Kimsenin sormadığı soruyu sormak gerekiyor: Bir bira fabrikasının bir matematikçiye ne işi olabilir ki?

Maya Hücrelerini Saymak — ve Ötesi

Gosset işe başladıktan birkaç yıl sonra, üretim sürecindeki somut bir problemle yüzleşti. Bira mayalanmadan önce hazırlanan hamura belirli miktarda maya eklenmesi gerekiyordu. Maya canlı bir organizma; sürekli çoğalıyor, bölünüyor, değişiyordu. Miktarını ölçmek için bir numune alıp mikroskop altında hücreleri sayıyorlardı.

Ama bu sayım ne kadar doğruydu?

Maya az olursa fermentasyon tamamlanmıyordu. Fazla olursa bira acı çıkıyordu. Üretimin kalitesi, bu ölçümün hassasiyetine bağlıydı.

Gosset verilere baktı ve maya hücresi sayılarının Poisson dağılımına uyduğunu gösterdi. Bu, daha önce teoride bilinen ama gerçek hayatta nadiren somut olarak karşılık bulan bir dağılımdı. Gosset bu bulguyla hem üretim sürecini düzeltti hem de istatistik bilimine katkıda bulundu.

Bunun üzerine bir makale yazmak istedi. Ama karşısında bir engel vardı: Guinness çalışanlarının yayın yapması yasaktı. Yıllar önce bir üretim ustası, sırrını dışarıya sızdırmıştı ve şirket bu deneyimi bir daha yaşamak istemiyordu.

“Student” Doğuyor

Gosset bu noktada bir çıkış yolu buldu. Karl Pearson — dönemin en önemli istatistikçilerinden, Biometrika dergisinin editörü — Gosset’in matematiksel yeteneğini takdir ediyordu. İkisi birlikte bir karar aldılar: Makale yayımlanacaktı, ama bir takma adla: “Student.”

Sonraki otuz yıl boyunca “Student” imzasıyla Biometrika’da birbirinden önemli makaleler yayımlandı. Gosset, mesai saatleri dışında evinde çalışıyor, hesaplamalarını gece gece kâğıt üzerinde yapıyor, ardından fabrikada sorumlu pozisyonlara yükselmeye devam ediyordu. Guinness ailesi bir noktada “Sevgili Mr. Gosset”lerinin ne yaptığını öğrendi — ama işin enteresan tarafı, Gosset’in şirketteki yüksek performansı devam ettiği için kimse ciddi bir adım atmadı.

Küçük Örneklemin Büyük Sorunu

Gosset’in en kalıcı katkısı, 1908’de yayımladığı kısa bir makaleyle geldi: “The Probable Error of the Mean” (Ortalamadaki Olası Hata).

Pearson ve dönemin diğer istatistikçileri büyük örneklemlerle çalışıyordu. Binlerce ölçüm, parametreler, dağılım eğrileri… Bu yaklaşımda örneklem büyüdükçe hata küçülür ve hesaplamalar güvenilir hale gelirdi.

Ama Gosset bunu karşılayabilecek lükse sahip değildi. Gerçek hayatta — bira fabrikasında, tarla denemelerinde, klinik çalışmalarda — çoğunlukla on, on beş, belki yirmi gözlem vardı elinizde. Gosset şunu sordu: Örneklem küçük olduğunda ne olur? Rastgele hata hesaplamalarımıza nasıl sızar?

Cevabı bulmak için gece gece mutfak masasına oturdu. Küçük sayı grupları aldı, ortalamayı hesapladı, standart sapmayı hesapladı, ikisini birbirine böldü, sonuçları milimetrik kâğıda çizdi. Bunu yüzlerce kez tekrarladı — hiçbir bilgisayar olmadan, tamamen elle.

Sonunda gördü ki bu oranın dağılımı belirli bir örüntüye oturuyordu ve bu örüntü, orijinal verilerin tam dağılımını bilmeksizin de kullanılabilirdi. Araştırmacının elde ettiği verilerden hesaplanan bu oran, tek başına bilgi veriyordu.

Bugün bu yönteme Student’s t-testi diyoruz.

Neden Hâlâ Bu Kadar Önemli?

