---
type: "Akademik Makale Analizi"
title: "Yapay Zeka ile Diş Hekimliği Teşhislerinin Dönüştürülmesi: Hasta Bakımı için ChatGPT ve Büyük Dil Modellerinin Gelişmiş Entegrasyonu"
description: "Yapay zeka ve büyük dil modellerinin (LLM) tıp ve diş hekimliği teşhis süreçlerine entegrasyonu, dijital sağlık alanında büyük bir dönüşüm yaratmaktadır. Geleneksel kural tabanlı uzman sistemlerden (Yazılım 1.0) makine öğrenimi ve derin öğrenmeye dayalı sistemlere (Yazılım 2.0) geçiş süreci, klinisy"
resource: "https://makaleanalizi.com/saglik-bilimleri/klinik-ve-halk-sagligi/yapay-zeka-ile-dis-hekimligi-teshislerinin-donusturulmesi-hasta-bakimi-icin-chatgpt-ve-buyuk-dil-modellerinin-gelismis-entegrasyonu"
doi: "10.3389/fdmed.2024.1456208"
authors: ["Masoumeh Farhadi Nia", "Mohsen Ahmadi", "Elyas Irankhah"]
citation: "Nia, M. F., Ahmadi, M., Irankhah, E. (2025). Transforming dental diagnostics with artificial intelligence: advanced integration of ChatGPT and large language models for patient care. Frontiers in Dental Medicine, 5. https://doi.org/10.3389/fdmed.2024.1456208"
publicationType: "narrative-review"
discipline: "Sağlık Bilimleri"
subDiscipline: "Klinik ve Halk Sağlığı"
evidenceCount: 17
tags: ["diş hekimliği", "teşhis", "ChatGPT", "yapay zeka", "büyük dil modelleri", "doğal dil işleme", "hasta bakımı"]
timestamp: "2026-07-26T15:21:01.998Z"
---

# Yapay Zeka ile Diş Hekimliği Teşhislerinin Dönüştürülmesi: Hasta Bakımı için ChatGPT ve Büyük Dil Modellerinin Gelişmiş Entegrasyonu

Özgün başlık: Transforming dental diagnostics with artificial intelligence: advanced integration of ChatGPT and large language models for patient care
DOI: https://doi.org/10.3389/fdmed.2024.1456208
Künye (APA 7): Nia, M. F., Ahmadi, M., Irankhah, E. (2025). Transforming dental diagnostics with artificial intelligence: advanced integration of ChatGPT and large language models for patient care. Frontiers in Dental Medicine, 5. https://doi.org/10.3389/fdmed.2024.1456208

Bilim alanı: [Sağlık Bilimleri](/okf/saglik-bilimleri/index.md) › Klinik ve Halk Sağlığı

# Alan bağlamı

Yapay zeka ve büyük dil modellerinin (LLM) tıp ve diş hekimliği teşhis süreçlerine entegrasyonu, dijital sağlık alanında büyük bir dönüşüm yaratmaktadır. Geleneksel kural tabanlı uzman sistemlerden (Yazılım 1.0) makine öğrenimi ve derin öğrenmeye dayalı sistemlere (Yazılım 2.0) geçiş süreci, klinisyenlerin teşhis doğruluğunu artırırken idari yükleri azaltmayı vadetmektedir. Ancak diş hekimliği klinik süreçlerine yönelik yapay zeka modellerinin geliştirilmesinde, tıp eğitimi almamış mühendislerin tasarımları ile hekimlerin bütüncül yaklaşımı arasındaki farklar, veri kalitesi, model yanlılığı ve bilgi doğruluğu gibi yapısal sorunlar güncel alan yazında yoğun tartışmalara neden olmaktadır. Bu makale, özellikle ChatGPT ve benzeri dil modellerinin diş hekimliğindeki güncel konumunu, olanaklarını ve sınırlılıklarını tartışmaya açmaktadır.

