Hasta yorumları analizi, kliniğe Google yorumu, memnuniyet anketi, çağrı merkezi notu ve şikâyet formu üzerinden gelen serbest metin geri bildirimlerini yapay zeka ile tema ve duygu etiketlerine ayırıp, şikâyetin hangi şubede, hangi birimde ve hangi saat diliminde yoğunlaştığını sayısal olarak görünür kılmaktır. Amaç puan ortalamasını yönetmek değil, "şikâyetler arttı" cümlesini "randevu gecikmesi şikâyeti Selçuklu şubesinde perşembe öğleden sonra üçe katlanıyor" cümlesine çevirmektir.
Bu yazı kliniği konu alır. E-ticarette ürün yorumlarının ve iade nedenlerinin analizi mekanik olarak benzese de farklı bir veri setiyle (iade kodları, ürün ve tedarikçi kırılımı) ve farklı bir maliyet kalemiyle çalışır. Sağlıkta araya iki sınır girer: hasta mahremiyeti ve tanıtım mevzuatı. Aşağıdaki yanıt bölümü, bu işin neden pazarlama refleksleriyle yürütülemeyeceğini gösteriyor.
- Hasta hekimi seçerken çevrimiçi puanlara bakıyor: JAMA'da yayımlanan ulusal temsili ankette, bu siteleri son bir yılda kullananların %35'i iyi puan nedeniyle bir hekimi seçtiğini, %37'si kötü puan nedeniyle bir hekimden vazgeçtiğini bildirdi.
- Deneysel bir çalışma, olumsuz yorumun somut olgu içerdiğinde ("iki saat bekledim") genel değerlendirme içerene ("ilgisizdi") kıyasla belirgin biçimde daha fazla zarar verdiğini gösteriyor. Asıl iş, itibar yönetimi değil süreç düzeltmedir.
- Yorumu yıldıza değil temaya çevirin: bekleme süresi, telefona ulaşamama, fiyat bilgisi, ön büro tutumu, otopark. Etiket seti hazır alınmaz, kliniğe göre kurulur.
- Değer kırılımda ortaya çıkar: aynı şikâyetin şube, birim ve vardiya bazında yoğunlaşması kök nedeni işaret eder.
- Yanıt taslağında hastanın kliniğe geldiği bile doğrulanamaz; teşekkür yorumlarını tanıtım malzemesine dönüştürmek 12 Kasım 2025 tarihli yönetmeliğe açıkça aykırıdır.
Hasta yorumları analizi puan ortalamasına bakmaktan neden farklıdır?
Puan ortalaması bir sonuç göstergesidir; ne olduğunu söyler, nedenini söylemez. 4,2'den 3,9'a düşen bir ortalama yöneticiye eylem önermez. Tema analizi ise aynı yorum yığınını "bekleme süresi", "faturalama", "telefona ulaşamama" gibi sayılabilir kategorilere böler ve hangi kategorinin ne kadar büyüdüğünü aydan aya karşılaştırılabilir hale getirir.
Bu yorumların karar üzerindeki ağırlığı ölçülmüştür. ABD'de ulusal temsili bir örneklemle yürütülen ankette katılımcıların %65'i çevrimiçi hekim puanlama sitelerinden haberdardı; son bir yıl içinde bu siteleri kullananların %35'i iyi puan nedeniyle bir hekimi seçtiğini, %37'si kötü puan nedeniyle bir hekimden vazgeçtiğini bildirdi (JAMA, 2014).
Etkinin niteliği ise daha yenidir. Han ve arkadaşlarının deneysel çalışmasında, yüksek genel puana sahip hekimlerde bile olumsuz yorumların hasta seçim niyetini düşürdüğü, olgusal (factual) olumsuz yorumların değerlendirici (evaluative) yorumlara göre seçim niyetini anlamlı biçimde daha fazla düşürdüğü bulundu; hekimin yorumlara yanıt vermesi ise bu etkiyi kısmen hafifletiyordu (JMIR, 2024).
Pratik çıkarım nettir: "randevum 40 dakika gecikti" türü somut şikâyetler en pahalı olanlardır ve bunlar cilalı bir yanıt metniyle değil, ancak randevu aralığı düzeltilerek çözülür.
Hangi geri bildirim kaynakları tek havuzda toplanmalı?