Bu keşif olmadan istatistiksel analiz neredeyse imkânsız bir döngüye girerdi: Verinizin parametrelerini tahmin etmek için önce o parametrelerin dağılımını bilmeniz, sonra o dağılımın parametrelerini tahmin etmeniz… ve bu böyle sonsuza giderdi.

Gosset, analizin ilk adımda durabildiğini gösterdi. Hesaplanan oran, bilinen bir dağılıma oturuyordu ve tablolanabilirdi.

Üstelik başlangıçta yapılan en kritik varsayım — verilerin normal dağılıma uyması — zamanla sorgulandı ve 1967’de Bradley Efron bu varsayımın pek çok koşulda gerekmediğini kanıtladı.

Bugün tıbbi araştırmaların büyük çoğunluğunda t-testi kullanılıyor. İki tedaviyi karşılaştırıyorsunuz, iki grubun ortalamaları arasında fark var mı diye bakıyorsunuz, istatistiksel anlamlılığı yorumluyorsunuz. Bunu mümkün kılan şeyin arkasında gece gece Guinness fabrikasının çalışanı, takma adıyla “Student” var.

Sahnenin Kenarında Bir Adam

Gosset, tüm bu katkılarına rağmen mütevazı biri olarak kalmaya devam etti. Mektuplarında sık sık şöyle yazıyordu: “Benim katkım kabataslak bir fikir vermekten öteye geçmedi… Fisher asıl matematiği kendisi çözdü.”

Bu mütevazılık bizi hikâyenin en ilginç kısmına götürüyor.

1912’de Gosset, Fisher adında 22 yaşında bir Cambridge öğrencisiyle tanıştı. Genç Fisher, Gosset’in 1908 tarihli sonuçlarını — büyük olasılıkla haberi olmadan — yeniden keşfetmişti. Gosset makaleyi okudu, küçük bir hata buldu. Fisher’ı uyardı. Birkaç gün sonra Gosset’e iki sayfalık yoğun matematik geldi: Fisher, problemi yeniden türetmiş, genişletmiş ve üstelik Gosset’in kendi hesaplamalarındaki bir hatayı da yakalamıştı.

Gosset Pearson’a yazdı: “Bu Fisher denen çocuk bana çok boyutlu geometriyle bir şeyler ispat ediyor… Üçten fazla boyutu kavrayamıyorum ki, matematik olsa bile anlayamıyorum…”

Tüm karmaşık matematiksel kanıtı alıp gölde tatile çıktı ve kayıp etti.

Fisher ona yeniden gönderdi.

İki Dahi, Bir Arabulucu

Bu noktadan itibaren Gosset kendini tuhaf ama önemli bir konumda buldu: Bir yanda Karl Pearson, diğer yanda Ronald Fisher — ikisi de döneminin en büyük istatistikçileri, ikisi de birbirinden nefret eden rakipler.

Gosset her ikisiyle de dostluğunu korudu. Fisher’ın yazdıklarını anlamadığını Pearson’a itiraf ediyor, Fisher’ın hatalarını kibarca düzeltiyor, Pearson’ın kibrine katlanıyor ve bu iki büyük egonun arasında bir arabulucu gibi var olmaya çalışıyordu.

Bu tablo bize bilim dünyası hakkında önemli bir şey söylüyor: Büyük keşifler çoğunlukla kendi içinde kapanmış dehalardan değil, o dehalar arasında köprü kuran, iletişimi canlı tutan, gerçek uygulama sorularını masada tutan insanlardan besleniyor.

Gosset 1937’de, 61 yaşında ani bir kalp krizi geçirerek hayatını kaybetti. Yasak yayınları nedeniyle gerçek kimliği yıllarca saklandı. Amerikalı istatistikçi Harold Hotelling’in 1930’ların sonunda “Student” ile konuşmak istediğinde, buluşma neredeyse bir casusluk filmi atmosferinde, gizlice gerçekleştirildi.

Bira fabrikasında maya hücrelerini sayan, gece mutfağında sayılar çizen, kimseye anlatamadığı makaleler yazan o adam — bugün her tıp araştırmacısının günlük hayatında kullandığı bir araç bıraktı geriye.

