Acil Servis Tanılama Süreçlerinde Makine Öğrenmesine Dayalı Karar Destek Sistemlerinde Kullanıcı Arayüzleri: Sistematik Derleme

Sistematik Derleme Makalesi

Front. Digit. Health, 13 Kasım 2026

Sek. Sağlık Bilgisayar Bilimi

Hacim 8 – 2026 | https://doi.org/10.3389/fdgth.2026.2004648

• KZ

  Kirsten Zantvoort 1† *

• SB

  Sylvain Brouwer 1

• NS

  Nadine Schlicker 1

• PM

  Peter Mross 1

• AJ

  Andreas Jerrentrup 2

• MC

  Martin C. Hirsch 1

• PR

  Philipp Russ 1,2

• 1. Almanya, Marburg Üniversitesi, Giessen ve Marburg Üniversite Hastanesi, Marburg, Tıbbi Yapay Zeka Enstitüsü

• 2. Almanya, Marburg Üniversitesi, Giessen ve Marburg Üniversite Hastanesi, Marburg, Acil Tıp Bölümü

Makale ölçütleri

Özet

Arka plan:

Triyaj, makine öğrenimine dayalı klinik karar destek sistemleri (KKDS) için umut verici bir uygulamadır. Ancak, önemli araştırma ilgisine rağmen, gerçek dünyadaki etkileri sınırlı kalmaya devam etmekte ve uygulama ile benimsemede kalıcı zorluklar sürmektedir. Kullanıcı merkezli arayüz tasarımı ve testinin benimseme ve sonuçları iyileştirdiği bilinmekle birlikte, gerçek dünyadaki sistemlerde bunların ne kadar ve nasıl göz önünde bulundurduğu hâlâ yeterince incelenmemiştir.

Yöntem:

Rutin acil servis triyajında makine öğrenimine dayalı KKDS için arayüz tasarımı özelliklerini ve süreçlerini betimlemek ve betimleyici olarak analiz etmek amacıyla sistematik bir derleme yaptık (PROSPERO ID: CRD420251119077, ait olduğu kurumlar tarafından 1,2 finanse edildi). Bu amaçla, PubMed, Embase, CENTRAL, Web of Science ve IEEE Xplore’da 2015 ile 19 Ağustos 2025 tarihleri arasında yayınlanan makaleler tarandı. İki hakem tüm kayıtları bağımsız olarak inceledi ve sistem özellikleri, arayüz tasarım kararları ve tasarım süreçleri hakkında verileri çıkardı ve kodladı.

Sonuçlar:

2.678 kaydın taranmasının ardından 25 çalışma dahil etme kriterlerini karşıladı. Bunların %80’i son üç yıl içinde yayımlandı ve sistemlerin %36’sı çalışmanın yürütüldüğü anda ilgili sağlık iş akışına entegre edilmişti. Sistemlerin iki üçte biri görsel bir bileşen kullandı, ancak hiçbiri sesli uyarılar kullanmadı. Alt-problemlere yönelik eşleme durumlarında, 10 sistemin 8’i yalnızca bir risk skoru veya ikili gösterge sundu; buna eşlik eden öneri veya eylem rehberi yoktu. Açıklanabilirlik özellikleri sıradan sayılmazken, belirsizlik ve model performans göstergeleri nadiren kullanıldı. Genel olarak ticari sistemler daha kapsamlı arayüzlere sahipti, ancak yayımlandıkları anda entegre olma olasılıkları daha düşüktü. Yazarların çoğu sistemlerindeki eksiklikleri arayüzle ilgili konılara bağlasa da, tasarları veya testleri için yapılandırılmış bir yaklaşımı betimleyen çok az çalışma vardı.

Sonuç:

Kullanıcı odaklı tasarım ve testin CDSS geliştirmedeki yerleşik önemi göz önüne alındığında, bu uygulamalar ML tabanlı klinik destek araçlarında eşleme için sınırlı kalmaya devam ediyor. Çalışmaların heterojenliği, betimleyici yaklaşımı ve sınırlı raporlama nedeniyle bu derleme, bu önemli aracın incelenmesine yönelik yalnızca ilk adımı sunuyor. Özellikle acil durum bölümü gibi yüksek bilişsel yük gerektiren ortamlarda, ML uygulamasındaki açığın kapatılması için sistematik yaklaşımlar, disiplinlerarası işbirliği, insan-bilgisayar etkileşimi ilkelerinin daha güçlü entegrasyonu ve hesap verebilirliği, karşılaştırılabilirliği ve gelecekteki kanıt sentezini iyileştirecek şeffaf raporlama gerekecek.

Sistematik Derleme Kaydı:

https://www.crd.york.ac.uk/PROSPERO/view/CRD420251119077, PROSPERO CRD420251119077.