Tek kaynağa bakmak yanıltır. Google yorumları uçları (çok memnun ya da çok kızgın) yakalar, memnuniyet anketi ortadaki sessiz çoğunluğu, çağrı kayıtları ise henüz yoruma dönüşmemiş sürtünmeyi gösterir. Üçü aynı etiket setiyle işlendiğinde, tek bir yorumda görünen şikâyetin aslında haftada kaç kez yaşandığı ortaya çıkar.
| Kaynak | Ne yakalar | Sınırı |
|---|---|---|
| Google ve harita yorumları | Yeni hasta kararını doğrudan etkileyen kamuya açık algı | Uç görüşlere kayar, örneklem temsili değildir |
| Memnuniyet anketi serbest metin alanı | Ortadaki sessiz çoğunluğun deneyimi | Yanıt oranı düşükse yanlı sonuç verir |
| Çağrı merkezi ve ön büro notları | Yoruma dönüşmeden önceki sürtünme | Not disiplini zayıfsa boş kalır |
| Şikâyet formu ve hasta hakları başvurusu | Ciddi ve tekrar eden vakalar | Hacmi düşüktür, trend için tek başına yetmez |
| Sosyal medya ve mesaj kanalları | Randevu öncesi soruların cevapsız kalması | Dağınıktır, toplanması ek iş gerektirir |
Anket sorularını yeniden yazmadan önce mevcut serbest metin alanlarını işleyin. Çoğu klinikte iki yıllık cevaplanmamış anket metni zaten birikmiş durumdadır ve analiz için ek maliyet doğurmaz.
Yorumlar hangi temalara ayrılmalı, etiket seti nasıl kurulur?
Etiket seti hazır alınmaz; kliniğin kendi süreçlerinden çıkarılır. Doğru yöntem şudur: son 12 ayın yorumlarından rastgele 150-200 tanesi okunur, tekrar eden şikâyet başlıkları elle listelenir, birbirine yakın olanlar birleştirilir ve 10-14 etiketlik bir set sabitlenir. Model bundan sonra bu sete göre etiketler; set büyüdükçe tutarlılık düşer.
| Etiket | Tipik ifade | Bağlı olduğu süreç |
|---|---|---|
| Bekleme süresi | "Randevum 15.00'tı, 15.50'de girdim" | Randevu slot aralığı, gecikme devri |
| Telefona ulaşamama | "İki gün aradım açan olmadı" | Çağrı kapasitesi, vardiya planı |
| Fiyat bilgisi ve şeffaflık | "Fiyat konusunda net bilgi alamadım" | Ön bilgilendirme, teklif akışı |
| Ön büro tutumu | "Karşılamada ilgisizdi" | İşe alım, eğitim, yoğunluk yükü |
| Randevu ve erteleme | "Randevum tek taraflı iptal edildi" | Takvim yönetimi, hekim izin planı |
| Fiziksel koşullar | "Otopark yok", "bekleme salonu dar" | Yerleşke, tabela, yönlendirme |
| Faturalama ve ödeme | "Ek ücret çıktı" | Fiyat listesi, kasa süreci |
| Klinik iletişimi | "Ne yapılacağı anlatılmadı" | Hekim görüşme süresi, bilgilendirme formu |
Yöntemin temeli yeni değil: hasta deneyimi geri bildirimlerine doğal dil işleme uygulayan çalışmaları derleyen sistematik inceleme, alandaki uygulamaların ağırlıklı olarak duygu analizi ve konu modelleme etrafında toplandığını, çoğunun kural tabanlı yaklaşımlarla yürütüldüğünü ortaya koyuyor (BMJ Health & Care Informatics, 2021). Mesele egzotik bir model değil, tutarlı bir etiket setidir.
Etiketlemeden önce verinin birleştirilebilir durumda olduğunu doğrulayın; bu adım atlanırsa analiz değil temizlik yapılır. Yapay zeka için veri hazırlığı kontrol listesi bu ön denetimi adım adım veriyor.
Şube, birim ve vardiya kırılımı ne gösterir?
Toplam sayı yönetici için işe yaramaz; kırılım işe yarar. "Bekleme süresi şikâyeti bu ay 34" cümlesi tek başına eylem üretmez. Aynı sayının şubeye, birime, haftanın gününe ve saat dilimine bölünmesi ise sorunun kaynağını doğrudan işaret eder ve müdahaleyi tek bir çizelgeye indirir.
Şu üç kırılım neredeyse her klinikte anlamlı çıkar. Şube bazında: aynı marka altındaki iki şube arasındaki fark süreçten değil yerel uygulamadan doğar; fark büyükse iyi olan şubenin çizelgesi kopyalanabilir. Saat dilimi bazında: öğle sonrasında yoğunlaşan gecikme şikâyeti, sabah randevularındaki birikmenin devrettiğini gösterir. Kanal bazında: telefonla randevu alanların şikâyeti çevrimiçi alanlardan yüksekse sorun çağrı kapasitesindedir.
