Hemşirelik Tezinde Yapay Zekâ Ekseninde 2026’nın Öne Çıkan Sekiz Konusu

Hemşirelik tezlerinde yapay zekâ, artık “gelecek konusu” değil, klinik karar destek sistemleri, erken uyarı skorlama algoritmaları ve hemşirelik kayıtlarının doğal dil işlemesi gibi somut uygulama alanlarıyla bugünün konusudur. Bu yazı, sitemizdeki hemşirelik tez konuları rehberimizin 12 alt alanına ek olarak, yalnızca yapay zekâ eksenine odaklanan sekiz konu sunar — her biri araştırma sorusu, veri kaynağı ve erişim notuyla birlikte.

Not: Bu liste bir doygunluk ölçümü içermez. Sitemizdeki diğer “tez konuları” yazılarımız YÖK Ulusal Tez Merkezi’nde ölçülmüş yoğunluk notları taşır; bu yazı için böyle bir ölçüm yapılmamıştır, çünkü “hemşirelik” ve “yapay zekâ” terimlerinin birlikte geçtiği kayıtların sayımı, terim varyasyonu (yapay zekâ, makine öğrenmesi, derin öğrenme gibi farklı ifadelerin ayrı ayrı taranması gerekir) nedeniyle tek bir oturumda güvenilir biçimde yapılamaz. Konu seçmeden önce kendi taramanızı mutlaka yapın; yöntemi YÖK Ulusal Tez Merkezi’nde tez arama rehberimizde bulabilirsiniz.

Sekiz konu

1. Erken uyarı skorlama sistemlerinde yapay zekâ destekli risk tahmini. Soru: Makine öğrenmesi tabanlı bir erken uyarı modeli, geleneksel skorlama sistemlerine (NEWS2 gibi) kıyasla klinik kötüleşmeyi ne kadar erken/doğru öngörüyor? Veri: retrospektif hasta kayıtları (vital bulgular, laboratuvar sonuçları). Erişim notu: hastane bilgi işlem biriminden veri erişim izni ve etik kurul onayı gerektirir, süreç uzun sürebilir.
2. Hemşirelik kayıtlarının doğal dil işleme ile analizi. Soru: Serbest metin hemşirelik notları, doğal dil işleme yöntemleriyle hangi klinik örüntüleri (ağrı, anksiyete, düşme riski ifadeleri) tutarlı biçimde tespit edebiliyor? Veri: elektronik hasta kayıt sistemindeki serbest metin alanları. Erişim notu: hasta mahremiyeti nedeniyle veri anonimleştirme süreci tez planında ayrıntılı yazılmalıdır.
3. Düşme riski tahmininde yapay zekâ modelleri. Soru: Bir makine öğrenmesi modeli, geleneksel düşme riski ölçeklerine (Morse Düşme Ölçeği gibi) kıyasla hangi ek değişkenleri (hareket sensörü verisi, geçmiş düşme öyküsü) anlamlı buluyor? Veri: sensör verisi + hasta dosyası. Erişim notu: sensör kurulumu gerektiren tasarımlar ek bütçe ve süre ister; dosya-temelli retrospektif tasarım daha erişilebilir bir alternatiftir.
4. Hemşirelik öğrencilerinin yapay zekâ araçlarına yönelik tutumu. Soru: Hemşirelik öğrencileri klinik karar destek araçlarına ne kadar güveniyor ve bu güven düzeyini hangi faktörler (dijital okuryazarlık, klinik deneyim) yordamaktadır? Veri: ölçekli anket. Erişim notu: en erişilebilir tasarımlardan biri — kendi fakültenizde yürütülebilir.
5. Sepsis erken tanısında tahminsel modeller. Soru: Bir tahminsel model, hemşirelerin sepsis şüphesini fark etme süresini kısaltıyor mu, kısaltıyorsa hangi eşik değerinde yanlış alarm oranı kabul edilebilir kalıyor? Veri: yoğun bakım/acil servis hasta kayıtları. Erişim notu: yüksek riskli bir klinik ortamda veri erişimi, kurumsal etik kurul dışında bir de klinik şeflik onayı gerektirebilir.
6. Sohbet robotlarının (chatbot) hasta eğitiminde kullanımı. Soru: Kronik hastalık yönetimi eğitiminde bir sohbet robotu, hastaların öz-bakım bilgisini geleneksel yazılı materyale kıyasla nasıl etkiliyor? Veri: öntest-sontest bilgi ölçeği. Erişim notu: bir sohbet robotu prototipi gerektirdiği için teknik iş birliği (bilgisayar mühendisliği bölümü, hastane BİM birimi) planlanmalıdır.
7. Yapay zekâ destekli triyaj kararlarında hemşirelik yargısının rolü. Soru: Acil serviste bir yapay zekâ triyaj önerisi ile hemşirenin kendi klinik yargısı farklılaştığında, hemşireler bu farkı nasıl yönetiyor ve nihai kararı neye göre veriyor? Veri: nitel — derinlemesine görüşme veya gözlem. Erişim notu: nitel tasarım, sayısal bir model geliştirmeden yapay zekâ-insan etkileşimini incelemek isteyenler için erişilebilir bir alternatiftir.
8. Yapay zekâ kullanımının hemşirelik iş yüküne ve tükenmişliğe etkisi algısı. Soru: Klinik karar destek sistemlerinin günlük kullanımı, hemşirelerin algılanan iş yükünü ve tükenmişlik düzeyini nasıl etkiliyor? Veri: ölçekli anket (iş yükü + tükenmişlik ölçekleri). Erişim notu: birden fazla klinik birimden örneklem toplanması karşılaştırmalı analiz gücünü artırır.