1 Giriş

Yapay Zeka (YZ) tahminlerinin Acil Servislerde (AS) uygulanması, doğası gereği heterojen ve yüksek hacimli acil servis triaj kararlarını desteklemede önemli potansiyel taşımaktadır. Ancak, bu potansiyelin karmaşık, yüksek riskli ve kullanıcı odaklı klinik süreçlerde hayata geçirilmesi zorlanmıştır (–). YZ’nin triajdaki teoretik potansiyelini inceleyen kapsamlı değerlendirmeler mevcut olsa da, bunlar genellikle realized klinik fayda yerine retrospektif test performansına dayanmaktadır (, –). İnsan-bilgisayar etkileşimi, tahminlerin Klinik Karar Destek Sistemleri (KKDS) aracılığıyla daha iyi kararlara dönüştürülmesinde kritik bir rol oynamaktadır (, , ). Düşük veya orta düzey kullanıcı benimseme, KKDS’lerde ana sorunlardan biri olarak belirlenmiş; optimal olmayan arayüz tasarımı ise kullanıcı yorgunluğunun ve sonrasında ortaya çıkan ilgisizliğin bilinen bir nedeni olarak görülmektedir (). Kötü tasarlanmış kullanıcı arayüzlerinin personelin iş yüküne katkıda bulunduğu, strese yol açtığı ve yanlış kararlara neden olduğu bile tespit edilmiştir (). Arayüzlerin bilişsel yükünün önemi, zaman baskısı ve kesintilerle uğraşan, meşhur derecede gürültülü ve aşırı uyaranlı bir çalışma alanı olan AS’lerde daha da artmaktadır (, ). Bu zorluklar, triaj kararlarının hayat kurtarıcı ya da hayat sonlandırıcı olabileceği, hatalar oluştuğunda düzeltmek için genellikle çok az zaman bırakıldığı bir triaj ortamında daha da kötüleşmektedir.

Arayüzlerin önemini göz önünde bulunduran araştırmacılar, olumlu klinik etki sağlamak için kullanıcı ihtiyaçlarını tasarımın merkezine koymayı zorunlu görmektedir (). Kullanıcı odaklı tasarım konusundaki araştırma birikimi geniş olup, pek çok çalışma KKDS’ler için ideal tasarım süreçlerine odaklanmakta ve genellikle çeşitli teoretik değerlendirmeler ile kapsamlı boyutlu tekrarlanabilir kullanılabilirlik test turları önermektedir (, , –). Ancak, 1995 yılında Miller, kullanıcı arayüzü tasarımının kritik bir sorununu “Test mi edelim?.. Tasarımı için yeterli zamanımız yoktu!” cümlesi içinde özetlemiştir (). Bu bağlamda, bu ayrıntılı ideallerin pratiğe ne kadar dönüştüğü, özellikle YZ tabanlı triaj KKDS’leri gibi ortaya çıkan alanlarda belirsizliğini kormaktadır.

Bir yandan, kullanıcı merkezli arayüz tasarım süreçlerinin benimsenme ve klinik etkideki önemini vurgulayan bir literatür birikimi var. Diğer yandan, yapay zeka uygulama araştırmacıları sistem benimsenmesi ve karar kalitesinde sorunlar bildiriyor. Ancak, bildiğimiz kadarıyla, kullanıcı merkezli tasarım süreçlerinin tabanlı acil tıp sistemlerinde ne ölçüde uygulandığını sistematik olarak inceleyen bir çalışma yok. Ayrıca, arayüz özelliklerinin etkisini sistematik olarak nicelendirebilmek ve onlardan yararlanabilmek için, önce bu özelliklerin sınıflandırılması ve değerlendirilmesi gerekir. Bu nedenle bu sistematik derleme, tabanlı sistemler için arayüz özelliklerini (yani, karar ve sunum boyutları) ve tasarım süreçlerini (yani, göz önünde bulundurmalar, roller, testler ve kullanıcı eğitimi) tanımlamayı ve incelemeyi amaçlıyor. Bu bilgiler üzerine inşa ederek, literatürdeki eğilimleri ve açıkları belirliyor ve geleceğin araştırmaları için noktaları tartışıyoruz. Böylece bu sistematik derleme, tabanlı sistemler tasarlamayı veya incelemeyi hedefleyen uygulayıcılar ve araştırmacılar için bir referans noktası işlevi görüyor. Ayrıca, tabanlı sistemlerin doğuştan gelen heterojenliğinin, sistemlerin gruplandırılması ve karşılaştırılması için titiz bir yaklaşım gerektirmesi nedeniyle, geleceğin meta-analizlerini kolaylaştırmak için DECIDE-AI raporlama standardına uyuma öneriyoruz. Son olarak, bu derleme, doğru tahminlerle klinik açıdan faydalı karar desteği arasında kritik bir adımı inceliyor: tahminlerin, kullanmaları beklenen kişiler için nasıl tasarlandığı, sunulduğu ve entegre edildiği.

2 Yöntemler

Bu sistematik derleme, PRISMA 2020 yönergelerine uygun olarak yürütüldü ve raporlandı; derleme için kontrol listesi ve özet için kontrol listesi Ek Malzeme 1’de mevcuttur. Derleme PROSPERO’da (ID CRD420251119077, 18 Ağustos 2025) ön kayıttan geçirildi ve 16 Ocak 2026’da bir değişiklik önerildi. Değişiklik önerisine dahil edilen değişiklikler, Metodlar bölümünün ilgili paragraflarında raporlanacaktır. Bu sistematik derlemenin ön kayıttan geçirilmiş amacı, acil serviste makine öğrenimine dayalı triaj karar destek aracı arayüzlerinin süreçler, göz önünde bulundurmalar ve sistem özellikleri açısından nasıl tasarlandığını araştırmaktı.

