Acil serviste yapay zeka tabanlı özelleştirilmiş GPT modeli ile ayırıcı tanı doğruluğunun değerlendirilmesi
Evaluation of differential diagnosis accuracy with artificial intelligence based customized GPT model in emergency service
- Tez No: 1012236
- Danışmanlar: DOÇ. DR. CANAN AKMAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Acil Tıp, Emergency Medicine
- Anahtar Kelimeler: Acil servis, Ayırıcı tanı, Yapay zeka, Acil tıp, İnsan-yapay zeka etkileşimi, Emergency department, Differential diagnosis, Artificial intelligence, Emergency medicine, Human-artificial intelligence interaction
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çanakkale Onsekiz Mart Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Acil servise başvuran hastalarda yapılandırılmamış semptomlara ve fizik muayene bulgularına dayanarak, yapay zeka temelli özelleştirilmiş bir model (custom GPT) kullanılarak oluşturulan ayırıcı tanıların doğruluğunu ve bu modelin acil tıp pratiğinde klinik karar destek aracı olarak etkinliğini değerlendirmektir. Yöntem: Çalışmaya, acil servise başvuran 379 hastanın retrospektif olarak elde edilen klinik verileri (şikayetleri, semptomları ve fizik muayene bulguları) dahil edilmiştir. Custom GPT modeli, acil tıp literatüründe uluslararası düzeyde kabul görmüş, geniş kapsamlı ve güvenilir bir temel başvuru kılavuzu kaynak alınarak Retrieval-Augmented Generation (RAG) yöntemiyle yapılandırılmıştır. Modelden her hasta için bir ilk tanı ve dört ayırıcı tanı oluşturması istenmiştir. Modelin ilk tanı doğruluğu, hastaların yaş, cinsiyet, triyaj renkleri (yeşil, sarı, kırmızı), sistem grupları (KVS, GİS, solunum, sinir, diğer) ve acil servis sonlanım durumları (taburcu, yatış) gibi çeşitli parametrelerle ilişkilendirilerek istatistiksel analizlerle değerlendirilmiştir. Bulgular: Custom GPT modelinin ilk tanı doğruluğu %88,4 olarak bulunmuştur. Triyaj düzeyine göre ilk tanı doğruluğu yeşil alan hastalarında %93,07 (p = 0,006), kırmızı alan hastalarında ise %75,31 (p < 0,001) olarak saptanmıştır. Sistem bazında yapılan analizde, kardiyovasküler sistemin (KVS) etkilendiği hastalarda ilk tanı doğruluğu (%78,21) diğer sistemlere göre anlamlı derecede düşük bulunmuştur (p = 0,002). Yatış gerektiren hastalarda ilk tanı doğruluğu (%80,53), taburcu edilenlere göre (%91,73) anlamlı ölçüde düşüktür (p = 0,002). Cinsiyet ve yaş parametrelerinin ilk tanı doğruluğu üzerinde anlamlı etkisi saptanmamıştır (p > 0,05). Tüm parametrelere bakıldığında ilk tanı doğruluğu (%88,4) anlamlı derecede yüksek bulunmuştur (p > 0,001). Sonuç: Bu çalışma, custom GPT gibi yapay zeka destekli ayırıcı tanı sistemlerinin acil servis ortamında yüksek doğruluk oranlarıyla klinik karar desteği sağlayabileceğini göstermektedir. Özellikle düşük ve orta karmaşıklık düzeyindeki hastalarda yüksek performans gösteren bu sistemler, kritik ve karmaşık hastalarda daha dikkatli kullanılmalıdır. Bu sistemlerin acil servislerde yaygınlaştırılması, tanı süreçlerini hızlandırabilir, hekimlerin klinik yükünü hafifletebilir ve tanısal hata oranlarını azaltabilir.
