Hasta aciliyet seviyesinin belirlenmesi için büyük dil modeli ve makine öğrenmesi tabanlı akıllı triyaj sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Erciyes Üniversitesi, Fen Bilimleri Enstitüsü, BİYOMEDİKAL MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: OMAR SAEED
Danışman: MEHMET EMİN YÜKSEL
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Acil servis triyajı, yüksek belirsizlik altında hızlı ve güvenilir karar verilmesini gerektiren, hata toleransı son derece düşük bir klinik süreçtir. Bu çalışmada, mevcut yapay zekâ tabanlı yaklaşımların ya yalnızca yapılandırılmamış dil verisine ya da doğrudan sınıflandırma performansına odaklanmasının yol açtığı güvenilirlik ve entegrasyon sorunlarını ele alan, iki aşamalı ve bütünleşik bir triyaj karar destek sistemi sunulmaktadır. Önerilen yaklaşım, büyük dil modellerinin (LLM) esnek etkileşim ve veri toplama gücünü, istatistiksel olarak kararlı bir makine öğrenimi sınıflandırıcısı ile birleştirerek uçtan uca bir triyaj mimarisi ortaya koymaktadır. Sistemin ilk aşaması, hastayla etkileşime giren LLM tabanlı bir yapılandırılmış veri toplama katmanıdır. Bu katman, serbest metin üretmek yerine, önceden tanımlı bir akış diyagramına bağlı kalarak hastaya sıralı ve bağlama duyarlı sorular yöneltmektedir. Yanıtlar anında geri okunarak doğrulanmakta; yaş, vital bulgular ve ölçüme dayalı alanlar için tür, aralık ve tutarlılık denetimleri uygulanmaktadır. Birden fazla alanı kapsayan bilgiler tek yanıtla toplanabilmekte, yanıtlanamayan sorular standart biçimde Not_Available olarak kodlanmaktadır. Yaşamı tehdit eden belirtiler algılandığında süreç otomatik olarak kesilerek klinik personele yönlendirme yapılmakta; tutarsızlık çözülemediğinde sistem güvenli biçimde insan denetimine devredilmektedir. Bu aşamanın temel katkısı, LLM'nin üretkenliğini sınırlı ve denetlenebilir bir çerçevede kullanarak klinik olarak anlamlı, hataya dayanıklı ve doğrudan sınıflandırmaya uygun bir veri temsili üretmesidir. İkinci aşamada, LLM tarafından standartlaştırılmış bu çıktılar kullanılarak Acil Servis Şiddet Endeksi (ESI) tahmini yapılmaktadır. Farklı klasik ve derin öğrenme tabanlı yöntemler karşılaştırılmış; karma veri tiplerini (kategorik, sayısal ve eksik değerler) yoğun ön-işleme gerektirmeden ele alabilmesi nedeniyle CatBoost algoritması tercih edilmiştir. Başlangıçta %55 seviyesinde olan dengelenmiş doğruluk, veri kalitesine yönelik hataların giderilmesiyle %78'e yükselmiş; öğrenme oranı, ağaç derinliği ve düzenlileştirme parametrelerinin optimizasyonu sonucunda nihai test aşamasında %85 dengelenmiş doğruluğa ulaşılmıştır. Model, farklı eğitim–doğrulama–test bölünmeleri kullanılarak 30 bağımsız tekrar halinde eğitilmiş; elde edilen sonuçların %84–%86 aralığında tutarlı biçimde kümelenmesi, yaklaşımın kararlılığını ve genellenebilirliğini ortaya koymuştur. Özellikle hasta güvenliği açısından en kritik sınıf olan ESI-1 için elde edilen yüksek kesinlik ve duyarlılık değerleri, yalancı negatif oranlarının son derece düşük olduğunu göstermektedir. Olasılık çıktıları kalibrasyon testleriyle doğrulanmış; erken durdurma ve düzenlileştirme teknikleriyle aşırı uyum sınırlandırılmıştır. Mimari modüler olarak tasarlanmış olup, veri doğrulama, özellik eşleme, sınıflandırma ve denetim izi üretimi açık biçimde ayrıştırılmıştır. Sistem, düşük gecikmeli çıkarım sağlayacak biçimde üretim ortamlarına aktarılabilir niteliktedir. Bu çalışma, LLM'lerin acil servis triyajında doğrudan sınıflandırıcı olarak kullanılmasının yerine, güvenli ve denetlenebilir bir veri giriş arayüzü olarak konumlandırılmasının daha etkili bir çözüm sunduğunu göstermektedir. Böylece LLM ile makine öğrenimi modelleri arasındaki iş bölümü netleştirilmiş; her iki yaklaşımın güçlü yönlerini bir araya getiren bütünleşik bir mimari önerilmiştir. Sunulan sistem, klinik uygulama öncesi aşamada güvenli bir başlangıç noktası sunmakta olup, gelecekte triyaja özgü veri kümeleri, çok merkezli prospektif çalışmalar ve gerçek zamanlı kullanım senaryoları ile daha ileri düzeyde doğrulanmaya açıktır.