“The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century” – David Salsburg (2001), Bölüm 3 uyarlaması

The post Student: Bira Fabrikasında Doğan İstatistik Devrimi appeared first on Akamedika.

Programın Felsefesi

İlaç endüstrisinde çalışan medikal, klinik operasyon ve medikal bilgi ekiplerinin araştırma okuryazarlığı kritik bir yetkinliktir. Bir klinik çalışma protokolünü değerlendirmek, bir yayının metodolojik kalitesini tartmak ya da bir KOL ile bilimsel diyalog kurmak — bunların hepsi sağlam bir araştırma metodolojisi temeli gerektirir.

Bu programı tasarlarken Bloom taksonomisinin ilk üç basamağını (bilgi, kavrama, uygulama) hedefledik. İlk dört gün kavramsal çerçeveyi oluşturduk; son iki gün ise katılımcıların bu bilgiyi gerçek senaryolarda kullanmasına odaklandık.

İçerik Özeti

Programın ilk günü araştırmanın temellerine ayrıldı: paradigmalar, araştırma sorusu formülasyonu (PICO/FINER), bias türleri, iç ve dış geçerlilik kavramları ve Equator Network raporlama kılavuzları. Aynı gün içinde sistematik literatür taramanın mantığı ve PubMed üzerinde pratik arama uygulaması da yapıldı.

İkinci gün biyoistatistik kavramlarına odaklandık. Değişken türleri, tanımlayıcı istatistikler, merkez ve yayılım ölçütleri, p değeri ve güven aralığı kavramları, Tip 1 ve Tip 2 hata, örneklem büyüklüğü ve etki büyüklüğü gibi temel konuların ardından risk ölçütleri (RR, OR, LR, NNT, NNH) ve gözlemsel çalışma desenleri ele alındı.

Üçüncü gün randomize kontrollü çalışmalar, sağkalım analizi, tanısal değerlik çalışmaları ve ROC eğrileri gibi daha ileri konulara geçildi. Günün son bölümünde yapay zeka araçlarının literatür tarama, araştırma planlama ve eleştirel makale okuma süreçlerindeki potansiyel kullanımı tartışıldı.

Dördüncü ve beşinci günler tamamen uygulamaya ayrıldı. Katılımcılar küçük gruplarda sistematik literatür tarama, araştırma yöntemi seçimi ve eleştirel makale okuma egzersizleri gerçekleştirdiler.

Çıkarımlar

Bu tür programların en önemli getirisi, katılımcıların “bu çalışma güvenilir mi?” sorusunu sistematik bir çerçevede yanıtlayabilir hale gelmesidir. İlaç endüstrisinde her gün onlarca yayınla karşılaşan profesyoneller için bu beceri vazgeçilmezdir. Özellikle workshop günlerinde katılımcıların gerçek makaleler üzerinde yaptıkları eleştirel analizler, teorik bilginin pratiğe nasıl dönüştüğünü somut olarak gösterdi.

Akamedika olarak Takeda Medikal Ailesine çok teşekkür ederiz.

The post Takeda Medikal Ailesi EDUMED Eğitim Programımızı Tamamladık appeared first on Akamedika.

Sunumda, etkili anlatımın temel unsurlarından sunum hazırlığında dikkat edilmesi gereken noktalara, dinleyiciyle iletişim kurmanın inceliklerinden mesajın açık ve güçlü biçimde aktarılmasına kadar pek çok konu ele alındı. Katılımcıların soru, görüş ve katkılarıyla zenginleşen oturum, paylaşımın ve karşılıklı öğrenmenin öne çıktığı verimli bir buluşmaya dönüştü.

Toplantının sonunda, değerli katkıları ve paylaşımı için Doç. Dr. Yusuf Ali Altuncı’ya teşekkür plaketi takdim edildi.

The post Doç. Dr. Yusuf Ali Altuncı İzmir Kâtip Çelebi Üniversitesi Sürekli Tıp Eğitimi Kurulu’ndaydı appeared first on Akamedika.

