Çocuk acil triyajında yapay zekâ kullanımının değerlendirilmesi

Bu çalışma, çocuk acil servisine başvuran hastalarda yapay zekâ (YZ) tabanlı triyaj sistemlerinin performansının değerlendirilmesi amaçlanmıştır. Eylül 2023 ile Eylül 2024 tarihleri arasında Necmettin Erbakan Üniversitesi Tıp Fakültesi Hastanesi Çocuk Acil Servisinden rastgele seçilen 1478 çocuk hasta çalışmaya dâhil edildi. Veri toplama sürecinde basit rastgele örneklem yöntemiyle haftanın pazartesi ve perşembe günleri belirlendi. Seçilen günlerde acil servise başvuru sırasına göre üç ve üçün katlarındaki (3,6,9…) numaralı hastalar sistematik olarak örnekleme alındı ve günlük 15 hasta (45. hasta) sınırına ulaşıldığında kayıt sonlandırıldı. Bu yöntemle haftalık 60 hasta üzerinden, 52 hafta boyunca toplam 1560 hastalık bir örneklem oluşturuldu. Daha sonra hasta grubu içerisinden yenidoğan hastaları spektrum önyargısı ve sınıf dengesizliği oluşturduğundan çıkarıldı ve 1478 hasta belirlendi. Tüm hastalar yalnızca sıra numarası ile kodlanarak çalışmaya dahil edildi. Hastaların yaş, cinsiyet, vital bulguları, riskli durumları ve başvuru şikâyetleri kaydedildi. Triyaj, çocuk acil konusunda deneyimli bir araştırmacı hekim tarafından yapılmış ve hekim tarafından verilen triyaj kararları, DeepSeek V3.1, Gemini 2.5 Pro ve ChatGPT Plus modellerinin tahminleri ile karşılaştırıldı. Tanısal performans; duyarlılık, özgüllük, pozitif ve negatif tahmini değerler, doğruluk ve F1 skoru ile değerlendirildi. YZ modelleri, özellikle kırmızı alan sınıflandırmasında yüksek doğruluk gösterdi. Sarı ve yeşil alanlarda ise doğru sınıflandırma oranları daha düşük bulundu. Riskli hasta grubunda modeller arasında belirgin performans farklılıkları gözlendi. YZ tabanlı modeller, çocuk acil triyajında karar destek aracı olarak kullanılabilir. Ancak sarı ve yeşil alan sınıflandırmalarındaki sınırlı doğruluk nedeniyle klinik deneyimle birlikte değerlendirilmelidir.

This study aimed to evaluate the performance of artificial intelligence (AI)-based triage systems in patients presenting to the pediatric emergency department. Between September 2023 and September 2024, 1,478 pediatric patients randomly selected from the Pediatric Emergency Department of Necmettin Erbakan University Faculty of Medicine Hospital were included in the study. During the data collection process, Mondays and Thursdays were determined using a simple random sampling method. On the selected days, patients were systematically sampled in order of arrival at the emergency department at intervals of three and multiples of three (3, 6, 9, etc.), and recording was terminated when the daily limit of 15 patients (45th patient) was reached. Using this method, a sample of 1,560 patients was formed over 52 weeks, based on 60 patients per week. Subsequently, patients in the neonatal period were excluded from the patient group due to spectrum bias and class imbalance, resulting in 1,478 patients. All patients were anonymized by coding them only with their queue number. The patients' age, gender, vital signs, risk factors, and presenting complaints were recorded. Triage was performed by a researcher physician experienced in pediatric emergency medicine, and the triage decisions made by the physician were compared with the predictions of the DeepSeek V3.1, Gemini 2.5 Pro, and ChatGPT Plus 4o models. Diagnostic performance was evaluated using sensitivity, specificity, positive and negative predictive values, accuracy, and F1 score. AI models demonstrated high accuracy in red zone classification, while yellow and green zones had lower correct classification rates. Significant performance differences were observed among models in the high-risk patient group. AI-based models may serve as decision-support tools in pediatric emergency triage. However, due to the limited accuracy in yellow and green zone classifications, AI predictions should be interpreted in conjunction with clinical expertise.