonunun fotopletizmografik kalp hızı ölçümünün doğruluğu ve veri kalitesi üzerindeki etkisi. Eur J Appl Physiol. (2026) 126:1057–66. 10.1007/s00421-025-05977-x

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 30.

  Hosanee M, Chan G, Welykholowa K, Cooper R, Kyriacou P A, Zheng D ve ark. Kan basıncı izlemi için manşetsiz tek noktalı fotopletizmografy. J Clin Med. (2020) 9:723. 10.3390/jcm9030723

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 31.

  Sun Y, Chen J, Ji M, Li X. Yaşlı yetişkinlerde sağlık teşviki ve hastalık önlemi için giyilebilir teknolojiler: sistematik tarama incelemesi ve kanıt haritası. J Med Internet Res. (2025) 27. 10.2196/69077

  • CrossRef
  • Google Scholar

• 32.

  Gastaldi L, Digo E. Hareket analizinde giyilebilir atalsız sensörlerin son gelişmeleri ve uygulamaları. Sens. (2025) 25(818). 10.3390/s25030818

  • CrossRef
  • Google Scholar

• 33.

  Patel M, Pavic A, Goodwin V A. Yaşlı yetişkinlerde düşme eğilimi olan ve olmayan bireylerde yürüme ve duruş özelliklerindeki farkları ölçmek için giyilebilir atalsız sensörler: bir tarama incelemesi. Gait Posture. (2020) 76:111–21. 10.1016/j.gaitpost.2019.10.039

  • CrossRef
  • Google Scholar

• 34.

  KuruvinashettiK, KomeiliA, Sanati NezhadA. Kapiler mikrofluidik ile mümkün kılınan otonom giyilebilir algılama: bir derleme. Lab Chip. (2025) 25:3879–920. 10.1039/d5lc00536a

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 35.

  BandodkarA, GutrufP, ChoiJ, LeeK, SekineY, ReederJet al. Terin eşzamanlı elektrokimyasal, kolorimetrik ve hacimsel analizini yapan pilsiz, cilde temas eden mikrofluidik/elektronik sistemler. Sci Adv. (2019) 5:eaav3294. 10.1126/sciadv.aav3294

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 36.

  DahiyaE, KalraA, LoweA, AnandG. Yetişkinlerde elektrokardiogramların (EKG) izlenmesi için giyilebilir teknoloji: bir tarama derlemesi. Sens (Basel Switz). (2024) 24:1318. 10.3390/s24041318

  • CrossRef
  • Google Scholar

• 37.

  SerrurierA, Neuschaefer-RubeC, RöhrigR. Öksürük sesi edinme, otomatik algılama ve otomatik sınıflandırma: geçmiş ve güncel eğilimler — karşılaştırmalı bir derleme. Sens (Basel Switz). (2022) 22:2896. 10.3390/s22082896

  • CrossRef
  • Google Scholar

• 38.

  JungH, KimD, LeeI, KimO, LeeS, LeeSet al. Ruh sağlığı bozukluklarının izlenmesinde dijital fenotipleştirme için temel özellikler: sistematik derleme. J Med Internet Res. (2025) 27:e77331. 10.2196/77331

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 39.

  LeaningI, IkaniN, SavageH, LeowA, BeckmannC, RuhéGet al. Akıllı telefon verilerinden klinik açıdan anlamlı öngörülere: depresyonda dijital fenotipleştirme yöntemlerinin sistematik derlemesi. Neurosci Biobehav Rev. (2024) 158:105541. 10.1016/j.neubiorev.2024.105541

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 40.

  Tan C, Koh J, Ang W, Tan X, Koh S, Lin W ve diğerleri. Kalp-metabolik riskin önlenmesi ve yönetimi için son teknoloji dijital fenotipleştirme yöntemleri: bir kapsama taraması. Int J Med Inf. (2026) 206:106133. 10.1016/j.ijmedinf.2025.106133

  • CrossRef
  • Google Scholar

• 41.