# Akademik özet

Diş hekimliğinde yapay zeka ve büyük dil modellerinin entegrasyonu, dijital sağlık teknolojilerinde önemli bir dönüşüm yaratmaktadır. Son yıllarda doğal dil işleme alanındaki gelişmeler, özellikle ChatGPT gibi sistemlerin klinik ortamlarda kullanılabilirliğini gündeme getirmiştir. Ancak, klinik tanı süreçlerinde insan gözetiminin eksikliği, yapay zeka algoritmalarının çoğunlukla klinik eğitim almamış bilgisayar bilimcileri tarafından geliştirilmesi ve modellerin halüsinasyon üretme potansiyeli, bu teknolojilerin güvenilir bir şekilde entegre edilmesini zorlaştırmaktadır. Alan yazındaki tartışmalar, yapay zekanın teşhis doğruluğu ve karar destek mekanizması olarak sunduğu fırsatların yanı sıra, veri kalitesi, model yanlılığı ve hasta gizliliği gibi etik kaygılar etrafında yoğunlaşmaktadır. Bu çalışma, söz konusu tartışmalar çerçevesinde, büyük dil modellerinin diş hekimliği teşhis ve tedavisindeki yerini kapsamlı bir şekilde sörgülamaktadır.

Bu derleme çalışmasının temel amacı, ChatGPT ve benzeri büyük dil modellerinin tıbbi ve dental araştırmalarda bir kaynak olarak potansiyelini kanıta dayalı bir şekilde değerlendirmek ve gelecekteki araştırmalar ile klinik uygulamalara yön vermektir. Metodolojik açıdan çalışma, diş hekimliğinin farklı uzmanlık alanlarında yapay zeka uygulamalarını ele alan bibliyometrik analizleri, sistematik incelemeleri ve klinik vaka çalışmalarını sentezlemektedir. Araştırma kapsamında, ChatGPT-3.5, GPT-4 ve Google Bard gibi modellerin Japonya Ulusal Diş Hekimliği Sınavı gibi çeşitli standart sınavlardaki performansları, ortodonti, endodonti ve prostodonti gibi branşlardaki tanısal tutarlılıkları ve Elektronik Diş Kayıtlarından veri çıkarma yetenekleri karşılaştırmalı bir süzgeçten geçirilerek analiz edilmiştir.

Sentezlenen bulgular, yapay zeka modellerinin radyolojik raporları basitleştirme, klinik belgeleri otomatikleştirme ve hastalarla iletişimi güçlendirme konusunda yüksek bir potansiyele sahip olduğunu göstermektedir. Örneğin GPT-4 modelinin, karmaşık koni ışınlı bilgisayarlı tomografi verilerini hastaların anlayabileceği sade bir dile dönüştürebildiği ve diş hekimliği sınavlarında yüksek doğruluk oranlarına ulaşabildiği saptanmıştır. Ancak, karmaşık cerrahi vakalarda ve açık uçlu klinik sorularda ChatGPT'nin doğruluğunun ve eksiksizliğinin hala sınırlı olduğu, referansları hatalı veya uydurma şekilde sunabildiği belirlenmiştir. Ayrıca, sistemlerin yüksek hesaplama maliyetleri ve harici veri kaynaklarını gerçek zamanlı olarak entegre edememesi, küçük kliniklerde yaygınlaşmasının önündeki teknik engeller olarak öne çıkmaktadır.

Tartışma ve sonuç bölümünde, yapay zekanın klinisyenlerin yerini almasından ziyade tamamlayıcı birer karar destek mekanizması olarak konumlandırılması gerektiği vurgulanmaktadır. Yazarlar, bu teknolojilerin klinik uygulamalara sorumlu bir şekilde entegre edilmesi için diş hekimlerinin gözetiminin ve etik denetimlerin kritik önem taşıdığına dikkat çekmektedir. Çalışma, Türk diş hekimliği araştırmacıları için, büyük dil modellerinin klinik belgelendirme ve hasta eğitimi süreçlerindeki rolünü anlamak adına zengin bir kuramsal altyapı sunmakta ve gelecekteki ampirik çalışmalar için somut araştırma yönleri çizmektedir. Özellikle klinisyenlerin bilişsel yüklerini azaltma ve hasta otonomisini artırma potansiyeli, dijital diş hekimliği uygulamalarının geleceğini şekillendirecek temel unsurlar olarak değerlendirilmektedir.

# Araştırmanın amacı

The primary objective of this review was to provide a detailed, evidence-based evaluation of ChatGPT's potential as a resource for medical and dental research, with the goal of directing future investigations and informing clinical practice.

# Yöntem ve tasarım

Bu çalışma, diş hekimliği teşhis süreçlerinde yapay zekanın ve özellikle ChatGPT gibi büyük dil modellerinin rolünü, avantajlarını, operasyonel sınırlarını ve dental eğitime olan yansımalarını güncel literatür üzerinden ele alan kanıta dayalı bir derlemedir.

