Makine öğrenimi ile acil servis triyaj tahmin modeli geliştirme: İstanbul'da bir sağlık grubu örneği
Developing an emergency service triage prediction model with machine learning: an example of a healthcare group in İstanbul
- Tez No: 1012176
- Danışmanlar: DOÇ. DR. MUHAMMED FEVZİ ESEN
- Tez Türü: Doktora
- Konular: Yönetim Bilişim Sistemleri, Sağlık Yönetimi, Bilim ve Teknoloji, Management Information Systems, Healthcare Management, Science and Technology
- Anahtar Kelimeler: Acil Servis, Karar Destek Sistemleri, Makine Öğrenmesi, Triyaj, Yapay Zeka, Artificial Intelligence, Decision Support Systems, Emergency Service, Machine Learning, Triage, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Hamidiye Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Sağlık Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Sağlık Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışma, acil servis triyaj kategorilerini tahmin etmek için açıklanabilir bir makine öğrenmesi modeli geliştirmeyi, modelin farklı hasta alt gruplarında algoritmik adalet ilkelerine uygunluğunu değerlendirmeyi ve sağlık profesyonellerinin yapay zeka tabanlı triyaj sistemlerine yönelik algılarını araştırmayı amaçlamaktadır. Gereç ve Yöntem: Karma yöntem tasarımı benimsenmiştir. Kantitatif bileşende, İstanbul'daki özel bir sağlık grubuna bağlı 10 hastaneden Ocak 2018-Mart 2025 döneminde toplanan 12.335 acil servis başvurusu retrospektif olarak analiz edilmiştir. XGBoost, Random Forest ve Lojistik Regresyon algoritmaları karşılaştırılmıştır. Model açıklanabilirliği SHAP analizi ile sağlanmıştır. Kalitatif bileşende, 13 acil servis profesyoneli ile yarı-yapılandırılmış görüşmeler gerçekleştirilmiştir. Bulgular: XGBoost modeli, temporal validasyon setinde 0,862 dengeli doğruluk ve 0,956 AUROC değerleri ile en yüksek performansı sergilemiştir. Model, Kırmızı kategoride %87,5 duyarlılık göstermiştir. Algoritmik adalet analizinde, ambulansla gelen hastalarda 4,3 yüzde puanlık performans düşüşü saptanmıştır. SHAP analizi, ambulans gelişi, yaş ve vital bulguların en önemli tahmin ediciler olduğunu ortaya koymuştur. Kalitatif bulgular, sağlık profesyonellerinin makine öğrenmesine temkinli iyimserlik gösterdiğini ortaya koymuştur. Sonuç: Geliştirilen XGBoost modeli, acil servis triyajında klinik karar destek sistemi olarak kullanılma potansiyeli taşımaktadır. Ambulans hastalarındaki performans düşüşü algoritmik adalet açısından dikkat gerektirmektedir. Başarılı klinik uygulama için insan denetiminin korunması ve sürekli performans izleme önerilmektedir.
Özet (Çeviri)
ABSTRACT Aim: This study aims to develop an explainable machine learning model to predict emergency department triage categories, evaluate the model's compliance with algorithmic fairness principles across different patient subgroups, and investigate healthcare professionals' perceptions of artificial intelligence-based triage systems. Materials and Methods: A mixed-methods design was adopted. In the quantitative component, 12,335 emergency department visits collected from 10 hospitals affiliated with a private healthcare group in Istanbul between January 2018 and March 2025 were retrospectively analyzed. XGBoost, Random Forest, and Logistic Regression algorithms were compared. Model explainability was provided through SHAP analysis. In the qualitative component, semi-structured interviews were conducted with 13 emergency department professionals. Results: The XGBoost model demonstrated the highest performance with 0,862 balanced accuracy and 0,956 AUROC in the temporal validation set. The model showed 87.5% sensitivity for the Red category. Algorithmic fairness analysis revealed a 4.3 percentage point performance decline in ambulance-arriving patients. SHAP analysis identified ambulance arrival, age, and vital signs as the most important predictors. Qualitative findings showed that healthcare professionals exhibited cautious optimism toward machine learning. Conclusion: The developed XGBoost model has potential for use as a clinical decision support system in triage. The performance decline in ambulance patients requires attention regarding algorithmic fairness. For successful clinical implementation, maintaining human oversight and continuous performance monitoring are recommended.
Benzer Tezler
- Using traditional and deep machine learning methods on predicting triage level in an emergency room
Geleneksel makine öğrenmesi ve derin öğrenme yöntemleriyle acil servis triyaj tahminlemesi
MEHMET YILDIRIM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. EMRE UĞUR
PROF. DR. AYŞE BAŞAR
- Makine öğrenmesi ile acil triyaj ve hastane yatış tahmini
Emergency triage and hospitalization prediction using machine learning
ABDOUL AZIZ RAZIKOU DILWANI
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER ÖZGÜR TANRIÖVER
- 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
OMAR SAEED
Yüksek Lisans
Türkçe
2026
BiyomühendislikErciyes ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET EMİN YÜKSEL
- 112 Acil Sağlık Hizmetleri aracılığıyla hastaneye getirilen hastaların triyaj skorlarının ve yapay zeka öğrenim skorunun karşılaştırılması
Comparison of triage scores and artificial intelligence learning scores of patients brought to hospital via 112 Emergency Health Services
HÜSEYİN SELVİ
Tıpta Uzmanlık
Türkçe
2025
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. UTKU MURAT KALAFAT
- Dijital olarak geliştirilen triyaj destek uygulamasının acil servis triyajında kullanımının araştırılması
Investigation of the use of digitally developed triage support application in emergency department triage
MUSTAFA BAŞTUĞ
Tıpta Uzmanlık
Türkçe
2024
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. TANER ŞAHİN