  Zhang Y, Wang J, Zong H, Singla R, Ullah A, Liu X ve diğerleri. Dijital fenotipleştirmenin kapsamlı klinik faydaları: yaygın kullanımdan tam etkiye. npj Digital Med. (2025) 8:196. 10.1038/s41746-025-01602-5

  • CrossRef
  • Google Scholar

• 42.

  Currey D, Torous J. Eksik veri miktarını azaltarak dijital fenotipleştirmenin değerini artırmak: önceki çalışmaların geriye dönük taraması ve analizi. BMJ Ment Health. (2023) 26:e300718. 10.1136/bmjment-2023-300718

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 43.

  Alam N B, Surani M, Das C, Giacco D, Singh S, Jilka S. Dijital fenotipleştirme için sensör tabanlı veri toplamanın zorlukları ve standardizasyon stratejileri. Commun Med. (2025) 5:360. 10.1038/s43856-025-01013-3

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 44.

  Dinh A, Miertschin S, Young A, Mohanty S. Makine öğrenmesiyle diyabet ve kardiyovasküler hastalık tahmini için veriye dayalı bir yaklaşım. BMC Med Inf Decis Making. (2019) 19:211. 10.1186/s12911-019-0918-5

  • CrossRef
  • Google Scholar

• 45.

  Shimizu G Y, Schrempf M, Romão E A, Jauk S, Kramer D, Rainer P ve diğerleri. Brezilya hastanesinde büyük kardiyovasküler olaylar için makine öğrenmesine dayalı risk tahmini: geliştirme, dış geçerlilik ve yorumlanabilirlik. PLoS One. (2024) 19:e0311719. 10.1371/journal.pone.0311719

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 46.

  Rim B, Sung N, Min S, Hong M. Fizyolojik sinyal verilerinde derin öğrenme: bir derleme. Sens. (2020) 20:969. 10.3390/s20040969

  • CrossRef
  • Google Scholar

• 47.

  KaramiHAtienzaDIonescuA. TEE4EHR: dönüştürücü olay kodlayıcısı, elektronik sağlık kayıtlarında daha iyi temsil öğrenimi için. Artif Intell Med. (2024) 154:102903. 10.1016/j.artmed.2024.102903

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 48.

  MishraTWangMMetwallyAABoguGKBrooksAWBahmaniA et al. Akıllı saat verilerinden COVID-19’un belirtiler ortaya çıkmadan önce tespit edilmesi. Nat Biomed Eng. (2020) 4:1208–20. 10.1038/s41551-020-00640-6

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 49.

  HirtenRPDanielettoMTomalinLChoiKHZweigMGoldenE et al. Giyilebilir bir cihazdan fizyolojik verilerin SARS-CoV-2 enfeksiyonu ve belirtileri tanımlamada ve COVID-19 tanısının öngörülmesinde kullanımı: gözlemsel çalışma. J Med Internet Res. (2021) 23:e26107. 10.2196/26107

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 50.

  GrzesiakEBentBMcClainMTWoodsCWTsalikELNicholsonBP et al. Enflüenzayı ve soğuk algılığını belirtiler ortaya çıkmadan önce tespit etmek için invaziv olmayan giyilebilir biyometrik izleme sensörlerinin kullanımının uygulanabilirliğinin değerlendirilmesi. JAMA Netw OPEN. (2021) 4. 10.1001/jamanetworkopen.2021.28534

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 51.

  DangTSpathisDGhoshAMascoloC. Mobil sağlık algılama için insan merkezli yapay zeka: zorluklar ve fırsatlar. R Soc Open Sci. (2023) 10:230806. 10.1098/rsos.230806

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 52.

  KeivanimehrARAkbariM. Kardiyovasküler hastalıklarda TinyML ve uç zeka uygulamaları: bir derleme. Comput Biol Med. (2025) 186:109653. 10.1016/j.compbiomed.2025.109653

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 53.

  Heydari S, Mahmoud Q. Tiny makine öğrenmesi ve cihaz içi çıkarım: uygulamalar, zorluklar ve gelecekteki yönler üzerine bir araştırma. Sens. (2025) 25:3191. 10.3390/s25103191

  • CrossRef
  • Google Scholar

• 54.