Sekiz konunun izin karmaşıklığına göre özeti

İzin karmaşıklığı düşük olan konular (4 ve 8) tez süresi kısıtlı olan öğrenciler için daha güvenli bir başlangıç noktasıdır; yüksek karmaşıklıktaki konular (1, 2, 5) daha uzun bir hazırlık süresi gerektirir ama genellikle daha yüksek özgünlük potansiyeli taşır.

Bu sekiz konunun ortak zorluğu: veri erişimi

Yukarıdaki konuların çoğu, gerçek hasta verisine (elektronik kayıt, sensör verisi, laboratuvar sonucu) erişim gerektirir — bu, hemşirelik tezlerinde alışılmış anket/gözlem tasarımlarından daha ağır bir izin süreci demektir. Üç seviyeli bir izin genellikle gerekir: (1) üniversitenin etik kurulu, (2) verinin toplandığı hastanenin kurumsal izni, (3) veri elektronik sistemden çekilecekse hastanenin bilgi işlem/BİM biriminin teknik onayı. Bu üç seviyeyi tez önerisi aşamasında planlamamak, en sık karşılaşılan gecikme nedenidir. Tutumu/algıyı ölçen konular (4, 8 numaralı konular gibi) bu üç seviyeli izne genellikle ihtiyaç duymaz ve bu yüzden daha hızlı yürütülebilir.

Bu sekiz konu neden şimdi gündemde?

Uluslararası sağlık bilişimi ve hemşirelik informatiği yazınında klinik karar destek sistemleri, erken uyarı skorlaması ve doğal dil işleme uzun süredir çalışılan başlıklardır; Türkiye’de hastanelerin elektronik hasta kayıt sistemlerine geçişinin yaygınlaşması, bu verinin akademik araştırmaya konu olabilmesini son yıllarda daha mümkün kılmıştır. Bu, konunun “yeni” olmasının iki yönü olduğu anlamına gelir: uluslararası literatür zaten geniştir (kaynak bulmakta zorlanmazsınız), ama Türkiye’ye özgü uygulama ve veri seti azdır (kendi çalışmanız gerçek bir boşluğu doldurabilir). Bu ikili durum, tam olarak yüksek özgünlük potansiyeli taşıyan ama aynı zamanda daha fazla hazırlık gerektiren bir konu profilinin tarifidir.

Hangi analiz araçları bu konularda kullanılır?

Tasarımınıza göre araç seçimi değişir. Tutum/algı ölçen anket tasarımlarında (4 ve 8 numaralı konular) SPSS, jamovi veya JASP gibi standart istatistik paketleri yeterlidir — bu konularda ekstra bir teknik altyapıya ihtiyacınız yoktur. Bir tahminsel model geliştiren tasarımlarda (1, 3, 5 numaralı konular) Python (scikit-learn, pandas) veya R gibi araçlar ve değişken seçimi, model doğrulama (çapraz doğrulama, eğitim/test ayrımı) gibi ek bir yöntem bilgisi gerekir — bu genellikle bir bilgisayar mühendisliği veya biyoistatistik ortak danışmanıyla yürütülür. Metin analizi tasarımlarında (2 numaralı konu) doğal dil işleme kütüphaneleri (Python’da spaCy, NLTK gibi) veya hazır ticari araçlar kullanılabilir. Nitel tasarımda (7 numaralı konu) MAXQDA veya NVivo gibi kodlama yazılımları tercih edilir.

