Hasta aciliyet seviyesinin belirlenmesi için büyük dil modeli ve makine öğrenmesi tabanlı akıllı triyaj sistemi
An intelligent triage system for hospital emergency services based on large language models and machine learning
- Tez No: 994363
- Danışmanlar: PROF. DR. MEHMET EMİN YÜKSEL
- Tez Türü: Yüksek Lisans
- Konular: Biyomühendislik, Bioengineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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.
Özet (Çeviri)
Emergency department (ED) triage is a safety-critical process that requires rapid and reliable decision-making under uncertainty, where tolerance for error is minimal. This study proposes a two-stage, integrated triage decision support system that addresses the reliability and interpretability limitations of existing artificial intelligence approaches, which typically focus either on unstructured language processing or on standalone classification performance. The proposed framework combines the controlled interaction capabilities of large language models (LLMs) with a statistically robust machine learning classifier, resulting in an end-to-end triage architecture. The first stage consists of an LLM-driven structured data acquisition layer that interacts directly with patients. Rather than generating free-form outputs, the LLM operates under a predefined flowchart, asking context-aware and sequential questions to collect clinically relevant information. Patient responses are immediately echoed back for confirmation, while type, range, and consistency checks are applied to numerical and measurement-based fields such as age and vital signs. Composite answers allow non-essential questions to be skipped, and unanswered items are systematically encoded as Not_Available. If life-threatening symptoms are identified, the interaction is terminated and escalation to clinical staff is triggered; unresolved inconsistencies are safely handed over to human supervision. The key contribution of this stage is the use of the LLM as a controlled and auditable data-entry interface, producing standardized, machine-readable inputs suitable for downstream classification. In the second stage, the structured outputs generated by the LLM are used to predict the Emergency Severity Index (ESI). Multiple classical and deep learning approaches were evaluated; CatBoost was selected due to its ability to natively handle mixed feature types (categorical, numerical, and missing values) with minimal preprocessing. Initial experiments yielded a balanced accuracy of 55%, which increased to 78% after addressing data quality issues. Through systematic optimization of learning rate, tree depth, and regularization parameters, the final model achieved a balanced accuracy of approximately 85% on the held-out test set. To assess robustness and usability, the classifier was trained in 30 independent runs using different train–validation–test splits, with balanced accuracy consistently falling within the 84–86% range, demonstrating stable and generalizable performance. From a patient safety perspective, particularly strong results were obtained for the most critical class (ESI-1), with high precision and recall indicating very low false-negative rates. Probability outputs were validated through calibration analysis, while early stopping and regularization were employed to limit overfitting. The system architecture is modular, clearly separating input validation, feature mapping, classification, and audit logging. The model can be exported to production-ready formats, enabling low-latency inference in real-world deployments. This work demonstrates that LLMs are more effective in emergency triage when positioned as structured, safety-aware data collection interfaces rather than direct classifiers. By clearly delineating the roles of LLMs and traditional machine learning models, the proposed approach leverages the strengths of both paradigms within a unified framework. The resulting system provides a clinically meaningful and technically robust foundation for triage decision support. Future work includes the development of triage-specific datasets, multi-center prospective validation, and real-time deployment studies.
Benzer Tezler
- Proteomic approaches for the identification and quantification of clinically relevant biomarkers
Klinik önem taşıyan biyobelirteçlerin belirlenmesi ve miktar tayini için proteomik yaklaşımlar
MELTEM AŞICIOĞLU KÜÇÜK
Doktora
İngilizce
2024
Biyokimyaİstanbul Teknik ÜniversitesiMoleküler Biyoloji-Genetik ve Biyoteknoloji Ana Bilim Dalı (disiplinlerarası)
PROF. DR. NEVİN GÜL KARAGÜLER
DR. MERVE ÖZTUĞ KILINÇ
- Acil serviste ideal takip süresi ve maliyet etkin yaklaşım
Ideal follow-up time and cost effective approach in emergency department
PINAR KIR
Tıpta Uzmanlık
Türkçe
2019
İlk ve Acil YardımAnkara ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. ONUR POLAT
- Anksiyete şikayetleri nedeniyle tedavi almış hastalarda, semptomların başlaması ve psikiyatri başvuru tarihi arasında geçen süre miktarına; ruh sağlığı okuryazarlığı seviyesinin, kendini damgalamanın, stresle başa çıkma yöntemlerinin etkisinin araştırılması
Investigation of the effects of mental health literacy level, self-stigma, stress coping methods on the amount of time between the onset of symptoms and the date of psychiatri̇c referral in patients treated for anxiety complaints
ENES DURAN
Tıpta Uzmanlık
Türkçe
2026
Psikiyatriİzmir Katip Çelebi ÜniversitesiRuh Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. MUSTAFA GÜLEÇ
- L'articulation de l'éthique et de la politique chez Spinoza et Sartre
Spinoza ve Sartre'da etik ve politika eklemlenmesi
ZÜBEYDE GAYE ÇANKAYA EKSEN
- Ankara üniversitesi Tıp Fakültesi Acil Tıp Anabilim Dalında oluşturulan ulusal triyaj projesi 'acil servis triyaj karar destek sistemi – ankütriyaj' Kanada triyaj aciliyet sistemi ve manchester triyaj sistemi ile karşılaştırılması
Comparison of A national project created in Ankara University Faculty of Medicine, Emergency Department;“emergency service triage decision support system- ankutriage”with Canada triage acuity system and manchester triage system
SONER DEĞİRMENCİ
Tıpta Uzmanlık
Türkçe
2020
İlk ve Acil YardımAnkara ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. ONUR POLAT