  Zambrano-de la Torre M, Guzman-Alfaro S, Acuña-Correa A, Soto-Murillo MA, Guzman-Fernandez M, Robles-Ortiz R ve ark. Ultra-düşük maliyetli mikrodenetleyicilerde TinyML kullanarak gerçek zamanlı kalp ritim bozukluklarının sınıflandırılması: Kaynak sınırlı ortamlar için bir uygunluk çalışması. Bioengineering (Basel). (2026) 13:532. 10.3390/bioengineering13050532

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 55.

  Leogrande E, Luca E, Dell’Olio F. PPG’den uçta kan basıncına: nicelleme- bilinçli mimari seçimi ve MCU üzerindeki doğrulama. Sensors (Basel). (2026) 26:2674. 10.3390/s26092674

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 56.

  Jaiswal A, Chen T, Rousseau JF, Peng Y, Ding Y, Wang Z. Zayıf olanı ziyaret et: karmaşık ve örtük dengesizlikler altında budama destekli tıbbi görüntü yerleştirme. IEEE Winter Conf Appl Comput Vis. (2023) 2023:4976–85. 10.1109/wacv56688.2023.00496

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 57.

  Tran Van T, Lam Thanh H, Do Nang T, Huynh T-T. Mobil görüntü sınıflandırmasında doğruluk- adalet-verimlilik üçlü ikilemi: bir pareto ölçütü. Sci Rep. (2026) 16:25606. 10.1038/s41598-026-55546-1

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 58.

  Jiao Z, Ji H, Yan J, Qi X. Epidemik gözetim ve kontrolünde büyük veri ve yapay zekânın kullanımı. Intell Med. (2023) 3:36–43. 10.1016/j.imed.2022.10.003

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 59.

  Althouse BM, Scarpino SV, Meyers LA, Ayers JW, Bargsten M, Baumbach J, et al. Hastalık gözetiminin yeni veri kaynaklarıyla güçlendirilmesi: Zorluklar ve fırsatlar. EPJ Data Sci. (2015) 4:17. 10.1140/epjds/s13688-015-0054-0

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 60.

  Santillana M, Nguyen AT, Dredze M, Paul MJ, Nsoesie EO, Brownstein JS. Grip gözetimini iyileştirmek için arama, sosyal medya ve geleneksel kaynakların birleştirilmesi. PLOS Comput Biol. (2015) 11:e1004513. 10.1371/journal.pcbi.1004513

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 61.

  Quer G, Radin JM, Gadaleta M, Baca-Motes K, Ariniello L, Ramos E, et al. COVID-19 tespiti için giyilebilir sensör verileri ve kendiliğinden bildirilen belirtiler. Nat Med. (2021) 27:73–7. 10.1038/s41591-020-1123-x

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 62.

  Rieke N, Hancox J, Li W, Milletarì F, Roth H, Albarqouni S, et al. Federatif öğrenmeyle dijital sağlığın geleceği. npj DIGIT Med. (2020) 3:119. 10.1038/s41746-020-00323-1

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 63.

  Dou Q, So S, Jiang M, Liu Q, Vardhanabhuti V, Kaisis G, et al. COVID-19 akciğer anormalliklerinin BT’de tespitinde federatif derin öğrenme: Gizliliği koruyan çok uluslu geçerlilik çalışması. npj DIGIT Med. (2021) 4:60. 10.1038/s41746-021-00431-6

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 64.

  Eden R, Chukwudi I, Bain C, Barbieri S, Callaway L, De Jersey S, et al. Sağlıkta federatif öğrenmenin yönetişimine dair bir tarama incelemesi. npj DIGIT Med. (2025) 8:427. 10.1038/s41746-025-01836-3

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 65.

  Hosseini S, Sikaroudi M, Babaie M, Tizhoosh H. Histopatoloji görüntülerinin federatif öğrenme yoluyla hospital işbirliklerinde oran bazında adil yaklaşım. IEEE Transactions on Medical Imaging. (2023) 42:1982–95. 10.1109/TMI.2023.3234450

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 66.