O kursa katılanların bilgisayarlarına yazıcıoğlu’ndan alınan CD’lerdeki yazılımları yüklemek kadar yoluma etki eden bir şey daha varsa o da David Salsburg’un modern istatistiğin tarihi hakkında yazdığı “Çay Tadımı Yapan Kadın: İstatistik Yirminci Yüzyılda Bilimi Nasıl Devrimleştirdi” kitabıdır. Bu kitap, yirminci yüzyılda gerçekleşen istatistiksel devrimi ele alıyor. Bu devrimde bilim, deterministik bir bakış açısından öncelikle olasılıklar, dağılımlar ve parametrelerle ilgilenen bir bakış açısına kaymıştır. Salsburg; Fisher ve Karl Pearson gibi isimlerle başlayarak, bu değişimde temel rol oynayan kişiler hakkında bir dizi öykü aracılığıyla bizi bu keyifli yolculuğa çıkarıyor. Kitabın başlığı, Ronald A. Fisher’ın ünlü kitabı Deneylerin Tasarımı’ndaki “çay tadımı yapan kadın” örneğinden geliyor.

Türkçe’sine rastlamadığım, nasıl olup da basılmadığını asla ama asla anlayamadığım, çevirmeyi 2-3 yayınevine teklif ettiğim ama pek de ilgilenen çıkmayan bu kitabın kendi okumalarımla birleştirdiğim keyifli özetlerini sizlerle de paylaşmaya karar verdim.

Hazırsanız, başlayalım…

Saat Gibi İşleyen Evren — ve Çöküşü

Salsburg’un “The Lady Tasting Tea” Önsözünden….

19.yy’a girerken bilim dünyasının kendine güveni tamdı. Evren, büyük bir saat mekanizması gibiydi: Doğru denklemleri bulursanız, yeterince hassas ölçüm yaparsanız, her şeyi önceden hesaplayabilirdiniz. Newton’ın hareket yasaları, Boyle’un gaz yasaları, Laplace’ın göksel mekanik denklemleri… Bunlar gerçekliğin matematiksel iskeletiydi.

Napolyon, Laplace’a bir keresinde sormadan edememiş: “Tanrı’dan hiç söz etmemişsiniz kitabınızda?” Laplace’ın yanıtı tarihe geçti: “Bu hipoteze ihtiyaç duymadım.” Bu yanıt o dönemin havasını özetliyordu. Tanrı’ya yer yoktu, tesadüfe yer yoktu, belirsizliğe yer yoktu. Sadece denklemler ve onların zorunlu sonuçları vardı.

Ama küçük bir sorun vardı.

Gezegenler ve kuyruklu yıldızlar, tahmin edilen pozisyonlarına tam olarak oturmuyordu. Ölçümler her seferinde biraz sapıyordu. Laplace bunu gözlem hataları olarak açıkladı ve formüllerine bir hata fonksiyonu ekledi. Bu, sapmaları bünyesine alan ek bir terimdi — sanki bir torba gibi, açıklanamayan her şeyi içine dolduruyordu.

Beklenti şuydu: Ölçüm teknolojisi ilerledikçe, bu hatalar küçülecekti.

Tam tersi oldu.

19.yy’ın sonuna gelindiğinde, ölçümler hassaslaştıkça hatalar daha da belirgin hale geldi. Biyolojinin ve sosyolojinin yasalarını bulmaya yönelik girişimler başarısızlıkla sonuçlandı. Fizik ve kimyada bile Newton ve Laplace’ın yasaları, artık sadece birer kaba yaklaşım olarak görülüyordu.

Saat mekanizması durmuştu.

Yeni Bir Paradigma: İstatistiksel Model

Bilim, yüzyılın sonunda yeni bir bakış açısına yöneldi: gerçekliğin istatistiksel modeli.

Bu değişimi anlamak için üç kavramı birbirinden ayırt etmek gerekiyor: rastgelelik, olasılık ve istatistik.

Gündelik dilde rastgelelik (rastlantı), öngörülemezlik demektir. Sıradan insan için rastgelelik, düzensizliktir.

Ama modern bilimci için rastlantı, yapısız bir kaos değildir. Matematiksel olarak tanımlanabilir bir örüntüsü vardır. Bir olasılık dağılımı, bu rastgeleliği çerçeveler ve sınırlı da olsa gelecekteki olayları tahmin etmemize imkân tanır.