Kırılımda hekim adı düzeyine inerken dikkatli olun. Az sayıda yoruma dayanan hekim bazlı bir tablo, performans değerlendirmesine dönüştürüldüğünde haksız sonuç üretir ve ekipte savunmacı bir refleks doğurur. Hekim kırılımını süreç sinyali olarak kullanın, karne olarak değil.
Tekrar eden şikâyet kök nedene nasıl bağlanır?
Yorum verisi tek başına kök neden vermez; operasyonel veriyle eşleştirildiğinde verir. Yöntem şudur: en çok büyüyen etiketi seçin, o etiketin yoğunlaştığı zaman aralığını bulun, aynı aralığın randevu, çağrı ve personel verisine bakın. Şikâyetin tepe yaptığı gün ile operasyonel anomalinin çakıştığı yer kök nedendir.
| Şikâyet teması | Bakılacak operasyonel veri | Sık çıkan kök neden |
|---|---|---|
| Bekleme süresi | Slot aralığı, işlem başına gerçek süre, gecikme devri | Slotun işlem tipine göre değil sabit ayarlanması |
| Telefona ulaşamama | Cevaplanmayan çağrı oranı, saatlik çağrı yoğunluğu | Çağrı yoğunluğuyla uyumsuz vardiya |
| Randevu iptali | Tek taraflı iptal ve erteleme kaydı | Hekim izin planının takvime geç işlenmesi |
| Fiyat bilgisi | Teklif verilen ve kapanan görüşme oranı | Ön bilgilendirmenin sözlü bırakılması |
| Ön büro tutumu | Aynı vardiyadaki hasta sayısı, personel devir hızı | Tutum sorunu değil kapasite yükü |
Son satır en sık yanlış okunan yerdir. "Personel ilgisiz" şikâyetlerinin büyük kısmı, o vardiyada karşılanan hasta sayısının taşınabilir sınırın üzerinde olmasıyla açıklanır. Bekleme ve gecikme kaynaklı şikâyetlerin bir bölümü de doğrudan takvim disiplininden doğar; boşa düşen ve kayan randevuların matematiğini randevuya gelmeyen hasta oranını düşürme rehberinde ayrıntılı ele aldık.
Olumsuz yoruma nasıl yanıt verilir, hangi cümle kurulamaz?
Yanıt yazmak işe yarar: yukarıda anılan deneysel çalışmada hekimin yanıt vermesi, olumsuz yorumun seçim niyeti üzerindeki etkisini azaltıyordu. Ancak sağlıkta yanıtın içeriği, diğer sektörlerdeki müşteri yanıtından yapısal olarak farklıdır. Yorumu doğrulamak, düzeltmek ya da "kaydınıza baktık" demek tek başına ihlal doğurur.
Yanıt metninde hastanın kliniğe geldiği, hangi tarihte geldiği, hangi birimde ya da hangi hekimde işlem gördüğü doğrulanamaz. Sağlık verisi 6698 sayılı Kanun kapsamında özel nitelikli kişisel veridir ve bir kişinin belirli bir sağlık kuruluşundan hizmet aldığı bilgisi de bu kapsamdadır. "Sizi 12 Mart'ta implant için görmüştük" cümlesi, yorumu yanlışlamak için yazılsa dahi kamuya ifşadır. Doğru yol, kamuya açık yanıtı kısa ve doğrulamasız tutmak, ayrıntıyı hastanın kendisiyle özel kanaldan konuşmaktır.
İkinci sınır tanıtım tarafındadır. 12 Kasım 2025 tarihli ve 33075 sayılı Resmî Gazete'de yayımlanan Sağlık Hizmetlerinde Tanıtım ve Bilgilendirme Faaliyetleri Hakkında Yönetmelik, hasta veya yakınlarının teşekkür ve memnuniyet ifadeleri üzerinden reklam mahiyetinde paylaşım yapılmasını yasaklar; ayrıca görsel içerikli paylaşımların yorum, beğeni ve yeniden paylaşım gibi kullanıcı etkileşimlerine kapatılmasını zorunlu kılar. Bu nedenle olumlu yorumları ekran görüntüsü olarak sosyal medyada paylaşmak, analiz projesinin çıktısı olamaz.
Uygulanabilir yanıt iskeleti üç cümledir: geri bildirim için teşekkür, hizmete ilişkin genel ve doğrulamasız bir ifade, iletişim kanalına yönlendirme. Yapay zeka bu iskeleti bağlama uygun biçimde doldurabilir; ancak yayınlamadan önce insan onayı zorunlu tutulmalıdır.