# Bulgular ve önermeler

1. Yapay sınır ağlarının diş hekimliğinde ve özellikle endodontik teşhislerde kullanımı hızla artmakta olup, bu ağların teşhis doğruluğu deneyimli diş hekimleriyle eşdeğer düzeylere ulaşmıştır.
2. ChatGPT, florür kullanımı gibi sıkça sorulan klinik sorulara Amerikan Diş Hekimleri Birliği (ADA) rehberleriyle paralel ancak onlardan daha ayrıntılı ve bilimsel açıklamalar sunabilmektedir.
3. Gelişmiş büyük dil modellerinin çalıştırılması son derece yüksek hesaplama gücü ve bellek kapasitesi gerektirdiğinden, bu durum küçük bütçeli bağımsız diş klinikleri için ciddi bir finansal engel teşkil etmektedir.
4. ChatGPT zaman zaman uydurma veya hatalı akademik referanslar üretebilmekte ve sohbetin bağlamına bağlı olarak ikna edici fakat tamamen yanlış klinik yanıtlar (halüsinasyon) verebilmektedir.

# Yazarın tartışması

Büyük dil modellerinin diş hekimliğinde sunduğu en önemli katkılardan biri, yoğun klinik ortamlarda idari iş yükünü hafifletme yeteneğidir. Çalışmada vurgulandığı üzere, ChatGPT gibi yapay zeka araçları, karmaşık tanısal verileri ve tedavi planlarını hastaların kolayca anlayabileceği seviyede sadeleştirilmiş raporlara dönüştürebilir. Bu durum, özellikle klinisyenlerin hastalarıyla kurduğu iletişimi güçlendirmekte ve hastaların tedavi süreçlerine daha aktif katılım göstermelerini sağlayarak hasta otonomisini desteklemektedir.

Yazarlar, diş hekimliğinde yapay zekanın sadece teorik bir gelişim göstermediğini, aynı zamanda pratik branşlarda da kendine yer bulduğunu belirtmektedir. Bibliyometrik verilerin de gösterdiği üzere, yapay sınır ağlarının endodontik teşhislerdeki doğruluk performansı, deneyimli diş hekimlerinin düzeyine yaklaşmıştır. Ancak bu durum, yapay zekanın klinisyenlerin yerini alacağı anlamına gelmemekte; aksine, uzman olmayan hekimler veya genç pratisyenler için teşhis kalitesini artırıcı, tamamlayıcı birer destek sistemi olarak işlev görmesi gerektiğini göstermektedir.

Teknolojinin sunduğu tüm bu fırsatlara rağmen, klinik entegrasyonun önünde çok katmanlı engeller bulunmaktadır. ChatGPT gibi gelişmiş sınır ağlarının gerektirdiği yüksek hesaplama gücü ve bellek kapasitesi, düşük bütçeli klinikler için kurulum maliyetlerini erişilemez kılmaktadır. Ayrıca, yapay zekanın harici veri kaynaklarına doğrudan erişiminin olmaması ve eğitim verilerindeki olası yanlılıklar, teşhis aşamasında taraflı ya da hatalı yönlendirmelerin ortaya çıkması riskini beraberinde getirmektedir.

Sonuç olarak, yapay zekanın tıp ve diş hekimliğindeki rolünün sürdürülebilir olması, ancak insan merkezli bir denetim mekanizması ile mümkündür. Literatürdeki çalışmaların da ortaya koyduğu gibi, yapay zeka modelleri bazen tamamen uydurma referanslar veya klinik olarak hatalı bilgiler üretebilmektedir. Bu nedenle, 'Dentronics' olarak adlandırılan dijital diş hekimliği çağında, yapay zeka araçları birincil karar merci olarak değil, yalnızca hekimin klinik deneyimini ve karar verme kalitesini artıran yardımcı birer enstrüman olarak konumlandırılmalıdır.

# Yazarın sonucu

Büyük dil modelleri hasta eğitimi, idari süreçlerin hızlandırılması ve dental müfredatın zenginleştirilmesinde önemli birer yardımcı enstrüman olsa da, klinik teşhis ve karar alma süreçlerinde uzman bir diş hekiminin deneyim temelli klinik sezgilerinin, bireyselleştirilmiş hasta bakımı yaklaşımının ve doğrudan denetiminin yerini kesinlikle alamayacağı; yapay zekanın yalnızca hekim kontrolünde destekleyici bir araç olarak entegre edilmesi gerektiği sonuçuna varılmıştır.

