Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightÖzellikle dental enfeksiyon, yüz-boyun şişliği, trismus, disfaji, dispne ve sistemik bulgular gibi zaman-duyarlı klinik durumlarda kırmızı bayrakların ve eskalasyon protokollerinin açık biçimde tanımlanması hasta güvenliği açısından kritik önemdedir.
📌 3 Maddede Bu Makale
Özet
Bu editöre mektup, telediş hekimliğinde büyük dil modeli (BDM) tabanlı sohbet botlarının hasta bilgilendirme ve randevu yönlendirme süreçlerinde kullanımına ilişkin kavramsal ve yöntemsel gerekliliklere dikkat çekmektedir. Mevcut çalışmalar, bu sistemlerin ağız-diş sağlığı sorularına yanıt üretme potansiyelini göstermekte; ancak kullanım amacı, değerlendirme metrikleri, güvenlik sınırları ve raporlama biçimleri açısından belirgin farklılıklar bulunmaktadır. Özellikle dental enfeksiyon, yüz-boyun şişliği, trismus, disfaji, dispne ve sistemik bulgular gibi zaman-duyarlı klinik durumlarda kırmızı bayrakların ve eskalasyon protokollerinin açık biçimde tanımlanması hasta güvenliği açısından kritik önemdedir. Bu nedenle, BDM destekli hasta bilgilendirme ve randevu yönlendirme uygulamaları için model bilgisi, kullanım amacı, girdi senaryoları, güvenlik/eskalasyon kuralları, değerlendirme metrikleri, insan değerlendirici özellikleri, raporlama şeffaflığı ve veri gizliliği başlıklarını içeren bir asgari raporlama veri seti önerilmektedir. Bu çerçevenin, telediş hekimliği alanındaki çalışmaların karşılaştırılabilirliğini artıracağı ve hasta güvenliği odaklı kalite güvencesine katkı sağlayacağı düşünülmektedir.
Abstract
This letter highlights conceptual and methodological requirements for the use of large language model (LLM)–based chatbots in patient education and appointment triage within teledentistry. Existing studies demonstrate the potential of these systems to respond to oral health–related questions; however, substantial variation remains in the definition of intended use, evaluation metrics, safety boundaries, and reporting practices. Clear identification of red flags and escalation pathways is particularly important for time-sensitive conditions such as dental infection, facial or neck swelling, trismus, dysphagia, dyspnea, and systemic symptoms. Therefore, we propose a minimum reporting dataset for LLM-assisted patient education and appointment triage in teledentistry. The proposed dataset includes model information, intended use, input scenarios, safety and escalation rules, evaluation metrics, human evaluator characteristics, reporting transparency, and data privacy considerations. Adoption of this framework may improve comparability across studies and support patient safety–oriented quality assurance in teledentistry.