2.1 Arama stratejisi

2015 ve sonrasında yayınlanmış, İngilizce çalışmalar 19 Ağustos 2025 tarihinde PubMed, Embase, Cochrane Central Register of Controlled Trials (CENTRAL), Web of Science Core Collection ve IEEE Xplore kaynaklarından tarandı. Tam arama dizileri, MESH terimleri dahil olmak üzere Ek Malzeme 2’de mevcuttur. Ayrıca, tarama sürecinde potansiyel olarak ilgili bulunan derlemeler tek bir değerlendirmeci (PR) tarafından elle incelendi ve yeni bulunan çalışmalar dahil edildi.

2.2 Dahil etme kriterleri

Bu derleme, aşağıdaki tanımlara göre 1) 2) sağlık personeline makine öğrenimine dayalı karar destek sağlamak amacıyla tasarlanmış sistemleri, 3) 4) acil servislerde rutin triaj sürecine yardımcı olan sistemleri tartışan birincil çalışmaları içerir:

• Klinik karar destek sistemi, “bireysel hastaların özellikleri kullanılarak hasta bazlı değerlendirmeler veya öneriler üretilen ve bunlar klinik uygulayıcıların değerlendirmesine sunulduğu, dolayısıyla klinik karar vermeye doğrudan yardımcı olan herhangi bir elektronik sistem” olarak tanımlanmaktadır ().

• Makine Öğrenimi modelleri, veri üzerinden çıkarım yapma veya öğrenme yetenekleri açısından tanımlanmaktadır ().

• Standart acil triage, kesin bir tanı zorunluluğu olmaksızın tıbsi bakım ihtiyacının önceliklendirilmesi sürecidir. Eş anlamlıları hasta önceliklendirmesi, klinik kötüleşme veya aciliyet değerlendirmesidir.

• Acil servis, acilen bakım gerektiren hastalar için planlı olmayan hizmetler sunan, hastane bünyesindeki bir birim olarak tanımlanmaktadır ().

Tasarım sürecine yönelik ilgi göz önünde bulundurularak, hem randomize hem de randomize olmayan çalışma türleri dahil edilmiştir. Ayrıca, sağlık uzmanlarına yönelik bir kullanıcı arayüzünün tartışıldığı sürece, sistemlerin olgunluğunun herhangi bir aşamasında (örneğin, kavram önerisi, yapılabilirlik veya kullanılabilirlik çalışmaları) dahil edilmektedir.

Kullanıcı arayüzü olmayan veya sonuçlar karar vericilere bireysel hasta düzeyinde sunulabilecek başka bir yöntem içermeyen çalışmalar hariç tutulmuştur [örneğin, Choi ve ark., 2023 ()]. Buna ek olarak, karar verme mekanizması ve sonrasında gereken iletişim gereksinimleri bakımından temel farklılıklar taşıdıkları için standartlaşmış triage sistemleri [örneğin, Acil Şiddet İndeksi ()] gibi makine öğrenimi içermeyen sistemler hariç tutulmuştur. Ayrıca, triage’ı araştırmayan çalışmalar, yani bireysel hastada tedavi aciliyetinin belirlenmesi [örneğin, önleme ()] dahil edilmemiştir. Son olarak, sistemlerin ve çalışmaların karşılaştırılabilirliğini sağlamak amacıyla, asketriji, doğal afetler veya pandemiler gibi aşırı koşullar altında triage ile hastaneye varmadan önceki triage da hariç tutulmuştur. Son olarak, revize aşamasında insan tıbbı yerine veteriner tıbbı konulu makalelerin hariç tutulması eklenmiştir.

2.3 Makale seçimi

Citations, veritabanlarından CSV dosyaları olarak çıkarıldı ve Python (Sürüm 3.12) içinde birleştirildi; bu sırada, büyük-küçük harf duyarsız başlık ve DOI’ye dayanarak N = 1.521 tanesi tekrar olarak kaldırıldı. Tarama süreci, Python üzerinden Systematic Reviews için Active Learning (ASReview) paketi () ile organize edildi. Açık kaynaklı bu araç, literatürün sıralamasını, önceki kararlardan çıkarılan bir uygunluk ölçütüne göre önceliklendirir ve her yeni kararla bu ölçütü günceller. PROSPERO protokolüne yapılan eklemeye (16 Ocak 2026) göre, ön tanımlı durma ölçütlerinin dördüncü yinelemesinde (yani, makalelerin %40’ı, dolayısıyla toplamda %60’ı) her değerlendirmeci, diğerine gösterilmemiş en az 9 makale dahil etmişti. Öngörülen neden, aracın belirli klinik konular veya popülasyonlara aşırı uyum yapmış gibi görünmesiydi; çünkü ilgili çalışmaların belirlenmesinde genellikle bunlar kullanılır. Ancak mevcut durumda birincil karar ölçütü, bir arayüzün varlığıydı—ASReview’ın güvenilir şekilde tanımlayamadığı alışılmadık bir özellik.

