Yapay Zekâ Beslenme Yorumu: EVA'da Klinik Öneri Taslağını Kullanma

Bir beslenme raporunu hazırlamanın en çok zaman alan kısmı genellikle hesap değil, yorumdur: hangi değer önemli, hangisi ikincil, danışana hangi üç şey söylenmeli? Yapay zekâ beslenme yorumu, rapordaki değerleri okuyup bu soruya bir taslak yanıt üretir. Doğru kullanıldığında yazma yükünü azaltır; yanlış kullanıldığında ise hatalı bir öneriyi profesyonel görünümlü bir belgeye taşıyabilir. Bu rehberde EVA.Insight'taki yapay zekâ yorumunun nasıl çalıştığını, nasıl düzenleneceğini ve en önemlisi nasıl doğrulanacağını anlatıyoruz.

Yapay zekâ beslenme yorumu, bir beslenme raporundaki alım değerlerini, referansları ve klinik bağlamı okuyarak madde madde öneri taslağı üreten bir özelliktir. EVA.Insight'ta öneriler Amazon Bedrock üzerinde çalışan Claude modelleriyle üretilir; düzenlenebilir, orijinaline döndürülebilir ya da yeniden üretilebilir. Danışan kimliği modele gönderilmez ve klinik karar her zaman diyetisyende kalır.

Yapay zekâ beslenme yorumu ne yapar, ne yapmaz?

Büyük dil modelleri akıcı metin üretmede çok başarılıdır; ancak akıcılık doğruluk anlamına gelmez. Model, eksik bağlamda makul görünen ama o danışan için yanlış bir öneri üretebilir. Bu nedenle çıktıyı bir meslektaşın hazırladığı ilk taslak gibi okumak gerekir. Genel çerçeveyi yapay zekâ diyetisyenlikte nasıl kullanılır yazısında, klinik yorumların güvenilirliğini ve doğrulama yöntemlerini yapay zekânın klinik yorumu güvenilir mi yazısında ayrıntılı tartıştık.

EVA'da yapay zekâ nerede kullanılır?

EVA.Insight'ta yapay zekâ üç işte devreye girer:

1. Rapor yorumu: Rapordaki değerlere dayanan klinik öneri listesi. Metin akışlı olarak, yazıldıkça ekrana gelir.
2. Trend analizi: Zaman içindeki değişimlerin özetlenmesi.
3. Tarif çevirisi ve içe aktarma: Herhangi bir dilde yapıştırılan tarif metninin malzemelere ayrıştırılması ve çevrilmesi. Bu kullanım tarif besin değeri hesaplama rehberinde anlatılıyor.

Modeller Amazon Bedrock üzerinde çalışan Claude ailesindendir. EVA planında standart, EVA Pro planında premium model kullanılır; ücretsiz başlangıçta yapay zekâ kapalıdır.

EVA'da yapay zekâ yorumu adım adım

1. Raporu hazırlayın. Danışanı bağlayın, klinik durumu seçin ve besinleri ekleyin. Yorumun kalitesi raporun eksiksizliğine bağlıdır: klinik durumu seçilmemiş bir raporda model, diyabet ya da böbrek hastalığı gibi bağlamı bilemez.
2. Öneriyi üretin. Rapor detayındaki yapay zekâ önerisi oluştur düğmesine basın. Öneriler birkaç saniye içinde akışlı olarak hazırlanır.
3. Maddeleri okuyun. Her maddede ilgili besin öğesi, mevcut alım, hedef ve gerekçe belirtilir.
4. Düzenleyin. Beğenmediğiniz bir maddeyi düzenle ile kendi ifadenizle değiştirip kaydedin; satır "düzenlendi" olarak işaretlenir.
5. Gerekirse geri dönün. AI metnine dön seçeneği, düzenlediğiniz maddeyi orijinal öneriye döndürür.
6. Yeniden üretin. Yeniden üret, yeni bir öneri listesi hazırlar. Bu işlem mevcut düzenlemelerinizi siler ve onay ister.
7. Çıktıya aktarın. Üretilmiş öneriler PDF ve Word çıktılarına otomatik eklenir; yanlarında önerilerin tıbbi tanı veya tedavi yerine geçmediğini belirten bir uyarı notu bulunur. Rapor listesinde öneri üretilmiş raporlar ayrı bir rozetle işaretlenir.

