Yapay zeka tabanlı triaj asistanı

Abstract

Acil servislerdeki aşırı hasta yoğunluğu ve kaynak kısıtlılığı, sağlık hizmetlerinin kalitesini etkileyen ve sağlık personeli üzerinde ciddi bilişsel yük oluşturan küresel bir sorundur. Triaj sürecinde yaşanabilecek gecikmeler veya insan kaynaklı değerlendirme hataları, hayati risk taşıyan durumların gözden kaçırılmasına neden olabilmektedir. Bu tez çalışmasında, acil servis başvurularının önceliklendirilmesi sürecini optimize etmek amacıyla, Türkçe diline özelleştirilmiş, yapay zeka destekli, uçtan uca bir sesli triaj sistemi geliştirilmiştir. Önerilen sistem, hastaların sözlü olarak ifade ettiği semptomları işleyerek uluslararası triaj standartlarına (Kırmızı, Sarı, Yeşil alan) göre sınıflandırmaktadır. Metodoloji kapsamında, gürültülü hastane ortamlarında dahi yüksek performans gösteren OpenAI Whisper modeli kullanılarak konuşma verileri metne dönüştürülmektedir. Elde edilen metinlerin sınıflandırılmasında tekil bir makine öğrenmesi modeli yerine, hata oranını azaltmayı amaçlayan bir ensemble kural tabanlı yaklaşım benimsenmiştir. Bu yaklaşım, Türkçe medikal metinler üzerinde ince ayar (fine-tuning) yapılmış BERT (Bidirectional Encoder Representations from Transformers) tabanlı derin öğrenme modeli ile kalp krizi, solunum durması gibi kritik semptomları tespit etmeye yönelik ağırlıklı bir kural tabanlı sistemin birlikte kullanıldığı hibrit bir yapıdan oluşmaktadır. Yapılan deneyler, hibrit yaklaşımın, tek başına çalışan derin öğrenme modellerine kıyasla özellikle "Çok Acil" (Kırmızı Alan) vakaların tespitinde daha yüksek duyarlılık gösterdiğini ortaya koymuştur. Geliştirilen bu sistem, temas gerektirmeyen arayüzü ve hızlı analiz yeteneği ile triaj sürelerini kısaltmayı, enfeksiyon riskini azaltmayı ve sağlık personeline güvenilir bir klinik karar desteği sağlamayı hedeflemektedir.

Overcrowding in emergency departments and resource constraints are global challenges that affect the quality of healthcare services and impose significant cognitive load on medical staff. Delays in the triage process or human errors in assessment can lead to life-threatening conditions being overlooked. In this thesis, an AI-powered, end-to-end voice triage system customized for the Turkish language has been developed to optimize the prioritization process of emergency department admissions. The proposed system processes verbally expressed patient symptoms and classified them according to international triage standards (Red, Yellow, Green zones). Within the methodology, speech data is transcribed into text using the OpenAI Whisper model, which demonstrates high performance even in noisy hospital environments. For the classification of the extracted texts, an ensemble-based approach aimed at reducing the error rate was adopted instead of relying on a single machine learning model. This approach consists of a hybrid structure that combines a BERT (Bidirectional Encoder Representations from Transformers)-based deep learning model, fine-tuned on Turkish medical texts, is used together with a weighted rule-based system designed to detect critical symptoms such as myocardial infarction, respiratory arrest. Experiments demonstrate that the hybrid approach exhibits higher sensitivity, particularly in detecting "Immediate" (Red Zone) cases, compared to standalone deep learning models. The developed system aims to shorten triage times, reduce infection risk through its contactless interface, and provide reliable clinical decision support to healthcare personnel.