  Poulain R, Tarek M, Beheshti R. Elektronik sağlık kayıtlarında modellerde adaleti iyileştirmek: federatif öğrenme yöntemleri için bir gerekçe. Proc Conf Fairness Account Transpar. (2023) 2023:1599–608. 10.1145/3593013.3594102

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 67.

  Zainal N, Liu X, Leong U, Yan X, Chakraborty B. Yenilikle adaleti birleştirmek: zamanında uyumlu müdahalelerle halk sağlığını ileriye taşımak. Annu Rev Public Health. (2025) 46:43–68. 10.1146/annurev-publhealth-071723-103909

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 68.

  Nahum-Shani I, Murphy S. Zamanında uyumlu müdahaleler: şu an nerede ve sonraki adım ne? Annu Rev Psychol. (2026) 77:679–703. 10.1146/annurev-psych-121024-044244

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 69.

  Liu X, Deliu N, Chakraborty B. Mikro rastgele denemeler: daha iyi halk sağlığı için zamanında uyumlu müdahaleler geliştirmek. Am J Public Health. (2023) 113:60–9. 10.2105/AJPH.2022.307150

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 70.

  Van Genugten C, Thong M, Van Ballegooijen W, Kleiboer A, Spruijt-Metz D, Smit A ve ark. Mental sağlık alanında zamanında uyumlu müdahalelerin güncel durumunun ötesinde: niteliksel sistematik derleme. Front Digital Health. (2025) 7:1460167. 10.3389/fdgth.2025.1460167

  • CrossRef
  • Google Scholar

• 71.

  Klasnja P, Smith S, Seewald N J, Lee A, Hall K, Luers Bet al. Fiziksel aktivite için bağlamsal olarak uyarlanmış önerilerin etkinliği: HeartSteps için mikro-randomize optimize denemesi. Ann Behav Med. (2018) 53:573–82. 10.1093/abm/kay067

  • CrossRef
  • Google Scholar

• 72.

  Bell L, Garnett C, Bao Y, Cheng Z, Qian T, Perski O et al. Bildirimlerin bir davranış değiştirme uygulamasıyla etkileşimi nasıl etkilediği: bir mikro-randomize demeden sonuçlar. JMIR Mhealth Uhealth. (2023) 11:e38342. 10.2196/38342

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 73.

  Nahum-Shani I, Smith S N, Spring B, Collins L M, Witkiewitz K, Tewari A et al. Mobil sağlıkta zamanında uyarlama müdahaleleri (JITAIs): süren sağlık davranışı desteği için bileşenler ve tasarım ilkeleri. Ann Behav Med. (2017) 52:446–62. 10.1007/s12160-016-9830-8

  • CrossRef
  • Google Scholar

• 74.

  Callaghan H J, Potgieter L, Le Roux N. Güney Afrika’da Witzenberg bölgesinde mobil kliniklerin yönlendirilmesi ve zamanlanması. PLoS One. (2025) 20:e0310086. 10.1371/journal.pone.0310086

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 75.

  Kim C, Austin R, Wurtz R, Delaney C, Rajamani S. COVID sonrası dönemde bulaşıcı hastalıkların kontrolünde yapay zekanın uygulamaları: tarama derlemesi. JMIR Nurs. (2025) 8. 10.2196/84242

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 76.

  Dang T, Chan W, Khawaja S, Fryar J, Gannon B, Kularatna S et al. Hastaneye yatıştan sonra 30 gün içinde planlanmayan yeniden yatışların maliyetleri: kalp yetmezliği ile hastaneye yatışlar, Avustralya, 2013–2017: geriye dönük kohort çalışması. Med J Aust. (2024) 221:317–23. 10.5694/mja2.52424

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 77.

  DevinJPowellEMcGaghDJonesTWangBLe PagePet al. Kalp yetmezliği dekompansasyonunu öngören invaziv olmayan giyilebilir teknoloji. J Clin Med. (2025) 14:7423. 10.3390/jcm14207423

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 78.