Bu nedenle, ASReview’ın söz konusu kullanım durumu için uygun olmadığına karar verildi ve tüm N = 2.678 makale iki araştırmacı (KZ, SB) tarafından manuel olarak tarandı. Tarama aşamasında dahil edilen çalışmaların tam metinleri, nihai dahil etme kararı için iki araştırmacı (KZ, SB) tarafından değerlendirildi. Tam metin aşamasında hariç tutulan makaleler için, aşağıdakiler var mı diye kaydedildi: 1) klinik karar destek aracı yok, 2) Makine Öğrenimi yok, 3) makale rutin bakım triajıyla ilgili değil ya da 4) acil servisin dışında. Bu ilk sıralı hariç tutma ölçütlerinden herhangi biri geçerli olduğunda, makale hariç tutuldu ve ilgili ölçüt ile birlikte raporlandı; diğer özniteliklerin başka bir incelemesi yapılmadı. Herhangi bir aşamadaki uyumsuzluklar, gerekli olduğunda üçüncü bir değerlendirmeci (PR) ile uzlaşıyla çözüldü.

2.4 Kodlama

Kapsamlı bir veri kalitesi sağlamak ve seçici sonuç raporlamasını azaltmak amacıyla, kodlama boyutları derlemenin başlangıcından önce, mevcut literatürden ve disiplinler arası yazar grubunun klinik ve teknik deneyiminden yararlanarak tekrarlayan bir süreçle geliştirildi.

Raporlanacak arayüz tasarım boyutları açısından, 1) sistem özellikleri—which karar boyutları ve görüntüleme boyutları olmak üzere ikiye ayrılır—ve 2) tasarım süreci; burada tasarım görüşleri, kullanılabilirlik testleri, disiplinler arası uzmanlık ve kullanıcı eğitimi yer almaktadır (Tablo 1) şeklinde ayrım yaptık.

Tablo 1

Kodlama boyutlarının genel görünümü.

Karşılaştırılabilirliği sağlamak amacıyla ayrıca sistemin olgunluk durumunu (örneğin, kavram önerisi ile yaygın olarak kullanılan sistem), hedef kitleyi (örneğin, tüm hastalar alt grup) ve CDSS’lerin tasarlandığı ve kullanıldığı ülkeleri kaydettik. Son olarak, bağlamsal bilgi ve bir kalite göstergesi olarak, tahmin için kullanılan özelliklerin yanı sıra sistemin değerlendirilmesinde kullanılan boyutları da kaydettik. Cevap biçimleri dahil tüm değişkenler Ek Malzeme 3’te ayrıntılı olarak verilmiştir. Kodlama sürecinin başlarında ticari sistemlerin kendi kendine geliştirilen sistemlerden ayrı bir alt grup oluşturduğu belirginleşince, bu bilgi ek düzenleme uyarınca eklendi. Ayrıca, bir çalışma önceden kayıtlı kodlama seçeneklerinde öngörülmemiş kategorik bir sonuç gösterim türü kullanmış ve bu nedenle eklenmiştir. Son olarak, Makine Öğrenmesi modelinin karşılaştırmalı temelini kodlamak, dahil edilen çalışmaların heterojenliği (örneğin, kavram önerisi ile rutin bakım yaygınlaşması) nedeniyle oldukça zorlaştığı ve arayüz tasarımı açısından ilgili olmadığı için PROSPERO düzenlemesi uyarınca kodlamadan çıkarıldı.

Veri çıkarma için iki araştırmacı, önceden tanımlanan boyutları ayrı bir veri tablosuna bağımsız olarak kaydetti. Tamamlayıcı Materyal’de, ayrıca bir çalışma ya da ticari bir sağlayıcının web sitesinde atıf yapılırsa, bu kaynaklar kodlama için de kullanıldı ve sonuç tablosunda bildirildi. Olası sonraki çalışmaların da arama kriterlerine dahil edilmesi bekleniyordu. Dört makale, bu çalışmanın temel boyutları olan karar ve gösterim boyutlarını kodlamak için gerekli bilgiyi sağlamadı. Bu boyutların önemini ve seçici sonuç raporlamasını azaltmayı gözeten araştırmacılar, ilgili yazarlar ve şirketlerle iletişime geçti; tümü gerekli bilgiyi e-posta veya aracın sanal bir gösterimi yoluyla sağladı. İletişime geçtiğimizde, özellikle söz konusu makalede kullanılan sürümle ilgili bilgi istedik. Hangi kişinin hangi günde hangi istekle iletişime geçirildiğine dair kayıtlar Tamamlayıcı Materyal 3’te yer almaktadır. Kalan değişkenler hakkında bir bulgu bulunamazsa, bu durum 0 olarak kaydedildi. Ayrıca, bu makalenin gözden geçirmesi sırasında, tasarım süreci boyutları (Tamamlayıcı Materyal 3) için raporlama düzeyi (örneğin, bildirilen varlık, bildirilen ihtiyaç) ayrıca kaydedildi. Bir makale bir ilgili yönün varlığının açıkça raporlanmadığını bildiriyorsa, bu bilgiler Sonuçlar bölümünde, makalenin ilgili yön hakkında hiçbir şey belirtmediği durumlardan ayrım yapmak için sağlanmaktadır. Kodlama sırasında ortaya çıkan anyeleşmeler uzlaşıyla ve gerekli durumlarda üçüncü gözlemci (PR) yardımıyla çözüldü.