Yapay zekâ konusunu seçerken sormanız gereken üç soru

• Gerçek bir model mi geliştireceğim, yoksa var olan bir aracı mı değerlendireceğim? Sıfırdan bir makine öğrenmesi modeli geliştirmek veri bilimi altyapısı ve muhtemelen bir bilgisayar mühendisliği ortak danışmanı gerektirir; var olan bir aracın klinik etkisini veya kullanıcı algısını incelemek hemşirelik metodolojisiyle tek başına yürütülebilir.
• Verimin gerçekten erişilebilir mi? Hastane veri sistemine erişim sözü almak ile gerçekten erişim almak arasında aylar sürebilecek bir fark vardır; tez önerisi aşamasında bu iznin yazılı bir ön onayla desteklenmesi önerilir.
• Danışmanımın bu alanda rehberlik verebileceği bir arka planı var mı? Yapay zekâ eksenli bir konu, çoğu zaman istatistik bilgisinin ötesinde bir teknik kelime dağarcığı (model, algoritma, eğitim seti, doğrulama) gerektirir; danışmanınızla bu konudaki rahatlık düzeyini baştan konuşmak, ileride yaşanacak sürtünmeyi azaltır.

Nicel tasarımlarda (1, 3, 4, 5, 8 numaralı konular) örneklem büyüklüğünüzü nasıl hesaplayacağınız ayrı bir planlama adımıdır; adımları örneklem büyüklüğü rehberimizde bulabilirsiniz. Model geliştirme tasarımlarında (1, 2, 3, 5) örneklem büyüklüğü kavramı biraz farklı işler — burada asıl kısıt genellikle mevcut veri setinin boyutudur, yeni katılımcı toplamak değil.

İşevuruk tanım örneği: “yapay zekâya güven” nasıl ölçülür?

Yukarıdaki 4. konudaki “güven” kavramsal bir terimdir ve doğrudan ölçülemez; işevuruk (operasyonel) tanıma indirgenmesi gerekir. Örnek: güven, katılımcının bir klinik karar destek aracının önerisini ek doğrulama yapmadan kabul etme eğilimini ifade eder ve 5’li Likert tipi bir ölçekle (“Bu aracın önerisine genellikle güvenirim” gibi maddelerle) ölçülür. Bu tanım olmadan “güven” kelimesi her okuyucuda farklı bir şey çağrıştırır ve bulgular karşılaştırılamaz hale gelir. Kavramsal ve işevuruk tanımın alanlara göre daha geniş bir matrisini işevuruk tanım rehberimizde bulabilirsiniz.

Tez önerisini güçlendirmek için küçük ölçekli bir ön çalışma (fizibilite kontrolü) nasıl kurulur?

Yukarıdaki sekiz konudan izin karmaşıklığı yüksek olanlarını (1, 2, 5 numaralı konular) seçen öğrenciler için, tez önerisi aşamasında küçük ölçekli bir ön çalışma (fizibilite kontrolü) yürütmek, hem danışmanı hem etik kurulu ikna etme gücünü artırır. Bu, tezin kendisi değil, tezin gerçekten yürütülebilir olduğunu göstermeye yönelik küçük bir adımdır — örneğin erken uyarı skorlaması konusunu seçen bir öğrenci, önce hastanenin veri sisteminden yalnızca birkaç aylık ve az sayıda değişken içeren küçük, anonimleştirilmiş bir örneklem talep edip bu örneklemin gerçekten erişilebilir, temiz ve modele uygun biçimde çekilebildiğini gösterebilir. Bu ön kontrolün üç faydası vardır: (1) veri erişiminin sözde değil gerçekten mümkün olduğunu kanıtlar, (2) verideki eksik değer veya format sorunlarını tez önerisi onaylanmadan önce ortaya çıkarır, (3) danışmana ve etik kurula sunulacak öneri metnine somut bir “pilot veri örneği bulundu” cümlesi ekler — bu cümle, salt niyet beyanından çok daha güçlü bir yürütülebilirlik kanıtıdır. Ön çalışma sonuçları hiçbir şekilde tezin asıl bulguları olarak sunulmamalı, yalnızca yöntem bölümünde “fizibilite ön kontrolü” olarak kısaca belirtilmelidir.

Bu liste, 12 alt alanlık genel listeden nasıl farklı?

Sitemizdeki genel hemşirelik tez konuları rehberi, alanın 12 alt dalını (yoğun bakım, çocuk sağlığı, ruh sağlığı gibi) tarar ve her birinden birer konu verir — geniş bir harita sunar. Bu yazı ise tek bir merceği (yapay zekâ) alıp o merceğin altında sekiz farklı uygulama alanını derinlemesine işler — dar ama derin bir harita sunar. İki liste arasında konu çakışması yoktur; genel listedeki hiçbir konu yapay zekâ eksenli değildir. İki yaklaşımı birlikte kullanmak isterseniz, önce genel listeden ilgi duyduğunuz alt alanı (örneğin yoğun bakım) belirleyin, ardından bu yazıdaki sekiz konudan o alt alana en yakın olanı (örneğin erken uyarı skorlaması veya sepsis erken tanı) seçip ikisini birleştirin.