  HinrichsNMeyerAKoehlerKKaasTHiddemannMSpethmannSet al. Invaziv olmayan teletıbbi uygulayan hastalarda yaklaşan kalp yetmezliği hastaneye yatışının yapay zeka temelli gerçek zamanlı öngörüsü. Front Cardiovasc Med. (2024) 11:1457995. 10.3389/fcvm.2024.1457995

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 79.

  CiccarelliMBramantiACarrizzoAGarofanoMViscoVIzzoCet al. Kronik kalp yetmezliği için yapay zeka temelli uzaktan izleme: SMART-CARE çalışmasının tasarımı ve gerekçesi. Front Digital Health. (2025) 7:1719562. 10.3389/fdgth.2025.1719562

  • CrossRef
  • Google Scholar

• 80.

  MasottaVDanteACaponnettoVMarcotullioAFerraiuoloFBertocchiLet al. Kalp yetmezliği hastalarında tele-sağlık bakımı ve uzaktan izleme stratejileri: sistematik derleme ve meta-analiz. Heart Lung: J Crit Care. (2024) 64:149–67. 10.1016/j.hrtlng.2024.01.003

  • CrossRef
  • Google Scholar

• 81.

  LonghiniJGauthierKKonradsenHPaleseAKabirZNWaldréusN. Evdeki kalp yetmezliği hastalarının öz-bakımını iyileştirmeye yönelik hemşirelik müdahalelerinin etkinliği: sistematik derleme ve meta-analiz. BMC Nurs. (2025) 24:286. 10.1186/s12912-025-02867-7

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 82.

  AutonAZamanSPadayacheeYSamwaysJWQuaifeNMSweeneyMet al. Kronik kalp yetmezliği için akıllı telefon tabanlı uzaktan izleme: hastalar ve hemşiriler açısından deneyimin karma yöntemlerle analizi. JMIR Nurs. (2023) 6:e44630. 10.2196/44630

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 83.

  Bondarenko M, Menon C,lgendi M. Halka açık uzaktan fotopletizmografisi veri setilerinde demografik önyargı. npj Digital Med. (2025) 8:593. 10.1038/s41746-025-01973-9

  • CrossRef
  • Google Scholar

• 84.

  Chandrasekaran R, Sharma P, Moustakas E. Kardiyovasküler hastalar arasında sağlık giyilebilir cihazları kullanımındaki eşitsizliklerin incelenmesi: Ulusal bir anketten bulgular. Rev Cardiovasc Med. (2023) 24:307. 10.31083/j.rcm2411307

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 85.

  Adler D, Stamatis C, Meyerhoff J, Mohr D, Wang F, Aranovich G, ve diğerleri. Akıllı telefon ile algılanan davranışsal verileri kullanarak depresyon riskini tahmin eden yapay zeka araçlarının güvenilirliğini analiz etmek için algoritmik önyargının ölçülmesi. Npj Ment Health Res. (2024) 3(17). 10.1038/s44184-024-00057-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 86.

  Canali S, Schiaffonati V, Aliverti A. Dijital sağlıkta giyilebilir cihazlar için zorluklar ve öneriler: veri kalitesi, uyumluluk, sağlık adaleti, eşitlik. PLOS Digit Health. (2022) 1:e0000104. 10.1371/journal.pdig.0000104

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 87.

  Lekadir K, Frangi A, Porras A, Locker B, Cintas C, Langlotz C, ve diğerleri. FUTURE-AI: sağlıkta güvenilir ve uygulanabilir yapay zeka için uluslararası konsensüs rehberi. Br Med J. (2025) 388:e081554. 10.1136/bmj-2024-081554

  • CrossRef
  • Google Scholar

• 88.

  Gomez-Hernandez M, Ferre X, Moral C, Villalba-Mora E. Yaşlılar için mobil uygulamaların tasarım rehberleri: sistematik derleme ve tematik analiz. JMIR Mhealth Uhealth. (2023) 11:e43186. 10.2196/43186

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 89.