2.5 Sentez yöntemleri

Araştırma amacının betimleyici niteliği nedeniyle veri sentezi, anlatılı bir yaklaşımla yürütüldü. Bu derleme, klinik pratik için tasarlanan sistemleri betimlemeyi amaçlar; ancak sistemin genel etkisini değerlendirmez ya da başka herhangi bir çalışma sonucunu değerlendirmez. Bu nedenle derleme, müdahale etkilerini tahmin etmeyi, bildirilen herhangi bir sonuçtan sonuç çıkarmayı veya sonuç kanıtlarının geçerliliğini değerlendirmeyi hedeflemedi. Derleme, sistem etkinliğine ilişkin bulgilerin geçerliliğini değerlendirmediği için, geleneksel bir yanlılık riski değerlendirmesi, betimleyici amaçlarıyla uyumlu bulunmadı. Bunun yerine, derleme, PRISMA 2020 raporlama rehberi ve PROSPERO kayit gereklilikleri doğrultusunda belirlenmiş sistematik arama ve uygunluk kriterleriyle birlikte önceden tanımlanmış ve ön kaydı yapılmış bir protokol izledi. Ayıklanan veri, ortak tasarım özellikleri, arayüz kalıpları ve tasarım ile entegrasyon süreçlerini belirlemek amacıyla çalışmalar boyunca sistematik olarak eşleştirildi ve özetlendi. Bu makalenin öne çıkan sonuçlarından biri, Ek Malzeme 3’teki Excel tablosuna dayalı sıklık sayımlarıdır (örneğin, açıklanabilirlik özelliklerinin ne sıklıkla mevcut olduğu). Çalışmalar, yukarıda belirtildiği gibi paylaşılan özelliklere göre gruplandı (örneğin, olgunluk aşaması, çıktı biçimi). Şeffaflığı en üst düzeye çıkarmak ve seçici raporlamayı daha da azaltmak amacıyla tüm boyutlar, sonuç bölümünde ya kendi sonuçları ya da sentezden çıkarılma nedenleri çerçevesinde tartışıldı.

3 Sonuçlar

2.678 kaydın taranması (Şekil 1) sırasında değerlendirmeciler arası güvenilirlik 0,98 ile yüksek düzeydeydi ve tam metin dahil etme için 55 tanesi göz önüne alındı. 19 (sistematik) derlemenin kaynaklarının manuel taraması sırasında iki ek makale bulundu. Toplamda, N = 57 (55’i veri tabanlarından, 2’si atıf aramasından) tam metin, uygunluk açısından iki yazar (KZ, SB) tarafından değerlendirildi. Bunların 25’i nihayetinde dahil edildi ve kodlandı.

Şekil 1

Hedef kitle ve girdi-veri boyutları daha fazla tartışılmadı; ilki, temel acil servis triyaj görevinin ötesinde neredeyse bilgi eklemediği, ikincisi ise arayüz açısından ilgili bulgular üretmediği için. Tahmin görevleri ve ortamlar, PROSPERO değişikliğinde bildirilen sistem değerlendirme metriklerinin anlamlı karşılaştırmalarına olanak tanımayacak kadar heterojendi. Tartışılan ve tartışılmayan boyutların her makale için ayrıntılı raporu Tamamlayıcı Materyal 3’te sunulmuştur. Eyleme dönüştürülebilirlik düzeyinin, triyaj görevi ve sonuç veri türü ile birleştirildiğinde en bilgilendirici bulunduğunu gözlemlediğimizden, bu boyut Sonuçlar bölümündeki Karar Boyutları altında tartışılmaktadır. Makaleler, çalışmalar ve sistemler bir-bir ilişki içinde olduğundan bu terimler yer değiştirerek kullanılmaktadır. Bu durum, kullanım alanlarındaki fark farklı arayüzler doğurduğundan TriageGO sistemine dayanan iki makale için de geçerlidir.

3.1 Çalışma özellikleri

Dahil edilen 25 çalışmanın (, –) %80’i Ocak 2022 ile Ağustos 2025 arasında yayımlandı; 2019 öncesinde yalnızca iki çalışma yayımlandı (, ) (Şekil 2). On çalışma Asya’da (–, , , , , , , ), biri Avustralya’da (), altısı Kuzey Amerika’da (, , –, ), biri Afrika’da () ve yedisi Avrupa’da (, , , , , , ) gerçekleştirildi.

Şekil 2

İncelenen 25 makaleden biri (%4), sistemin nasıl görünmesi gerektiğini tartışan bir kavram önerisiydi (). En büyük grup olan 12 makale (%48), kullanıcı katılımı olmaksızın teknik bir prototip veya yapılabilirlik çalışması tanımladı (–, –, , , ). Üç makale (%12), sistemlerin gerçek hastalarda kullanılmadan araştırma ortamında kullanıcı etkileşimini içeriyor (, , ). Bu çalışmaların büyük bölümünde geçmiş hasta vakaları veya yapay vinyetler kullanıldı. Dünya üzerindeki uygulamaya daha yakın beş makale (%20), aracın araştırma bağlamında tıbbi kararlar için kullanıldığı ancak henüz rutin bakımın bir parçası olmadığı klinik testleri tanımladı (, , , , ). Son olarak, dört makale (%16), sistemlerin tamamen yerleştirildiği ve bakımın bir parçası olarak hastalarda kullanıldığı durumları bildirdi (–, ).