# Literatürdeki işlevi

Diş hekimliğinde yapay zeka ve büyük dil modellerinin entegrasyonunu ele alan bu çalışma, literatürde kural tabanlı sistemlerden derin öğrenmeye dayalı üretken yapay zekaya geçişi kuramsal ve pratik boyutlarıyla değerlendiren kapsamlı bir derleme işlevi görmektedir. Çalışma, tanı doğruluğunun artırılması, hasta-hekim iletişiminin kolaylaştırılması ve idari yüklerin hafifletilmesi gibi kritik süreçlerin altını çizerek diş hekimliği özelinde yapay zeka tabanlı uygulamaların güncel bir haritasını sunmaktadır.

Önceki çalışmalarla ilişkisi: Çalışma, önceki literatürde yer alan kural tabanlı uzman sistemler ve erken dönem makine öğrenimi yaklaşımları ile güncel çok modlu derin öğrenme ve büyük dil modelleri arasında güçlü bir köprü kurmaktadır. Önceki çalışmaların yalnızca görüntü analizine odaklanan dar kapsamını aşarak, doğal dil işleme yetenekleriyle yapılandırılmamış klinik notların ve elektronik dental kayıtların analiz edilmesine yönelik modern metodolojileri entegre etmektedir.

Literatür taramasına katkısı: Bu çalışma, diş hekimliğindeki klinik branşların her birinde yapay zekanın sunduğu somut katkıları akademik bir biçimde tasnif ederek alan yazına özgün bir sentez kazandırmaktadır. ChatGPT ve benzeri dil modellerinin hasta bilgilendirme, tanı raporlaması ve dental eğitim süreçlerindeki etkinliğini somut klinik senaryolar ve iş akışları üzerinden ele alarak, araştırmacıların gelecekteki ampirik çalışmalarına teorik bir zemin hazırlamaktadır.

# Tez ve makale araştırmalarında kullanım

- **Diş hekimliğinde yapay zeka entegrasyonu klinik tanı süreçlerinde uzman seviyesinde doğruluk sağlayabilmektedir.** — Tez yazımında, yapay sınır ağlarının dental patolojileri teşhis etmedeki doğruluk oranlarının diş hekimleriyle karşılaştırıldığı bölümlerde bu çalışmanın literatür özetlerinden yararlanılabilir.
- **Büyük dil modellerinin kliniklerde hayata geçirilmesi yüksek maliyetler ve donanım gereksinimleri nedeniyle sınırlandırılmaktadır.** — Yapay zeka teknolojilerinin sağlık kuruluşlarında yaygınlaşmasının önündeki ekonomik ve teknik engeller tartışılırken bu çalışmanın neural network altyapı maliyetlerine dair argümanı referans gösterilebilir.
- **Yapay zeka sistemleri klinik ortamlarda diş hekimlerinin mesleki karar alma süreçlerinin yerini tamamen alamaz.** — Tezin tartışma bölümünde, yapay zekanın hekim denetiminde bir destek aracı olarak konumlandırılması ve insan faktörünün vazgeçilmezliği savunulurken bu makalenin sonuç değerlendirmesi kullanılabilir.

# Türetilebilir araştırma soruları

- **Dental tomografi taramalarında yapay zeka tarafından üretilen sadeleştirilmiş raporların, hastaların tedavi süreçlerini anlama düzeyleri üzerindeki etkisi nedir?**
  - Desen: Kontrollü deneysel desen. Diş kliniğine başvuran ve konik ışınlı bilgisayarlı tomografi çekilen hastalar rassal olarak iki gruba ayrılacaktır. Deney grubuna hekim kontrolünden geçmiş yapay zeka raporu sunulurken, kontrol grubuna standart hekim açıklaması yapılacaktır. Tedaviye uyum ve memnuniyet düzeyleri ölçeklerle ölçülecektir. Örneklem büyüklüğü güç analiziyle belirlenecektir.
  - Gerekçe: Makalenin sekizinci sayfasında sunulan, tomografi verilerinin yapay zeka ile işlenip hastaya anlaşılır dilde raporlanarak hasta katılımının artırılabileceği argümanından ve gelecek araştırma çağrısından türetilmiştir.
- **Büyük dil modelleri ile entegre edilmiş klinik karar destek sistemlerinin kullanımı, genç pratisyen hekimlerin dental patolojileri teşhis etme doğruluğunu anlamlı düzeyde artırır mı?**
  - Desen: Yarı deneysel desen. Deneyimi iki yıldan az olan genç diş hekimlerinden oluşan bir grupta, yapay zeka desteği öncesi ve sonrası teşhis doğruluğu analiz edilecektir. Niteliksel derinlemesine görüşmelerle veri doygunluğuna ulaşılana kadar hekim deneyimleri sörgülanacaktır.
  - Gerekçe: Yazarların makalede belirttiği üzere, yapay sınır ağlarının endodontik problemlerde genç ve uzman olmayan hekimlere tanısal doğruluk kazandırma potansiyeline yönelik bulgulardan türetilmiştir.
- **Farklı büyük dil modellerinin prostodonti ve oral cerrahi alanındaki karmaşık klinik sorulara verdiği yanıtların doğruluk ve akademik referans uydurma oranları arasındaki farklar nelerdir?**
  - Desen: Karşılaştırmalı içerik analizi tasarımı. Belirlenen dental uzmanlık alanlarından standart klinik vakalar ve sorular her üç modele de aynı yönergelerle sorulacaktır. Elde edilen çıktılar bağımsız üç dental uzman tarafından doğruluk ve tutarlılık kriterlerine göre körleme olarak puanlanacaktır.
  - Gerekçe: Makalenin yedinci sayfasında tartışılan, yapay zeka modellerinin harici kaynak yetersizliği nedeniyle akademik referans uydurma veya tutarsız klinik yanıtlar üretme risklerinden yola çıkılarak tasarlanmıştır.