Olasılık ise çok daha eski bir kavram. Aristo bile, “doğası gereği, olası olmayan şeyler de olur” demiş. 17. ve 18. yüzyıllarda Bernoulli ailesi, Fermat, Pascal, de Moivre gibi matematikçiler şans oyunlarından yola çıkarak olasılık teorisini inşa ettiler. De Moivre calculus yöntemlerini uyguladı, Bernoulli “büyük sayılar yasası” gibi temel teoremleri ortaya koydu. Ama 19. yüzyılın sonuna gelindiğinde bu teorinin sağlam bir kuramsal temeli hâlâ yoktu.

Bu kitapta Salsburg, 20. yüzyılda bilimin geçirdiği derin felsefi dönüşümü bizlere göstereceğini söylüyor. Determinizmin çöküşünü, belirsizliğin bilime nasıl entegre edildiğini ve bu devrimi yaratan insanların hikâyelerini tanıyacaksınız diyor. Popüler kültür bu devrimi henüz tam olarak sindiremiyor. “Korelasyon,” “risk,” “istatistiksel anlamlılık” gibi kavramlar gündelik dile sızmış olsa da altındaki felsefi dönüşüm hâlâ görünmez. Oysa tıp dahil hemen her bilim dalı artık istatistiksel modeller üzerine kurulu.

Salsburg bu büyük hikâyeye bir ikindi çayı ile başlamayı seçmiş: Cambridge bahçesinde keyifli bir ikindi çayı esnasında bir kadının çaya sütün mü çayın mı önce koyulduğunu anlayabileceğini iddia etmesi, belki de bu kadına kur yapmak için orada olan sakallı bir adamın kadından daha çok ilgisini çeker. Bu ilgi, bugün bilginin ve araştırmanın temellerinde rutin kullandığımız birçok kabulün de başlamasını sağlayacaktır…

Kaynak

“The Lady Tasting Tea: How Statistics Revolutionized Science in the Twentieth Century” – David Salsburg (2001), Yazar Önsözü uyarlaması.

The post Çay Tadan Leydi – Lady Tasting Tea appeared first on Akamedika.

Araştırmacılar geliştirdikleri yeni ölçüm yöntemi ile şu soruyu sormuş: “YZ bir görevi teorik olarak yapabilir” demek yetmez, peki gerçekte iş ortamında otomatize ediyor mu? Fark çok büyük. Bilgisayar ve matematik mesleklerindeki görevlerin teorik olarak %94’ü YZ’ye uygun görünüyor; ama gerçekte kapsanan oran sadece %33.

“YZ işleri düşük ücretli, düşük eğitimli insanlardan çalıyor”

Bu anlatı tamamen yanlış. Bu rapor o kalıbı alt üst etti. En yüksek YZ maruziyetine sahip çalışanlar daha yaşlı, daha eğitimli, daha iyi kazanan ve ağırlıklı olarak kadın. Yani asıl risk altındaki profil; kariyer basamaklarını tırmanan, uzmanlık geliştirmiş, beyaz yakalı profesyoneller.

Bu sezgisel olarak da mantıklı aslında. YZ, tekrarlayan fiziksel işleri değil analiz eden, yazan, veri giren, hukuki belge hazırlayan, kod yazan zihinsel işleri yapıyor. En fazla etkilenen meslekler arasında bilgisayar programcıları (%75 görev kapsamı), müşteri hizmetleri temsilcileri (%70) ve veri giriş uzmanları (%67) yer alıyor. Aşçılar, barmenler, tamirciler? Neredeyse sıfır risk.

Peki işsizlik?

2022’den bu yana yüksek riskli mesleklerde anlamlı bir işsizlik artışı yok. En fazla YZ’ye maruz kalan mesleklerde işsizlik oranları, maruziyet düşük mesleklere kıyasla anlamlı biçimde yükselmedi. Ama erken uyarı sinyalini atlamamak gerek. 22-25 yaş grubundaki genç çalışanların, YZ’ye yüksek maruz mesleklere işe alınma hızı belirgin biçimde yavaşladı (%14). Bu gençler nereye gidiyor? Araştırmacılar bunu henüz net bilmiyor. Ama şunu biliyoruz: kapıya geliyor, içeri giremiyorlar. Yani, ani bir yıkımdan ziyade daha sessiz ve alttan alta bir değişim söz konusu.