3.2 Karar boyutları

Neredeyse tüm 25 makalede (%88, n = 22) sistemler, insanların karar kontrolünü tam olarak sürdürmesi için tasarlanmıştı. Yani, karar vericilere sistem çıktısı gösteriliyor ancak nihai kararı kendileri proaktif olarak seçmek veya girmek zorundaydı. Kalan üç çalışmanın ikisinde bir insanın bir tiêngi proaktif olarak kabul etmesi gerekiyordu (), son çalışmada ise sisteme otomatik triage kararları verme izni verildi (). Tepkisel onay mekanizması kullanan hiçbir sistem bulunamadı; yani, hiçbir sistem, insan personeli için açık bir veto seçeneği ile otomatik kararlar kullanarak çalışmadı.

3.2.1 Genel triage

Çalışmaların çoğu (%56, n = 14), bir aciliyet seviyesi atayan (Şekil 3) genel triage’da yardımcı olan sistemleri tanımladı (–, –, ). Genel triage sistemlerinin dokuzu, tahminlerinin bir parçası olarak bir tavsiye içeriyordu (örneğin, triage seviyesi 2’nin 10 dakikadan kısa bir sürede bir hekim tarafından görülmesi gerektiği). Aynı sisteme (TriageGO) ait iki makale, herhangi bir belirli sonraki adımı ima etmeden aciliyet kategorilerini gösterdi (). İki makale daha farklı tanıları gösterdi (), bunlardan biri aynı zamanda ilgili triage kategorilerini de gösterdi (). Personel, bir triage seviyesi tavsiye etmek yerine önerilen farklı tanıdan birini seçtiği için, eyleme geçirilebilirlik seviyesi bilgi/veri olarak kodlandı. Son makale, yalnızca otomatik karar vermeyi raporladı; böylece tedavi önceliği, kullanılan model tarafından otomatik olarak çıkarıldı ().

Şekil 3

3.2.2 Alt-problem triage

Ondu çalışma alt-problem triage’ı ele aldı (%40) (, , , –, , , ), çoğunlukla bireysel tanıların veya hasta alt gruplarının riskini tahmin ederek. Beşi tek bir tanıya, ikisi hasta alt gruplarına, ikisi birden fazla kötü sonuca ve biri bekleme odasındaki kötüleşmeye odaklandı. Sepsis, en sık ele alınan tanıydı (n = 4).

Bu on çalışmanın sonuç tipleri sürekli (%50, n = 5) veya ikili (%30, n = 3) biçimindeyken, iki çalışma (%20) risk tahminini üç sıralı kategoride (düşük, orta, yüksek) sunmuştur. Alt-problemlere yönelik triaj sistemlerinin neredeyse tamamı (%80, n = 8) sayısal bir risk puanı veya ikili bir gösterge sunduğu için en düşük eyleme dönüştürülebilirlik düzeyinde kodlanmıştır. Son iki sistem, örneğin ölüm tahminini “hastanın hayatta kalması muhtemel” şeklinde yorumlayarak ham model çıktısını desteklemiştir ().

3.2.3 Sonraki adımın belirlenmesi

25 makaleden yalnızca biri (%4, Şekil 3), altı kritik müdahalenin (arterel kateterizasyon, oksijen tedavisi, yüksek akımlı nazal kânül, entübasyon, massive kan transfüzyonu protokolü ve inotrop/vasopressörler) gerekip gerekmediğini belirlemeye yönelikti (). Sistem, her tahmini sürekli bir ölçek üzerinde ve ikili bir öneri (evet/hayır) olarak sunmuştur (Şekil 4).

Şekil 4

3.3 Gösterim boyutları

Metin en yaygın gösterim biçimi (n = 17, %68) olmuş, onu görsel (n = 16, %64) ve sayısal bileşenler (n = 13, %52) izlemiştir (Tablo 2). Sayısal sonuçlar hiçbir zaman tek başına kullanılmamıştır; beş sistem yalnızca metin, üç sistem ise yalnızca görsel ipuçları kullanmıştır. İki makale, ses bildirimi tetikleyebilecek e-posta veya mesaj gönderen sistemleri raporlamıştır (, ). Ancak bu, sistemden çok alan cihaz tarafından belirlendiğinden, hiçbir sistemin yerinden sesi kullanmadığı sonucuna varılmıştır.

Tablo 2

Görüntü boyutlarının ve ilgili kombinasyonları içeren sistem sayısının genel görünümü. Yorum: Genel olarak on üç sistem sayısal sonuçlar içerir (sol alttaki sayı), ancak hiçbir sistem yalnızca sayısal sonuçları tek başına kullanmaz (sağ üstteki sayı).

Genel olarak sekiz sistem (%32) yalnızca tek bir sonuç biçimi gösterir ve bundan sonra basit arayüzler olarak adlandırılacaktır. Sistemlerin yarısı (n = 13, %52) üç biçimden ikisini kullanır ve çift biçimli arayüzler olarak tanımlanır. Kalan çalışmalar (n = 4, %16) sonuçları üç biçimde de gösterir ve üçlü biçimli arayüzler olarak adlandırılır. Arayüzler zamanla daha karmaşık hale gelmemiştir; hem tek biçimli [ör. Chong & Gan, 2016 (); Kabil et al., 2025 ()] hem de üçlü biçimli [ör. Elias et al., 2015 (), Chang et al., 2025 ()] kategorileri kapsama penceresinin tamamını kapsamaktadır.