# Kaynak izleri

Her iddia, özgün yayının belirtilen sayfasındaki birebir alıntıya bağlıdır.

| Kanıt | Bölüm | PDF sayfası | Basılı sayfa | Alıntı |
|---|---|---|---|---|
| ev-o-1 | Abstract | 1 | — | Leveraging publicly accessible datasets, these models augment the diagnostic capabilities of medical professionals, streamline communication between patients and healthcare provide |
| ev-o-2 | 1 Introduction | 2 | — | The primary objective of this review was to provide a detailed, evidence-based evaluation of ChatGPT ’ s potential as a resource for medical and dental research |
| ev-o-3 | 6 Conclusion | 12 | — | while AI technologies like ChatGPT have demonstrated promising potential in the fi eld of dentistry, their integration into clinical practice should be approached with signi fi can |
| ev-o-4 | 4 AI in dental pathology, clinical practice, and surgery | 10 | — | AI applications in dentistry are transforming diagnosis and treatment, offering unprecedented precision, ef fi ciency, and personalized care. |
| ev-s-1 | 1 Introduction | 2 | — | The primary objective of this review was to provide a detailed, evidence-based evaluation of ChatGPT’s potential as a resource for medical and dental research |
| ev-s-2 | 3 AI-based systems developed and medical training | 6 | — | The transition from perceiving AI as a threat to embracing it as a tool re fl ects its growing in fl uence across healthcare ( 57 – 59 ). |
| ev-s-3 | 3 AI-based systems developed and medical training | 6 | — | While ChatGPT and AI hold promise for transforming dental practice and education, challenges such as variability in performance, ethical concerns, and the need for clinician oversi |
| ev-s-4 | 3 AI-based systems developed and medical training | 7 | — | The system is operated by a vast neural network that is extremely computationally intensive and consumes a large amount of memory, making it prohibitively expensive for smaller med |
| ev-s-5 | 3 AI-based systems developed and medical training | 7 | — | ChatGPT sometimes fails to cite references correctly or at all, and its responses may differ based on the context of the conversation, leading to convincingly incorrect responses |
| ev-s-6 | 2 AI and data analysis in dentistry | 4 | — | While ChatGPT ’ s responses were consistent over time, they were more detailed and scienti fi c than those of the ADA, even though both fundamentally conveyed the same information  |
| ev-s-7 | 2 AI and data analysis in dentistry | 2 | — | AI’s applications within dentistry are on the rise ( 20 ). The use of neural networks in diagnosing endodontic problems has been proven to be as accurate as that of dental professi |
| ev-s-8 | 2 AI and data analysis in dentistry | 4 | — | GPT-3 was found to accurately identify anatomical points in oral radiography with 100% accuracy, though Mago et al. ( 35 ) cautioned against relying solely on it due to occasional  |
| ev-s-9 | 2 AI and data analysis in dentistry | 5 | — | conducted a study in August 2023 to evaluate ChatGPT ’ s accuracy in head and neck oral maxillofacial surgery, fi nding that 87.2% of the responses were accurate and 73% were compr |
| ev-l-1 | 1 Introduction | 2 | — | In the realm of dentistry, research on ChatGPT ’ s effectiveness remains limited. There has been research on ChatGPT ’ s capability to produce scienti fi c content within oral and  |
| ev-l-2 | 3 AI-based systems developed and medical training | 7 | — | The system is operated by a vast neural network that is extremely computationally intensive and consumes a large amount of memory, making it prohibitively expensive for smaller med |
| ev-l-3 | 3 AI-based systems developed and medical training | 7 | — | The integration of AI into dentistry continues to grow, however, it is unlikely to completely replace dentists, since the profession demands more than just disease diagnosis. |
| ev-l-4 | 4 AI in dental pathology, clinical practice, and surgery | 8 | — | Within this work fl ow, ChatGPT can enhance patient comprehension by automating the generation of interpretive reports, distilling complex diagnostic data into accessible summaries |