Raporun diğer bölümleri ve çıktı seçenekleri için beslenme raporu programı rehberine bakabilirsiniz.

Öneriyi nasıl doğrulamalı? Çalışılmış örnek

Her yapay zekâ önerisi için şu kontrolleri yapmak iyi bir alışkanlıktır:

1. Sayı doğru mu? Önerideki alım değeri rapordaki değerle aynı mı?
2. Hedef doğru mu? Önerilen hedef, danışanın klinik durumuna uygun kılavuzla uyumlu mu?
3. Bağlam eksik mi? Model raporda olmayan bir bilgiyi (ilaç, semptom, laboratuvar) varsaymış mı?
4. Uygulanabilir mi? Öneri danışanın yaşamına uyuyor mu?
5. Öncelik doğru mu? En önemli sorun listenin başında mı?

Örnek: protein önerisi

68 kg'lık, diyaliz almayan evre 4 kronik böbrek hastalığı olan bir danışanın günlük protein alımı 58 g olsun. Bu, 58 / 68 ≈ 0,85 g/kg demektir. Klinik durum rapora bağlanmadan üretilmiş bir yorumun "protein alımını genel yetişkin hedeflerine göre artırın" gibi bir öneri içerdiğini düşünelim.

KDOQI 2020 kılavuzu, metabolik olarak stabil ve diyaliz almayan evre 3–5 hastalarda yakın izlem altında 0,55–0,6 g/kg/gün düşük proteinli diyet önerir. Bu danışan için hedef 68 × 0,55 = 37 g ile 68 × 0,6 = 41 g arasıdır; yani alım hedefin altında değil, üzerindedir. Yönü ters bu öneri reddedilir, klinik durum rapora bağlanır ve yorum yeniden üretilir ya da madde elle düzeltilir. Örnek, doğrulama adımlarından ikincisinin ve üçüncüsünün neden atlanmaması gerektiğini gösterir. Klinik durum bağlandığında EVA Pro'da hedefler duruma özgü tabloda ayrıca gösterilir; ayrıntılar hastalığa özgü beslenme değerlendirmesi rehberinde.

İkinci örnek: lif önerisi

Günlük lif alımı 14 g olan bir danışan için öneride "kuru baklagil ve tam tahıl tüketimini artırarak lifi 25 g'a çıkarın" maddesi yer alsın. Sayı ve hedef doğrudur; genel bir yetişkin için makul bir öneridir. Ancak danışan irritabl bağırsak sendromu nedeniyle düşük FODMAP diyetinin eleme aşamasındaysa, baklagiller ve bazı tam tahıllar bu aşamada zaten kısıtlanan besinlerdir. Bu durumda madde, eleme aşamasına uygun lif kaynaklarıyla (yulaf, kinoa, uygun sebzeler gibi) yeniden yazılır. Burada model yanlış hesap yapmamıştır; eksik olan, diyetin hangi aşamada olduğu bilgisidir. Protokolün ayrıntıları için FODMAP diyeti ve IBS yazısına bakabilirsiniz.

Yapay zekâ yorumunu iş akışına yerleştirmek

Yapay zekâ önerisinin en çok zaman kazandırdığı an, rapor tamamlandıktan hemen sonradır. Tipik bir akışta diyetisyen önce raporu kendi gözüyle okur ve aklındaki iki üç önceliği not eder; ardından öneriyi üretir ve kendi listesiyle karşılaştırır. Model, diyetisyenin gözden kaçırdığı bir değeri (örneğin düşük kalan bir mikrobesin) yakalamışsa bu bir kazançtır; diyetisyenin önceliği modelin listesinde alt sıralardaysa madde yeniden sıralanır ya da düzenlenir. Önce öneriyi okuyup sonra raporu incelemek ise çıpalama etkisi yaratır: ilk okunan metin, sonraki değerlendirmeyi farkında olmadan yönlendirir.