Asıl tehlike: boşluk

Araştırmanın en çarpıcı bulgusu burada. YZ’nin teorik olarak yapabildiği ile gerçekte bugün yaptığı arasında devasa bir uçurum var. Gerçek YZ benimsemesi, araçların yapabildiğinin yalnızca küçük bir parçası. Bu boşluk kapanmaya başladığında — ki kapanacak — tablo ne kadar hızlı değişir?

Araştırmacılar, 2008 krizine benzer bir beyaz yakalı çalışanlar için Büyük Durgunluk senaryosunu açıkça dile getiriyor. O zamanki krizde ABD işsizliği %5’ten %10’a çıkmıştı. YZ’ye en çok maruz sektörlerde benzer bir ikiye katlanma (%3’ten %6’ya) olsa, mevcut çerçeveyle tespit edilebilir olurdu. Henüz olmadı. Ama olabilir.

Bence buradaki kritik soru şu: Siz ve kurumunuz/şirketiniz bu boşluk kapandığında ne tarafta olacak? Kullanan tarafında mı, yoksa kullanılan tarafında mı?

Kaynak: Massenkoff & McCrory (2026), Anthropic Research https://www.anthropic.com/research/labor-market-impacts

The post Yapay Zeka gerçekten işimizi elimizden alıyor mu? appeared first on Akamedika.

Dr. Metin Cevizci liderliğinde gerçekleştirdiğimiz bu interaktif eğitimde, tıp ve klinik araştırma dünyasına hakim olan alışılmış kantitatif (nicel) bakış açısının ötesine geçerek, olaylara niteliksel (kalitatif) bir mercekle bakmanın yollarını keşfettik. Rakamların arkasında yatan gerçek hasta ve hekim içgörülerini (insight) nasıl yakalayabileceğimizi tartıştık.

Eğitimde Neler Konuştuk?

• Zihniyet Dönüşümü: Tıp pratiğinde sıklıkla aranan nedensellik ve ölçülebilirlik kavramlarının yanına, hastaların ve hekimlerin dünyasını anlama ve deneyimi çözümleme hedeflerini koyarak tam bir zihniyet dönüşümü (mind shift) üzerine konuştuk.
• Danışma Kurulları (Advisory Boards) ve Grup Dinamikleri: Sektörün vazgeçilmez bir parçası olan danışma kurullarını sadece birer toplantı olarak değil, birer nitel veri alanı olarak değerlendirmeyi öğrendik. Hiyerarşik yapıların, söylenen ile pratik arasındaki farkların ve grup dinamiklerinin analiz edilerek stratejik kör noktaların nasıl fark edilebileceğini inceledik.
• Hasta Yolculuğu (Patient Journey): Hastaların sağlık sistemi içindeki adımlarını sadece operasyonel bir akış (patient flow) olarak değil, duygu, düşünce ve ihtiyaçları barındıran bütüncül bir yolculuk olarak haritalandırmanın yollarını ele aldık.
• Araştırma Türleri ve Literatür Okuma: Fenomenoloji, etnografi, vaka çalışması gibi nitel araştırma türlerini klinik çalışmalarla kıyaslayarak, sektörel yayınların ve raporların medikal bir yönetici gözüyle nasıl daha eleştirel ve doğru yorumlanabileceğini pratik örneklerle deneyimledik.

Sağlık profesyonellerinin kendi ifadeleriyle mesleki körlüğü aşmalarına ve günlük iş süreçlerine yepyeni bir perspektif katmalarına olanak tanıyan bu eğitimde, aktif katılımları ve ufuk açıcı sorularıyla süreci zenginleştiren tüm Abdi İbrahim medikal ekibine teşekkür ederiz.

Kurumunuza özel tasarlanmış nitel araştırma, içgörü toplama ve veri yorumlama eğitimlerimizle ekiplerinizin vizyonunu genişletmek için bizimle iletişime geçebilirsiniz!