3.3.1 Tek biçimli sistemler

Sekiz tek biçimli sistemden altısı (%75) çekme temelli bilgi sunumu kullandı; bunun büyük nedeni beşinin (%63) hasta özetiyle paralel bağımsız (web) uygulamalar olmasıydı. Yine de dört sistem (%50) verileri EHR’dan otomatik olarak çektigi için, bir sistem bütünsel bir veri hattına sahip olsa da hemşirilerin düzenli olarak kontrol etmesi için yönlendirildiği paralel bir arayüz içermektedir. Ek bilgiler sınırlıydı: yalnızca iki sistem (%25) öngörü özellikleri göstermekte, hiçbir sistem belirsizlik veya model meta verileri bildirmemektedir. Yalnızca tek bir görsel boyuta sahip bir sisteme örneği Kijpaisalratana ve ark. (2024) sunmaktadır; EHR hasta özeti arka planını renk kodlaması yoluyla septisik risk işaretlemiştir. Yalnız metin içeren bir sisteme örneği ise Chong & Gan (2016) sunmaktadır; yüksek riskli bir hastanın tespit edilmesi durumunda arayüze “Acil Durum” yazan bir açılır pencere konmaktadır.

3.3.2 Çift biçimli sistemler

Ondüç biçimli sistemden oluşan çift biçimli sistemler ( , , , , , –, , , , ) sayısal, metinsel ve görsel çıktılarının nasıl birleştirildiği bakımından belirgin biçimde farklılaşmaktaydı; bu yelpaze, grafik ve meta veri gösterimleri içeren risk puanlarından renk kodlu uyarılara kadar uzanmaktaydı. Örneğin Tu ve ark. (Şekil 5) öngörülerini hem bir sayı hem de bir grafik olarak, meta veriler ve giriş özellikleriyle zenginleştirilmiş şekilde göstermiştir.

Şekil 5

Biçimli sistemin bilgi modüliteleri çoğunlukla durağan ve çekme niteliğindeydi (her biri n = 13’ün 5’i, %38); bir itme sistemi (%8) ve bu boyutta bilgi bildirmeyen iki prototip çalışması (%16) vardı. Sekiz tek biçimli sistemin %38’i (n = 3) ile benzer biçimde, on üç çift biçimli sistemin %39’u (n = 5) ilgili ED sisteminin içine tamamen yerleşmişti. Ayrı bir durumda ise entegrasyon, bir araştırmacının arka planda verileri girmesiyle “taklit edilmişti”. Ayrıca çift biçimli sistemlerde, tek biçimli kategorisine göre çok daha fazla ek veri gösteriliyordu; çift biçimli sistemlerin %69’u (n = 13’ün 9’u) meta veri gösteriyordu, bunlar çoğunlukla tahmin için kullanılan özellikler, eğitim verisinin boyutu veya model türleriydi. Yine de çift biçimli sistemlerin yalnızca üçü (%13’ün 23’i) kullanıcılara model performansına dair bir ölçü sundu. Örnek olarak Chang ve ark. (2022) (Şekil 4), gösterilen her sonuç için Eğri Altında Kalan Alanı (AUC) ayrı bir pencerede göstermiştir (). Çift biçimli sistemlerin yedisinde (%54) kullanıcılara tahmin için bir açıklamanın bir biçimi gösterildi. Ancak yalnızca biri (%13’ün 8’i) güven aralıkları biçiminde bir belirsizlik göstergesine sahipti.

3.3.3 Üç biçimli sistemler

Üç gösterim biçimini de kullanan geri kalan dört sistem (%16) iki aşamalı bir gösterim sürecine sahip olma eğilimindeydi (, , , ). Örneğin, Chang ve ark. (2025), yüksek riskli hastalar için hasta özeti üzerinde dikkat için (A) grafiksel bir uyarı (Şekil 6) göstermiş; tıklandığında beş sürekli risk puanının yanı sıra karşılık gelen kategorik yorumları ve ana katkı faktörlerini ortaya çıkarmıştır ().

Şekil 6

Diğer bir örnek olarak, olası alt-tecride uyarmanda kullanılan KATE sistemi (Şekil 7), yalnızca sistemin tecerece önerisi hemşirenin kararıyla uyumsuzsa bir uyarı itmiş ve varsayılan nedeni ayrıca detaylandırmıştır (). Üç biçimli sistemlerin yalnızca biri (%25) çalışmanın gerçekleştiği anda entegreliydi; ancak üçü (%75) mevcut iş akışının içinde gösterilmesi amaçlanıyordu.

Şekil 7

3.4 Tasarım süreci

İncelenen 25 çalışmanın yalnızca birinde belirli bir tasarım felsefesi veya çerçevesine uyulduğu bildirilmiştir. Williams ve ark. (2024), “Klinik karar desteklerinin beş doğru”sunu (Five rights of clinical decision support) açıkça kullanmış ve sistemlerinin buna uyumunu değerlendirmiştir (). Billis ve ark. (2019)’nın çalışmasıysa olası kullanıcılarla yapılan görüşmelere dayanarak sistem geliştirmeden önce sistemin işlevsel ve işlevsel olmayan gereksinimlerini tartışmış; ancak belirli bir tasarım çerçevesine uyulmamıştır ().