Bir uyarı daha: yorum metinlerini kurumsal olmayan, herkese açık bir sohbet asistanına yapıştırmak veri sızıntısı riski taşır. Bu riskin nasıl yönetildiğini gölge yapay zeka ve KVKK yazısında, klinik ortamındaki veri sınırlarını ise klinikte yapay zeka ve KVKK uyum rehberinde anlattık.
Aylık hasta deneyimi panosu hangi metrikleri taşımalı?
Panonun amacı yorum saymak değil, yönetim toplantısında tartışılabilir bir gündem üretmektir. Beş metrik yeterlidir ve her biri bir önceki üç ayın ortalamasıyla karşılaştırılarak okunur. Tek bir ayın hareketi gürültüdür; yön ancak üç ay üst üste aynı işaret verdiğinde anlamlıdır.
| Metrik | Nasıl hesaplanır | Ne söyler |
|---|---|---|
| Etiket başına şikâyet payı | Etiketli yorum / toplam etiketli yorum | Hangi sürecin büyüdüğü |
| Şikâyet yoğunluğu | Etiketli olumsuz yorum / o dönemki hasta sayısı | Hacim etkisinden arındırılmış gerçek eğilim |
| Yanıtlanma oranı ve süresi | Yanıtlanan yorum / toplam yorum | İtibar operasyonunun işleyip işlemediği |
| Tekrar oranı | Aynı etiketin üst üste ay sayısı | Düzeltmenin tuttuğu ya da tutmadığı |
| Kapanan aksiyon sayısı | Kök nedene bağlanıp çözülen madde | Analizin işe dönüşüp dönüşmediği |
İkinci satır kritik. Hasta sayısı arttığında şikâyet sayısı da doğal olarak artar; bölme yapılmazsa büyüyen bir klinik kendini kötüleşiyor sanır.
Son metrik ise projeyi ayakta tutan metriktir. Kapanan aksiyon sayısı sıfırsa pano bir raporlama alışkanlığına dönüşmüş demektir; o noktada analizden vazgeçmek, sürdürmekten daha dürüsttür.
Türkçe yorumlarda yapay zeka nerede yanılır?
Duygu analizi Türkçede üç yerde tökezler: olumsuzluk eki ("beğenmedim değil"), ironi ("harika, sadece iki saat bekledim") ve karma yorumlar (hekimi öven, ön büroyu eleştiren tek cümle). Karma yorumun tek bir duyguya indirgenmesi en sık yapılan hatadır ve düzeltilmezse pano sistematik biçimde iyimser çıkar.
Çözüm yöntemseldir: her yorum tek bir duygu yerine etiket başına duygu taşısın, model çıktısının rastgele seçilmiş %10'u her ay elle denetlensin ve etiket başına hata oranı kaydedilsin. Hata oranı bir etikette kalıcı olarak yüksekse o etiketin tanımı fazla geniştir; bölünmesi gerekir.
Bu bir kalite döngüsüdür; ilk ayda kusursuz sonuç beklemeyin. Pilot kurma, ölçme ve ölçekleme adımlarının genel çerçevesi için KOBİ'ler için yapay zeka rehberine bakabilirsiniz.
Altı haftada nasıl başlanır?
Birinci ve ikinci hafta: son 12 ayın Google yorumları, anket serbest metinleri ve çağrı notları tek dosyada toplanır, 150-200 yorum elle okunarak etiket seti sabitlenir. Üçüncü ve dördüncü hafta: tüm arşiv etiketlenir, şube-birim-saat kırılımı çıkarılır, ilk üç büyüyen etiket operasyonel veriyle eşleştirilir. Beşinci ve altıncı hafta: iki kök nedene müdahale planlanır, yanıt iskeleti ve onay akışı yazılır, aylık pano kurulur.
Konya gibi hem merkezden hem çevre ilçelerden hasta çeken bir ilde ulaşım, otopark ve randevu saatinin uyumu şikâyet listesinde beklenenden yüksek çıkar; bu kalemler tıbbi kalitenin dışında olduğu için çoğu klinikte hiç ölçülmez ve tam da bu yüzden en kolay düzeltilen kalemlerdir.
Elinizdeki yorum arşivinin bu analizi taşıyıp taşımadığını görmek istiyorsanız, yapay zeka çözümlerimiz kapsamında son 12 ayın yorum ve anket verisi üzerinden örnek bir tema analizi çıkarıyoruz: etiket dağılımınızı, şube kırılımınızı ve ilk üç kök neden adayınızı tek bir tabloda görüyorsunuz.