The post Nitel Çalışmaların Medikal Yönetici Gözünden Değerlendirilmesi ve Yorumlanması: Abdi İbrahim Medikal Ekibi appeared first on Akamedika.

Doç. Dr. Yusuf Ali Altuncı tarafından hazırlanan “Nadir Hastalıklarda Yapay Zeka Destekli Tanı” konulu sunu, yapay zekanın nadir hastalıkların tanı ve tedavi süreçlerindeki kritik rolü ile hekimler için nasıl güçlü bir şüphe artırıcı asistana dönüştüğü ele alındı. Katılımcılar tarafından büyük bir ilgiyle dinlenen bu çalışma, sağlıkta dijital dönüşümün geleceğine dair önemli perspektifler sundu.

Akamedika olarak sponsorları arasında da yer aldığımız bu bilimsel toplantıya nazik davetleri ve fevkalade ev sahiplikleri için Ulusal Nadir Hastalıklar Derneği’ne ve organizasyon komitesine çok teşekkür ederiz.

The post Doç. Dr. Yusuf Ali Altuncı Yapay Zeka Destekli Tanı konuşmasıyla Nörolojide Nadir Hastalıklar Sempozyumundaydı appeared first on Akamedika.

Bu kez hafta Menarini Türkiye’nin konuğuyduk. Ekibin öncelikli ihtiyacı netti: yeni ürün araştırması ve bu süreçteki raporlama faaliyetleri. Yapay zeka araçlarını bu somut iş akışlarına entegre etmeyi hedefleyerek program içeriğini de buna göre şekillendirdik. Prof. Dr. Haldun Akoğlu liderliğinde katılımcılar, günlük araştırma ve raporlama pratiklerini gerçek uygulamalar üzerinden canlı demoların eşliğinde deneyimledi:

• Yapay Zeka Araçlarına Giriş: Medikal profesyonelin günlük ve akademik hayatında YZ araçlarının yeri, doğru aracı seçme ve verimli kullanım stratejileri
• Google YZ Ailesi: Gemini Pro Thinking, NotebookLM ve Studio AI — literatür okuma ve bilgi sentezinde pratik uygulamalar
• Literatür Tarama ve Makale Yönetimi: Perplexity Pro, Elicit, SciSpace ve Consensus ile hızlı ve sistematik araştırma; otomatik raporlama iş akışları
• Literatür Haritalama: Litmaps ve ResearchRabbit ile bir terapötik alandaki araştırma ağını görselleştirme ve boşlukları tespit etme

İlaç endüstrisinde medikal yönetim ekipleri, giderek artan bir hızda bilimsel kanıtları takip etmek, yeni ürün verilerini analiz etmek ve bu süreçleri raporlamak zorunda. Yapay zeka araçları bu yükü hafifletmek için güçlü bir potansiyel taşısa da doğru aracı bulmak ve etkin kullanmak başlı başına bir beceri haline geldi.

Biz de sürekli yeni modüllerle geliştirdiğimiz EDUMED programımızla tam da bu boşluğu kapatmak için var gücümüzle çalışıyoruz. Öğrenmeyi soyut bir anlatımdan gerçek bir iş akışı pratiğine dönüştürmek için paydaşlarımızda kolkola yürümeye devam ediyoruz.

Bu anlamlı iş birliği davetleri ve harika evsahiplikleri için Menarini Türkiye’ye ve programa katılan tüm ekip üyelerine içtenlikle teşekkür ediyoruz.

The post Medikal İş Süreçlerinde Yapay Zeka Araçları: Menarini Türkiye appeared first on Akamedika.

Prof. Dr. Haldun Akoğlu’nun “Akademik Hayatta Yapay Zeka Araçları” konulu konuşması, hem çok keyifli geçti hem de paylaşılan slaytlar ve kareler ile sosyal medyada yoğun ilgiyle karşılandı. Nazik davetleri ve fevkalade ev sahiplikleri için Marmara Üniversitesi Tıp Fakültesi Çocuk Sağlığı ve Hastalığı Anabilim Dalı’na ve organizasyon komitesine çok teşekkür ederiz.

The post 13. Marmara Pediyatri Kongresi Açılışında Akademide Yapay Zeka Araçlarını konuştuk. appeared first on Akamedika.