Yayın planı: makaleye dönüştürme fırsatı

Yapay zekâ eksenli hemşirelik tezleri, konunun güncelliği nedeniyle dergilerin de ilgisini çekmektedir; tezinizi bitirdikten sonra bulgularınızı bir makaleye dönüştürmeyi düşünüyorsanız, bu niyeti tez önerisi aşamasında danışmanınızla konuşmak, veri toplama ve raporlama biçiminizi (örneğin STROBE veya TRIPOD gibi raporlama kılavuzlarına uygun yazım) baştan buna göre kurmanızı sağlar. Bu, zorunlu bir adım değildir ama tezinizin ötesinde bir katkı hedefliyorsanız erken düşünülmesi gereken bir planlama unsurudur.

Kendi konunuzu nasıl daraltırsınız?

Yukarıdaki sekiz konudan birini olduğu gibi kullanmayın. Kendi kliniğinizde veya erişebildiğiniz veri kaynağında gerçekten mümkün olan bir alt kırılım seçin (örneğin “düşme riski tahmini” yerine “yalnızca 65 yaş üstü ortopedi servisinde düşme riski tahmini”), araştırma sorunuzu netleştirin ve erişim izinlerini tez önerisi aşamasında belgeleyin. Tesify ile konunuzu bu sekiz örneğe benzer bir araştırma sorusuna dönüştürebilirsiniz — bölüm iskeleti hazır gelir, veri kaynağınız ve kliniğiniz sizin kalır.

Sık sorulan sorular

Bu sekiz konu YÖK Tez Merkezi’nde doygunluk ölçülerek mi seçildi?

Hayır, yukarıda açıkça belirtildiği gibi bu liste için bir doygunluk ölçümü yapılmamıştır; konu seçmeden önce kendi taramanızı yapmanız gerekir.

Yapay zekâ modeli geliştirmek için programlama bilmem gerekir mi?

Sıfırdan bir model geliştirecekseniz evet, ya en azından bir ortak danışman/ekip arkadaşı gerekir; var olan bir aracı değerlendiren veya tutum ölçen tasarımlarda programlama bilgisi gerekmez.

Hasta verisiyle çalışmak zorunda mıyım?

Hayır — 4, 6, 7 ve 8 numaralı konular gibi tutum/algı/etkileşim odaklı tasarımlar anket, görüşme veya gözlemle yürütülebilir, doğrudan hasta verisine ihtiyaç duymaz.

Yapay zekâ konusu diğer hemşirelik konularından daha mı zor kabul edilir?

Zor değil ama farklı bir izin ve teknik bilgi profili gerektirir; danışmanınızla erken bir aşamada bu profilin sizin kaynaklarınızla uyumlu olup olmadığını değerlendirin.

Bu konulardan birini seçersem literatür bulmakta zorlanır mıyım?

Uluslararası yazında sağlık bilişimi ve hemşirelik informatiği alanında yapay zekâ literatürü geniştir; zorluk genellikle Türkçe/yerel literatürün kısıtlı olmasıdır — İngilizce kaynaklara açık olmanız önerilir.

Konumu seçtikten sonra ilk adımım ne olmalı?

YÖK Ulusal Tez Merkezi’nde kendi terimlerinizle (yapay zekâ, makine öğrenmesi, derin öğrenme gibi varyasyonları ayrı ayrı deneyerek) bir tarama yapın ve danışmanınızla veri erişim olasılığını konuşun — konu seçimi bu ikisi netleşmeden kesinleşmemelidir.

Danışmanım yapay zekâ konularına aşina değilse ne yapmalıyım?

Bir ortak danışman (bilgisayar mühendisliği veya biyoistatistik alanından) önerebilir veya konuyu teknik derinliği daha az gerektiren bir tasarıma (örneğin 4 veya 8 numaralı tutum/algı konularına) kaydırabilirsiniz.

Bu konulardan biri için hazır bir Türkçe ölçek var mı?

Tutum/algı ölçen konularda (4, 8) alan yazınında yapay zekâya güven veya dijital sağlık okuryazarlığı gibi kavramları ölçen bazı uyarlanmış ölçekler bulunabilir; kullanmadan önce ölçeğin orijinal kaynağını ve Türkçe uyarlama makalesini mutlaka doğrulayın.

Model geliştirme tasarımı yerine sadece bir aracı değerlendirsem daha mı kolay olur?

Genellikle evet — var olan bir yapay zekâ aracının klinik etkisini, kullanıcı algısını veya iş akışına etkisini incelemek, sıfırdan model geliştirmekten daha az teknik altyapı gerektirir ve hemşirelik metodolojisiyle tek başına yürütülebilir.