Özet (Çeviri)
Objectives: The aim of this study is to evaluate the diagnostic accuracy of differential diagnoses generated by an artificial intelligence-based customized model (custom GPT) based on unstructured symptoms and physical examination findings of patients presenting to the emergency department, and to determine the effectiveness of this model as a clinical decision support tool in emergency medicine practice. Methods: The study included retrospectively collected clinical data (complaints, symptoms, and physical examination findings) of 379 patients who presented to the emergency department. A custom GPT model was developed through the Retrieval-Augmented Generation (RAG) method, utilizing a globally recognized, comprehensive reference textbook in the field of emergency medicine. The model was prompted to generate one primary diagnosis and four differential diagnoses for each patient. The accuracy of the primary diagnosis was statistically analyzed in relation to various parameters including age, gender, triage color codes (green, yellow, red), system-based classification (cardiovascular, gastrointestinal, respiratory, neurological, others), and emergency department outcomes (discharge, admission). Results: The primary diagnosis accuracy of the custom GPT model was found to be 88,4%. Based on triage level, diagnostic accuracy was 93,07% in green zone patients (p = 0,006), and significantly lower at 75,31% in red zone patients (p < 0,001). System-based analysis revealed that the model's performance was significantly lower in cardiovascular system cases (78,21%, p = 0,002). The accuracy for admitted patients (80,53%) was also significantly lower compared to those discharged from the ED (91,73%, p = 0,002). No statistically significant effects of age or gender on diagnostic accuracy were observed (p > 0,05). Considering all parameters, the initial diagnostic accuracy (88,4%) was found to be significantly high (p > 0,001). Conclusions: This study demonstrates that artificial intelligence-based systems such as custom GPT can provide high diagnostic accuracy as clinical decision support tools in emergency department settings. These systems perform particularly well in low to moderate complexity cases, whereas caution is warranted in high-acuity and complex presentations. The widespread implementation of such tools in emergency care may accelerate diagnostic processes, reduce physician workload, and minimize diagnostic errors.
Benzer Tezler
- Acil serviste periferik ve santral vertigo tanısında yapay zeka destekli bir sistemin tasarlanması ve klinik önemi
Design and clinical significance of an artificial intelligence-assisted system for diagnosing peripheral and central vertigo in the emergency department
ÖMER TURALİOĞLU
- Acil serviste iskemik serebrovasküler olay şüphesi taşıyan hastaların bilgisayarlı tomografi görüntülerinin yapay zeka ile değerlendirilmesi
Evaluation of computerized tomography images of patients with risk of ischemic cerebrovascular occlusion using artificial intelligence in emergency department
MERVE ÇIRAK
Tıpta Uzmanlık
Türkçe
2024
Acil TıpHacettepe ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. MEHMET ALİ KARACA
- Acil serviste fraktür şüphesi taşıyan hastalara çekilen pelvis bilgisayarlı tomografi görüntülerinin yapay zeka ile değerlendirilmesi
Evaluation of patients with risk of pelvik farctures in emergecy department using artificial intelligence on CT images
YÜKSEL CURCİOĞLU
Tıpta Uzmanlık
Türkçe
2025
Acil TıpHacettepe ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. MEHMET ALİ KARACA
- Acil serviste büyük dil modelleriyle klinik karar desteği: Farklı risk toleransına sahip yapay zekâ hekim personalarının tanısal performansı
Clinical decision support with large language models in the emergency department: diagnostic performance of artificial physician personas with different risk tolerance
BARIŞ KORKMAZ
Tıpta Uzmanlık
Türkçe
2026
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. BURAK ÇELİK
DR. SELMAN FARUK AKYILDIZ
- Acil serviste proksimal femur fraktürlerinin tespitinde yapay zekanın kullanımı
The use of artificial intelligence in the detection of proximal femur fractures in the emergency department
EKREM BUĞRA GÖKÇEK
Tıpta Uzmanlık
Türkçe
2025
Acil TıpAfyonkarahisar Sağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. AYŞE ERTEKİN