ACİL TIP UZMANLIK ÖĞRENCİLERİNİN EKG DEĞERLENDİRMESİNDE BÜYÜK DİL MODELLERİNİN (LLM) KLİNİK KARAR DEĞİŞİMİ VE TANISAL DOĞRULUK ÜZERİNE ETKİSİ

İbrahim Yılmaz

ACİL TIP UZMANLIK ÖĞRENCİLERİNİN EKG DEĞERLENDİRMESİNDE BÜYÜK DİL MODELLERİNİN (LLM) KLİNİK KARAR DEĞİŞİMİ VE TANISAL DOĞRULUK ÜZERİNE ETKİSİ

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Kocaeli Üniversitesi, Tıp Fakültesi, Cerrahi Tıp Bilimleri, Türkiye

Tezin Onay Tarihi: 2026

Tezin Dili: Türkçe

Öğrenci: İbrahim Yılmaz

Danışman: Murat Pekdemir

Özet:

Acil Tıp Uzmanlık Öğrencilerinin EKG Değerlendirmesinde Büyük Dil Modellerinin (LLM) Klinik Karar Değişimi ve Tanısal Doğruluk Üzerine Etkisi

Giriş ve amaç: EKG acil serviste kardiyak semptomlu hastaların ilk değerlendirmesinde kritik bir tanı aracıdır; ancak uzmanlık öğrencisi düzeyinde yorum doğruluğu sınırlıdır. Bu çalışma, ChatGPT-5.2 destekli klinik karar verme yaklaşımının acil tıp uzmanlık öğrencilerinin EKG tanısal doğruluğu ve karar dinamikleri üzerindeki etkilerini bir karar destek ölçüm tasarımıyla değerlendirmeyi amaçlamıştır.

Gereç ve yöntem: Çalışmaya Kocaeli Üniversitesi Tıp Fakültesi ve Kocaeli Şehir Hastanesi acil tıp kliniklerinde görev yapan 40 uzmanlık öğrencisi dahil edilmiştir. Her katılımcı, uluslararası açık erişim EKG koleksiyonlarından seçilmiş 40 EKG vakasını üç aşamalı protokolde (LLM-OFF, ChatGPT-5.2 yanıtının görülmesi, LLM-ON) değerlendirmiştir. Toplam 1.600 eşleştirilmiş gözlem birimi elde edilmiş; tanısal doğruluk, güven düzeyi, karar değişim oranı, karar değişim yönü ve otomasyon yanlılığı analiz edilmiştir.

Bulgular: ChatGPT-5.2 desteği üst kategori doğruluğunu %71,25'ten %75,06'ya, alt tip doğruluğunu %50,38'den %55,25'e anlamlı düzeyde artırmıştır (her ikisi için p<0,001). Net Yeniden sınıflandırma İyileşmesi üst kategoride +61, alt tipte +78 bulunmuştur. Etki patoloji kategorisine göre heterojen dağılmış; yapısal/toksik sendromlarda ve normal EKG'de iyileşme saptanırken iletim bozukluklarında doğrulukta anlamlı gerileme gözlenmiştir (%55,00→%46,67; p<0,001). Otomasyon yanlılığı oranı %15,43 olarak ölçülmüş ve birinci yıl uzmanlık öğrencilerinde (%24,14) dördüncü yıl uzmanlık öğrencilerine (%5,66) kıyasla belirgin yüksek bulunmuştur.

Sonuç: ChatGPT-5.2 desteği EKG yorumlamada acil tıp uzmanlık öğrencilerinin tanısal doğruluğunu genel olarak iyileştirmiştir; ancak etki patoloji bağımlıdır ve otomasyon yanlılığı klinik açıdan önemli bir risk oluşturmaktadır. LLM destekli karar verme sistemlerinin klinik kullanımında patoloji bazlı performans doğrulaması ve uzmanlık öğrencisi eğitimi gereklidir.