30 Saniyede Özet
Hasta özetine eklenen tek bir satır, dil modellerinin acil triyajındaki tercihini değiştirebiliyor. Sık acil başvurusunu damgalayıcı biçimde vurgulayan ifade, üç modelde ve iki veri setinde kötüleşecek hastanın geri plana itilmesine yol açtı. Bu oran %9,4'e ulaştı ve aynı bilginin nötr ifadesinden her zaman yüksekti. 19 Eylül'de npj Digital Medicine dergisinde yayımlanan deneyde ırk, dil ve sigorta bilgisi ise tutarlı bir zararlı kayma yaratmadı.
Ne oldu?
ABD'deki UT Southwestern Tıp Merkezi'nden acil tıp ve biyoenformatik araştırmacıları, çalışmayı 19 Eylül 2026'da yayımladı. Makale hakem değerlendirmesinden geçmiş ve kabul edilmiş, ancak dergi onu son düzenlemeler öncesi erken sürüm olarak paylaştı. Soru şuydu: Hasta bilgisindeki damgalayıcı ifadeler, büyük dil modellerinin (LLM) acil önceliklendirmesini ağır hastanın aleyhine çevirir mi?
Veriler iki akademik acil servisin kimliksizleştirilmiş kayıtlarından geldi. Bu kayıtlar, izinli araştırmacı erişimiyle PhysioNet'te sunuluyor. Biri Boston'daki Beth Israel Deaconess Tıp Merkezi'nin MIMIC-IV-ED veri seti, diğeri Stanford acil servisinin MC-MED veri seti. Ek dosyaya göre sırasıyla 999 ve 997 hasta çifti analiz edildi.
Her çiftte iki hasta aynı Acil Ciddiyet İndeksi (ESI, beş basamaklı ABD triyaj ölçeği) düzeyindeydi. Hastalardan biri altı saat içinde kötüleşti, diğeri kötüleşmedi. Kötüleşme, yoğun bakım yatışı, vazopressör başlanması, entübasyon, mekanik ventilasyon ya da hastane içi ölüm gibi olaylarla tanımlandı. Ek analizde yalnız geç ölümle tanımlanan çiftler çıkarıldığında ana bulgular değişmedi.
Modellere yaş, geliş şekli, ESI düzeyi, vital bulgular, başvuru yakınması, özgeçmiş ve ilaçlardan oluşan kısa özetler verildi. Modelden hangi hastanın öncelikli olduğunu seçmesi istendi. Ardından özete tek satırlık demografik, sosyal ya da damgalayıcı bir bilgi eklenip aynı soru yeniden soruldu.
Kanıt ne kadar güçlü?
Üç açık ağırlıklı model (Gemma, Qwen, DeepSeek) ve 18 koşulla toplam 221.556 karşılaştırma yapıldı. Koşullar, aynı kavramın nötr ve damgalayıcı ifadelerini içeriyordu. "Zararlı yeniden önceliklendirme", eklenen bilginin modelin tercihini kötüleşecek hastadan uzaklaştırdığı durumları ifade ediyor.
Ek tablolara göre damgalayıcı ifade, son 12 ayda 17 acil başvurusunu vurguluyordu. Nötr karşılığı ise tablolarda kronik hastalık bağlamıyla etiketlenmiş. Damgalayıcı ifade altı model–veri seti hücresinin hepsinde anlamlı zararlı kayma yarattı, en yüksek oran %9,4'tü. Nötr ifadeye göre fark her hücrede anlamlıydı ve +1,4 ile +7,1 puan arasındaydı.
Etkinin yönü de dikkat çekici. Aynı damgalayıcı satır stabil hastaya eklendiğinde zararlı kayma oranı yalnızca %0,4–1,3 arasında kaldı. Yani model, etiketlenen hastayı sistematik olarak geri plana itti.
Psikiyatrik öykü de anlamlı kaymalara yol açtı; en yüksek oran %9,5 oldu. Ancak damgalayıcı ile nötr psikiyatri ifadesi arasındaki fark yalnızca Qwen modelinde anlamlıydı. Irk, dil ve sigorta bilgisi tutarlı bir zararlı kayma yaratmadı.
Madde kullanımında ise tablo tersine döndü. Buradaki damgalayıcı ifade, aktif damar içi madde kullanımını ve son kullanımın aynı gün olduğunu belirtiyordu. Bu akut risk bilgisi, MIMIC-IV-ED verisinde iki modelde zararlı kaymayı nötr ifadeye göre azalttı. Yazarlar bu karşılaştırmaların yalnız kelime seçimini değil, anlam farkını da birlikte ölçtüğünü not ediyor.
Sınırlılıklar önemli. Test edilen modeller ticari sohbet ürünleri değil, açık ağırlıklı modeller. İnsan triyaj hemşiresi ya da hekimle karşılaştırma yapılmadı. Deney, gerçek triyaj akışında değil, eşleştirilmiş çiftler üzerinde yürütüldü.
