Uyuz Hastalığı Hakkında Hasta Odaklı Bilgi Sağlamada Yapay Zeka Modellerinin Karşılaştırmalı Değerlendirmesi: Halk Sağlığı ve Klinik Uygulama Açısından Çıkarımlar

Orhan Şen

doi:10.4274/BMB.galenos.2026.80774

Öz

Amaç

Uyuz, hastaların yüksek bulaşıcılığı ve buna bağlı damgalanma nedeniyle bilgiye erişimde güçlük yaşadığı önemli bir halk sağlığı sorunudur. Bu çalışmanın amacı, uyuz hastalığı ile ilgili sık sorulan sorulara verilen yanıtlarda, güncel yapay zeka (YZ) sohbet modellerinin (ChatGPT, Google Gemini ve Microsoft Copilot) doğruluğunu, güvenilirliğini ve okunabilirliğini karşılaştırmalı olarak değerlendirmektir.

Yöntem

Ocak 2026 tarihinde gerçekleştirilen bu kesitsel çalışmada, Google Trends verileri kullanılarak Türkiye genelinde uyuz ile ilgili en sık aranan 20 Türkçe soru belirlenmiştir. YZ modelleri tarafından üretilen yanıtlar; DISCERN ölçeği, global kalite ölçeği (GQS), doğruluk skoru (1-6 Likert ölçeği) ve Ateşman okunabilirlik formülü ile analiz edilmiştir. Ayrıca yanıtların kelime sayıları karşılaştırılmıştır. İstatistiksel analizler, ilişkili örneklemler için Friedman testi ve Bonferroni düzeltmeli post-hoc Wilcoxon işaretli sıralar testi kullanılarak gerçekleştirilmiştir.

Bulgular

Google Gemini; DISCERN (medyan: 5,0), GQS (medyan: 5,0) ve doğruluk (medyan: 6,0) puanlarının tamamında, ChatGPT ve Microsoft Copilot’a kıyasla istatistiksel olarak anlamlı düzeyde (p<0,05) daha üstün performans sergilemiştir. Microsoft Copilot, doğruluk açısından en düşük skorları almıştır. Okunabilirlik analizinde Google Gemini (58,8 puan) “orta güçlükte” ve en anlaşılır metinleri üretirken, aynı zamanda ortalama 297 kelime ile en kapsamlı yanıtları veren model olmuştur.

Sonuç

Google Gemini, uyuz hastalığı hakkında en doğru, güvenilir ve hasta dostu (okunabilir) bilgiyi sağlayan model olarak öne çıkmaktadır. Dermatologlar, hastalarına ek bilgi kaynağı olarak bu modelleri önerirken, YZ’nin “halüsinasyon” riskini ve hekim kontrolünün önemini vurgulamalıdır.

Anahtar Kelimeler:

ChatGPT, Google Gemini, sağlık okuryazarlığı, uyuz, yapay zeka

Kaynaklar

Engelman D, Yoshizumi J, Hay R, Osti M, Micali G, Norton S, et al. The 2020 international alliance for the control of scabies consensus criteria for the diagnosis of scabies. Br J Dermatol. 2020;183(5):808-820.

Karimkhani C, Colombara DV, Drucker AM, Norton SA, Hay R, Engelman D, et al. The global burden of scabies: a cross-sectional analysis from the global burden of disease study 2015. Lancet Infect Dis. 2017;17(12):1247-1254.

CrossRef

Romani L, Steer AC, Whitfeld MJ, Kaldor JM. Prevalence of scabies and impetigo worldwide: a systematic review. Lancet Infect Dis. 2015;15(8):960-967.

CrossRef PubMed Google Scholar

Worth C, Heukelbach J, Fengler G, Walter B, Liesenfeld O, Feldmeier H. Impaired quality of life in adults and children with scabies from an impoverished community in Brazil. Int J Dermatol. 2012;51(3):275-282.

CrossRef PubMed Google Scholar

Thirunavukarasu AJ, Ting DSJ, Elangovan K, Gutierrez L, Tan TF, Ting DSW. Large language models in medicine. Nat Med. 2023;29(8):1930-1940.

Recker F, Neubauer R, Wittek A, Scholten N. Large language models and women’s health: a digital companion for informed decision-making. Arch Gynecol Obstet. 2025;312(3):663-670.

CrossRef PubMed Google Scholar

Wang L, Wan Z, Ni C, Song Q, Li Y, Clayton E, et al. Applications and concerns of ChatGPT and other conversational large language models in health care: systematic review. J Med Internet Res. 2024;26:e22769.

CrossRef

Chow JC, Li K. Large language models in medical chatbots: opportunities, challenges, and the need to address AI risks. Information. 2025;16(7):549.