# İlgili kavramlar

- [Ergenlerde Akran Zorbalığına Maruz Kalma, Psikolojik Sıkıntı ve Okul Aidiyetinin Koruyucu Rolü](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/ergenlerde-akran-zorbaligina-maruz-kalma-psikolojik-sikinti-ve-okul-aidiyetinin-koruyucu-rolu.md)
- [Farklı Sosyoekonomik Düzeylerdeki Kronik Hastalarda İşlevsel, İletişimsel, Eleştirel ve Dağıtık Sağlık Okuryazarlığının Öz Yönetim Davranışlarına Etkisi](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/farkli-sosyoekonomik-duzeylerdeki-kronik-hastalarda-islevsel-iletisimsel-elestirel-ve-dagitik-saglik-okuryazarliginin-oz-yonetim-davranislarina-etkisi.md)
- [4-12 Yaş Arası Çocuklarda Ebeveynlik Stilleri, Besleme Stilleri, Besleme Uygulamaları ve Kilo Statüsü: Sistematik Bir Literatür Taraması](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/4-12-yas-arasi-cocuklarda-ebeveynlik-stilleri-besleme-stilleri-besleme-uygulamalari-ve-kilo-statusu-sistematik-bir-literatur-taramasi.md)
- [Yaşlı Bireylerde Koklear İmplantların Bilişsel İşlevler Üzerindeki Etkisi: Uluslararası İleriye Dönük Boylamsal Çalışmanın Başlangıç ve 18 Aylık İzlem Sonuçları](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/yasli-bireylerde-koklear-implantlarin-bilissel-islevler-uzerindeki-etkisi-uluslararasi-ileriye-donuk-boylamsal-calismanin-baslangic-ve-18-aylik-izlem-sonuclari.md)
- [2011 Kadınlar FIFA Dünya Kupası'ndaki Kalecilerin Hücum ve Savunma Aksiyonlarındaki Farklılıklar](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/2011-kadinlar-fifa-dunya-kupasindaki-kalecilerin-hucum-ve-savunma-aksiyonlarindaki-farkliliklar.md)
- [Kalite Göstergelerinin Kalite İyileştirmede Kullanımı: Hastane Personelinin Perspektifi](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/kalite-gostergelerinin-kalite-iyilestirmede-kullanimi-hastane-personelinin-perspektifi.md)
- [Avustralyalı Yaşlı Yetişkinlerde İntihar Eğilimi: Sosyal Bağlılık ve Toplumsal Katılımın Rolü Üzerine Bir İnceleme](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/avustralyali-yasli-yetiskinlerde-intihar-egilimi-sosyal-baglilik-ve-toplumsal-katilimin-rolu-uzerine-bir-inceleme.md)
- [COVID-19 Pandemisi Sürecinde Hemşirelerin Psikolojik Sermayesi ile Yaşlı Kanser Hastalarının Memnuniyeti Arasındaki İlişki: İş Talepleri-Kaynakları Modeli](/okf/saglik-bilimleri/klinik-ve-halk-sagligi/covid-19-pandemisi-surecinde-hemsirelerin-psikolojik-sermayesi-ile-yasli-kanser-hastalarinin-memnuniyeti-arasindaki-iliski-is-talepleri-kaynaklari-modeli.md)

# Şeffaflık

- Analiz tarihi: 2026-07-26T15:21:01.998Z
- Kanıt sayısı: 17
- Üretim sürümü: makale-analizi-v3.0.0
- Kanonik sayfa: https://makaleanalizi.com/saglik-bilimleri/klinik-ve-halk-sagligi/yapay-zeka-ile-dis-hekimligi-teshislerinin-donusturulmesi-hasta-bakimi-icin-chatgpt-ve-buyuk-dil-modellerinin-gelismis-entegrasyonu