Makalenin tam metnine erişemedik; bu haber özet ve ek dosyaya dayanıyor. Birinci yazar, çalışma kapsamı dışında GE Healthcare danışma kurulunda yer aldığını beyan ediyor. Ayrıca kapsam dışı bir acil tıp vakfından araştırma desteği aldığını bildiriyor. Finansman UT Southwestern'in kurumsal fonlarından geldi.
Hekim için ne anlama geliyor?
Bu çalışma, not dilinin artık yalnızca meslektaşı değil, notu okuyan yazılımları da etkileyebileceğini düşündürüyor. Deneyde "sık gelen hasta" vurgusu, dil modellerini kötüleşecek hastadan uzaklaştırdı. Triyaja dil modeli destek veriyorsa, not dili bir hasta güvenliği konusu haline gelir.
Pratikte şunlar yapılabilir.
- Başvuru sıklığını değer yargısı içermeyen, klinik gerekçeli bir dille yazın; "yine gelmiş" yerine başvuru nedenini ve sayısını yazın.
- Psikiyatrik öyküyü, akut değerlendirmeyle ilgili olduğu ölçüde ve nesnel biçimde kaydedin.
- Akut risk taşıyan bilgiyi (ör. aynı gün damar içi madde kullanımı) silmeyin; çalışmada bu bilgi, MIMIC-IV-ED verisinde iki modelde zararlı kaymayı nötr ifadeye göre azalttı.
- Triyajda yapay zekâ kullanacak kurum, sistemi damgalayıcı ifadeler içeren eşleştirilmiş olgularla ayrıca test etsin.
Türkiye'den bakınca
Türkiye'de acil servis triyajı, Sağlık Bakanlığı'nın 2009 tarihli acil servis tebliğindeki renk kodlamasına dayanıyor. Tebliğ, öncelik sırası için kırmızı, sarı ve yeşil renklerin kullanılmasını öngörüyor. Çalışmadaki beş basamaklı ESI çiftleri bu sisteme birebir karşılık gelmediği için sayılar doğrudan taşınamaz.
Türkiye'de triyaj için dil modeli kullanımına dair yaygın bir uygulama bilgisine ulaşmadık. Yine de deney bir soruyu gündeme getiriyor. Türkçe notlarda sık görülebilecek "sürekli gelen hasta" ya da "ilaç istiyor" gibi kalıpların modellere etkisi hiç sınanmadı. Türkçe metinle çalışacak bir triyaj aracı, bu tür ifadelerle yerel olarak test edilmeden kullanılmamalı.
Sık sorulan sorular
Irk bilgisi neden etkili olmadı?
Bu çalışmada ırk, dil ve sigorta bilgisi tutarlı bir zararlı kayma yaratmadı. Bu, modellerin bu alanlarda önyargısız olduğunu kanıtlamaz. Yalnızca bu deney düzeninde ve bu üç modelde belirgin bir etki görülmediğini gösterir.
Sonuçlar ChatGPT gibi ticari modeller için de geçerli mi?
Doğrudan bilinmiyor. Çalışma yalnızca üç açık ağırlıklı modeli test etti. Ticari modellerin benzer testlerden geçirilmesi gerekiyor.
Damgalayıcı ifade notlardan tamamen çıkarılmalı mı?
Klinik olarak gerekli bilgi silinmemeli, ama değer yargısı içermeyen bir dille yazılmalı. Çalışma, aynı bilginin nötr ifadesinin daha az zararlı kayma yarattığını gösterdi. Madde kullanımı örneğinde görüldüğü gibi akut risk bildiren bilgi ise korunmalı.
Kaynaklar
- Jarrett P, Yun P, Ohuabunwa E ve ark. (2026) — Outcome-grounded effect of clinically stigmatizing information on large language model emergency triage prioritization (npj Digital Medicine): https://doi.org/10.1038/s41746-026-03270-5
- Jarrett P ve ark. (2026) — Supplementary Information (npj Digital Medicine): https://media.springernature.com/original/springer-static/esm/art%3A10.1038%2Fs41746-026-03270-5/MediaObjects/41746_2026_3270_MOESM1_ESM.pdf
- PhysioNet — MIMIC-IV-ED veri seti: https://physionet.org/content/mimic-iv-ed/
- PhysioNet — MC-MED: Multimodal Clinical Monitoring in the Emergency Department: https://physionet.org/content/mc-med/
- T.C. Resmî Gazete (2009) — Yataklı Sağlık Tesislerinde Acil Servis Hizmetlerinin Uygulama Usul ve Esasları Hakkında Tebliğ: https://www.resmigazete.gov.tr/eskiler/2009/10/20091016-16.htm
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
npj Digital Medicine çalışması: 'sık acil başvurusu' vurgusu üç dil modelinin triyajında kötüleşecek hastayı %9,4'e varan oranda geri plana itti.