CrossRef

Yun HS, Bickmore T. Online health information–seeking in the era of large language models: cross-sectional web-based survey study. J Med Internet Res. 2025;27:e68560.

CrossRef PubMed Google Scholar

Index.dev. ChatGPT Stats 2025: 800M users, traffic data & usage breakdown [Internet]. Index.dev; 2025. Available from: https://www.index.dev/blog/chatgpt-statistics

Google LLC. Google Trends. Mountain View, CA: Google LLC; [accessed: 08 January 2026]. Available from: https://trends.google.com

CrossRef PubMed Google Scholar

Charnock D, Shepperd S, Needham G, Gann R. DISCERN: an instrument for judging the quality of written consumer health information on treatment choices. J Epidemiol Community Health. 1999;53(2):105-111.

CrossRef PubMed Google Scholar

Yeung AWK. Evaluation of content quality of online health information by global quality score: a case study of researchers misnaming it and citing secondary sources. Publications. 2025;13(2):23.

CrossRef

Goodman R, Patrinely J, Stone Jr C, Zimmerman E, Donald R, Chang S, et al. Accuracy and reliability of chatbot responses to physician questions. JAMA Netw Open. 2023;6(10):e2336483.

CrossRef

Salavastru CM, Chosidow O, Boffa MJ, Janier M, Tiplica GS. European guideline for the management of scabies. J Eur Acad Dermatol Venereol. 2017;31(8):1248-1253.

CrossRef PubMed Google Scholar

Türk Dermatoloji Derneği. Uyuz tanı ve tedavi rehberi [İnternet]. Ankara: Türk Dermatoloji Derneği. Erişim adresi: https://turkdermatoloji.org.tr/icerik/detay/401

Ateşman E. Türkçede okunabilirliğin ölçülmesi. Dil Dergisi.1997;58:71-74.

Shapiro J, Avitan-Hersh E, Greenfield B, Khamaysi Z, Dodiuk-Gad RP, Valdman-Grinshpoun Y, et al. The use of a ChatGPT-4-based chatbot in teledermatology: a retrospective exploratory study. JDDG J Dtsch Dermatol Ges. 2025;23(3):311-319.

Lewandowski M, Łukowicz P, Świetlik D, Barańska-Rybak W. ChatGPT-3.5 and ChatGPT-4 dermatological knowledge level based on the specialty certificate examination in dermatology. Clin Exp Dermatol. 2024;49(7):686-691.

CrossRef PubMed Google Scholar

Fattah FH, Salih AM, Salih AM, Asaad SK, Ghafour AK, Bapir R, et al. Comparative analysis of ChatGPT and Gemini (Bard) in medical inquiry: a scoping review. Front Digit Health. 2025;7:1482712.

CrossRef

Arbel Y, Gimmon Y, Shmueli L. Evaluating the potential of large language models for vestibular rehabilitation education: comparison of ChatGPT, Google Gemini, and clinicians. Phys Ther. 2025;105(4):pzaf010.

Sami MA, Samad MA, Parekh K, Suthar PP. Comparative accuracy of ChatGPT 4.0 and Google Gemini in answering pediatric radiology text-based questions. Cureus. 2024;16(10):e70897.

CrossRef

Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of ChatGPT on USMLE: potential for AI assisted medical education using large language models. PLoS Digit Health. 2023;2(2):e0000198.

Zorlu Ö, Günal U, Yazici S. The quality, accuracy, and readability of information about hidradenitis suppurativa provided by artificial intelligence: comparative analysis of ChatGPT, Copilot, and Perplexity. Medicine (Baltimore). 2025;104(39):e44728.

CrossRef

Valentini M, Szkandera J, Smolle MA, Scheipl S, Leithner A, Andreou D. Artificial intelligence large language model ChatGPT: is it a trustworthy and reliable source of information for sarcoma patients? Front Public Health. 2024;12:1303319.

CrossRef PubMed Google Scholar

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.

Engelman D, Steer AC. Control strategies for scabies. Trop Med Infect Dis. 2018;3(3):98.

CrossRef PubMed Google Scholar

Weiss BD. Health literacy and patient safety: help patients understand. Manual for clinicians. American Medical Association Foundation; 2007.

McInnes N, Haglund BJ. Readability of online health information: implications for health literacy. Inform Health Soc Care. 2011;36(4):173-189.

CrossRef PubMed Google Scholar

Campos VM, Heringer DL, Costa GP, Oliva HN, Anand A. Readability, linguistic complexity, and stigma in ChatGPT responses to opioid use disorder FAQs: a comparative analysis. Am J Addict. 2026;35(3):362-369.

CrossRef PubMed Google Scholar

Li Y, Ouyang H, Lin G, Peng Y, Yao J, Chen Y. Evaluation of the measurement properties of online health information quality assessment tools: a systematic review. Int J Nurs Sci. 2025;12(2):130-136.