Kontrol görüşmelerinde yaklaşım biraz değişir. Burada soru "ne yetersiz?" değil, "ne değişti?" sorusudur. Trend analizi, ardışık kayıtlardaki değişimleri özetleyerek bu soruya bir başlangıç sunar; yine de iki ziyaret arasındaki ölçüm farkını danışan kartında kendiniz karşılaştırmak, özetin doğruluğunu kontrol etmenin en kısa yoludur.

Pratikte işe yarayan birkaç alışkanlık:

• Maddeleri danışanın diline çevirin. Model genellikle besin öğesi üzerinden yazar; danışana verilecek metinde besin ve porsiyon üzerinden anlatım daha etkilidir.
• Madde sayısını azaltın. Beş maddelik bir listeden en önemli üçünü bırakmak, uyumu artırır.
• Düzenlediğiniz maddeleri koruyun. Yeniden üretme işlemi düzenlemeleri sildiği için, üzerinde çalıştığınız bir listeyi yeniden üretmeden önce iki kez düşünün.
• Klinik durumu önce bağlayın. Durum sonradan eklendiyse öneriyi yeniden üretmek, eski bağlamsız maddeleri temizlemenin en kolay yoludur.

Gizlilik: danışan verisi nasıl korunuyor?

Sağlık verisi KVKK kapsamında özel nitelikli kişisel veridir ve üçüncü taraf bir hizmete aktarımı dikkat gerektirir. EVA.Insight'ta yapay zekâ yorumu üretilirken danışanın kimlik bilgileri modele gönderilmez; yorum, rapordaki besin değerleri ve klinik bağlam üzerinden üretilir. Anonim danışan modu kullanıyorsanız kimlik bilgisi zaten hiç kaydedilmez.

Kurumların farklı politikaları olabilir. Üniversiteler kendi alan adları için yapay zekâ yorumunu kapatabilir; bu, öğrencilerin değerlendirmeyi yardımsız yapmasını isteyen eğitim programları için tasarlanmıştır. EDU planının ayrıntıları diyetetik öğrencileri için EVA EDU rehberinde. Yapay zekâ ve sağlık verisinin genel çerçevesini yapay zekâ ve sağlık verisi gizliliği yazısında, programın bütün güvenlik ayarlarını KVKK uyumlu diyetisyen programı rehberinde ele aldık.

Genel amaçlı sohbet botundan farkı nedir?

Genel amaçlı bir sohbet botuna "bu danışan için yorum yap" dendiğinde model, kullanıcının yazdığı serbest metinle çalışır; sayılar genellikle elle aktarılır ve referans seçimi modelin varsayımına kalır. Rapor içine yerleşik bir yorumda ise girdi, programın hesapladığı yapılandırılmış değerlerdir: alım, referans ve klinik durum aynı kaynaktan gelir. Bu, sayı aktarımındaki hatayı ortadan kaldırır; ancak modelin yorum hatası yapma olasılığını ortadan kaldırmaz. Her iki durumda da doğrulama diyetisyenin sorumluluğundadır. Genel sohbet botlarıyla diyet listesi hazırlamanın risklerini ChatGPT ile diyet listesi yazısında inceledik.

Hangi planda kullanılır?

Yapay zekâ yorumu ücretli planlarda açıktır: EVA planında standart model, EVA Pro'da premium model kullanılır. Ücretsiz başlangıçta yapay zekâ bulunmaz. Özelliklerin tam listesi özellikler sayfasında yer alır.

Özet

• Yapay zekâ beslenme yorumu bir taslaktır; tanı koymaz, klinik karar diyetisyendedir.
• EVA'da öneriler rapor değerlerine dayanır, akışlı gelir, düzenlenir, orijinaline döndürülür ya da yeniden üretilir; çıktılara uyarı notuyla eklenir.
• Doğrulamada sayı, hedef, eksik bağlam, uygulanabilirlik ve öncelik kontrol edilir; örnekteki böbrek hastasında yönü ters bir protein önerisi bu kontrolle yakalanır.
• Danışan kimliği modele gönderilmez; üniversiteler kendi alan adları için yorumu kapatabilir.