  Chien S-Y, Zaslavsky O, Berridge C. Demans ile yaşayan insanlar için teknoloji kullanılabilirliği: kavram analizi. JMIR Aging. (2024) 7:e51987. 10.2196/51987

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 90.

  Choi S, Ajib M, Ruz M, Manzano J, Chlebek C J. Mhealth teknolojisinin orta yaşlı ve yaşlı görme bozukluğu olan bireylerin deneyimleri: kesitsel görüşme çalışması. JMIR Form Res. (2023) 7:e52410. 10.2196/52410

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 91.

  Liu Y, Yu W, Dillon T. Yapay zeka tıbbi cihazlarının düzenleyici yanıtları ve onay durumu, özellikle Çin odaklı. npj Digital Med. (2024) 7:255. 10.1038/s41746-024-01254-x

  • CrossRef
  • Google Scholar

• 92.

  Windecker D, Baj G, Shiri I, Kazaj P M, Kaesmacher J, Gräni C ve ark. Klinik kullanım için FDA onaylı yapay zeka destekli tıbbi cihazların genellenirliliği. JAMA Netw Open. (2025) 8:e258052. 10.1001/jamanetworkopen.2025.8052

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 93.

  Angus D C, Khera R, Lieu T, Liu V, Ahmad F, Anderson B ve ark. Bugün ve yarın yapay zeka, sağlık ve sağlık hizmetleri: yapay zeka üzerine JAMA zirve raporu. JAMA. (2025) 334:1650–64. 10.1001/jama.2025.18490

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 94.

  Park S, H, Choi J, Byeon J S. Yapay zekanın klinik validasyonu, cihaz onayı ve sigorta kapsamı kararlarının temel ilkeleri. Korean J Radiol. (2021) 22:442–53. 10.3348/kjr.2021.0048

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 95.

  Piasecki J, Cheah P Y. Birey düzeyinde sağlık verilerinin mülkiyeti, veri paylaşımı ve veri yönetimi. BMC Med Ethics. (2022) 23(104). 10.1186/s12910-022-00848-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 96.

  Hameed S S, Hassan W H, Abdul Latiff L G, Habban F. Tıbbi şeylerin internetindeki güvenlik ve gizlilik sorunlarının sistematik derlemesi: makine öğrenmesi yaklaşımlarının rolü. PeerJ Comput Sci. (2021) 7:e414. 10.7717/peerj-cs.414

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 97.

  Amerika Birleşik Devletleri Gıda ve İlaç İdaresi. Tıbbi cihazlarda siber güvenlik: sık sorulan sorular (SSS). Amerika Birleşik Devletleri Gıda ve İlaç İdaresi (2025) Çevrimiçi erişilebilir: https://www.fda.gov/medical-devices/digital-health-center-excellence/cybersecurity-medical-devices-frequently-asked-questions-faqs (Erişim tarihi: 24 Eylül 2026).

  • Google Scholar

• 98.

  Merrill M, Aruchuri A, Rezaei N, Kovacs G, Perez J, Liu Y ve ark. Giyilebilir verilerin büyük dil modelleri ajanları kullanarak kişisel sağlık içgörülerine dönüştürülmesi. Nat Commun. (2026) 17:1143. 10.1038/s41467-025-67922-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 99.

  Hegde N, Vardhan M, Nathani D, Rosenzweig E, Speed C, Karthikesalingam A ve ark. Aktivite koçluğu için büyük dil modellerine davranış biliminin dahil edilmesi. PLOS Digit Health. (2024) 3:e0000431. 10.1371/journal.pdig.0000431

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 100.

  AlSaad R, Abd-Alrazaq A, Boughorbel S, Ahmed A, Renault M-A, Damseh R ve ark. Sağlık hizmetinde çok modlu büyük dil modelleri: uygulamalar, zorluklar ve geleceğe dair bakış açısı. J Med Internet Res. (2024) 26:e59505. 10.2196/59505

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 101.

  Asgari E, Montaña-Brown N, Dubois M, Khalil S, Balloch J, Yeung J ve ark. Tıbb metin özetlendirmesi için LL’lerin klinik güvenliğini ve uydurma (halusinasyon) oranlarını değerlendirmeye yönelik bir çerçeve. npj Digital Med. (2025) 8:274. 10.1038/s41746-025-01670-7

  • CrossRef
  • Google Scholar

• 102.

  Zhong X, Li S, Chen Z, Ge L, Yu D, Wang S ve ark. Sağlık hizmetinde dil modellerinin hasta gizliliğine ilişkin değerlendirmeler: kapsama taraması. J Med Internet Res. (2025) 27:e76571. 10.2196/76571

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 103.

  Knop MR, Nagashima H, Lin R, Saing CH, Ung MO, OySet al. mHealth müdahalelerinin düşük ve orta gelirli ülkelerde gebelikten doğumdan sonraki 24. aya kadar anne, yeni doğan ve çocuk sağlığı üzerindeki etkisi: sistematik derleme. BMC Med. (2024) 22:196. 10.1186/s12916-024-03417-9

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 104.

  Geric C, Qin Z, Denkinger C, Kik SV, Marais B, Anjos A et al. Akıllı zekanın yükselişi: Gelişmiş TB tanısı ve yok edilmesi için göğüs röntgenlerinin değerlendirilmesi. Int J Tuberc Lung Dis. (2023) 27:367–72. 10.5588/ijtld.22.0687

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 105.

  Birleşmiş Milletler Ekonomik ve Sosyal İşler Departmanı. Hedef 3 | Ekonomik ve Sosyal İşler Departmanı. Sürdürülebilir Kalkınma Hedefleri Çevrimiçi erişilebilir:https://sdgs.un.org/goals/goal3 (Erişim tarihi: 25 Eylül 2026).

• 106.

  Dünya Sağlık Örgütü. Herkesin işi – sağlık sonuçlarını iyileştirmek için sağlık sistemlerinin güçlendirilmesi. (2007). Çevrimiçi erişilebilir:https://www.who.int/publications/i/item/everybody-s-business—-strengthening-health-systems-to-improve-health-outcomes (Erişim tarihi: 25 Eylül 2026).

  • Google Scholar

Özet

Anhtar Kelimeler

algoritmik önyargı, akıllı zeka, yönetim, sağlık eşitliği, Nesnelerin İnterneti, mHealth, halk sağlığı gözetimi, Sürdürülebilir Kalkınma Hedefi 3

Atıf

Zhang C, Jiang W, Zhao Q, Ouyang M, Wu N ve Guo Y (2026) Akıllı zeka destekli mobil sağlık için dört alanlı bir çerçeve: algılamadan eşit yönetime. Front. Digit. Health 8:1967889. doi: 10.3389/fdgth.2026.1967889

Müracaat Tarihi

14 Ağustos 2026

Güncellenme Tarihi

12 Ekim 2026

Kabul Tarihi

29 Ekim 2026

Yayınlanma Tarihi

11 Kasım 2026

Cilt

8 – 2026

Toshiyo Tamura, Waseda Üniversitesi, Japonya

Melissa Paola Mezzari, Bağımsız Araştırmacı, Houston, TX, Amerika Birleşik Devletleri

Xin Wang, Sichuan Üniversitesi, Çin

© 2026 Zhang, Jiang, Zhao, Ouyang, Wu ve Guo.

Bu makale, Creative Commons Atıf Lisansı (CC BY) koşulları altında açık erişimli olarak dağıtılmıştır. Kabul edilen akademik uygulama uygun olarak, orijinal yazar(lar)ın ve telif hakkı sahib(lar)ının belirtildiği ve bu dergideki orijinal yayının atıf edildiği sürece, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

*İletişim: You Guo gy@gmu.edu.cn

†
Bu yazarlar bu çalışmaya eşit katkıda bulunmuş ve ilk yazarlığı paylaşmıştır

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve hakemlerin görüşlerini kesin olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.