3.4.1 Tasarım değerlendirmeleri

Kümede belirtilen belirli tasarım değerlendirmeleri açısından, zaman hassasiyeti ve tahmin zamanlaması sıkça birbirinden ayrı ancak ilişkili konular olarak öne çıkmıştır. Zaman hassasiyeti ED ortamının baskısını yansıtır: Üç çalışma, tam bir sistem etkileşimi için gereken süreyi raporlar (, , ), diğer bir çalışma ise somut ölçüler sunmadan sistem etkileşiminin zaman almadığını iddia eder (). Ayrıca iki çalışma yalnızca tahmin gecikmesini tartışmıştır (). Son olarak Goertzen ve ark. (2025), sistemlerine veri giriş için gereken süreyi, kaynak açısından sınırlı ortamlarda etkili triaj ile ilişkilendirir (). Buna karşılık tahmin zamanlaması, bir tahminin iş akışında ne zaman gösterileceğini belirler ve yalnızca geliştirme sonrasında bir tasarım değerlendirmesi olarak vurgulanmıştır; Sibbald ve ark. (2022), iş akışına uyumu, görüşmeciler arasındaki başlıca görüş ayrılıklarından biri olarak raporlar (). Williams ve ark. (2024), tarama sırasında kötü zamanlamalı bildirimlerin sistem kullanımını etkilemiş olabileceğini belirtir (). Ek bir tasarım değerlendirmesi olarak dört makale arayüzlerinin kullanım kolaylığını belirtir. Ancak bu çalışmaların hiçbiri kullanıcı dostu arayüz tanımlarını niteler ya da kullanılabilirliğe dair kanıt sunmaz (, , , ). Benzer şekilde, kullanıcı güveni de birkaç durumda, özellikle şeffaflık ve açıklanabilirlik yöntemleri bağlamında sistem tasarımı için bir değerlendirme olarak belirtilmiştir (, , , , ). Ayrıca bir makale, güveni “anlaşılır” değişkenlerin seçilme kararındaki temel faktörlerden biri olarak belirtir; ancak bu bilgi sonrasında arayüze yansıtılmamıştır ().

3.4.2 Kullanılabilirlik testi

Sadece birkaç çalışma, genellikle sistem tasarımının yalnızca bir boyutunu değerlendiren test, kullanılabilirlik ve kabul edilebilirlik açısından değerlendirmeler yapmaktadır. Williams ve ark. (2024), yerleşik kullanıcı odaklı tasarım kriterlerini izleyerek gözlem, görüşme ve yapılandırılmış kullanılabilirlik testini birleştiren en kapsamlı yaklaşımı kullanmıştır (). Paydaş görüşlerini de dahil eden Goertzen ve ark. (2025), hem acil servis iş akışında hem de kullanılan sistemde değişikliklere yol açan döngüsel bir geri bildirim sürecini açıklamaktadır (). Yalnızca bir çalışma, kullanıcı değerlendirmesi kullanarak sistem arayüzü yönlerini değerlendirmiştir; ancak belirli değerlendirme kriterlerini raporlamamıştır (). Ayrıca, üç çalışma daha kullanılabilirlik testinin yapılmadığını kabul etmiş, bunlardan ikisi bunu bir sonraki adım olarak önermiştir (, ). Son olarak, birkaç çalışma da dağıtım sonrası testi ve kabul edilebilirliği ya yapılandırılmış anketler (), analitik bir boyut olarak (), ortaya çıkan bir konu olarak ya da ek ayrıntı vermeden () tartışmaktadır.

3.4.3 Kullanıcı eğitimi

Kullanıcı eğitimi açısından, birkaç çalışma klinik personelin deneme katılımı ya da öngörülen iş akışındaki değişiklikler hakkında bilgilendirildiğini belirtmektedir (, , , ). Ticari olmayan sistemler için yalnızca iki durumda daha kapsamlı bir eğitim raporlanmaktadır (, ). En dikkat çakanı, Goertzen ve ark. (2025)’in uzun vadeli uyumun en iyi şekilde sağlanması için eğitici eğitimi (train-the-trainer) çalıştayı ile dağıtıma başlaması, yeni personel için düzenli yönlendirme ve her altı ayda bir tekrarlanan sürekli eğitimler olduğunu belirtmesidir (). Zhou ve ark. (2025), kendi çalışmalarında yürütmemiş olsa da kullanıcı eğitiminin gerekliliğini vurgulamaktadır ().

3.4.4 Disiplinlerarası uzmanlık

Tıp araştırmacıları, 25 çalışmanın 22’sinde (%88) yazar listelerinde yer almış, bunların 14’ü acil tıp araştırmacılarıdır. Bilgisayar bilimi, bilişim, veri bilimi veya yapay zeka araştırmacıları 11 çalışmaya, dijital sağlık grupları dördüne ve ticari paydaşlar altısına yazar olarak katkıda bulunmuştur. Yalnızca dört çalışma, yazar ekibi dışında klinik personelin sistem tasarımına dahil edildiğini açıkça raporlamıştır (, , , ). Ne yazar listeleri ne de makalelerin kendisi, insan-bilgisayar etkileşimi veya tasarım uzmanlarının katılımına işaret etmektedir.

3.5 Ticari ve kendi geliştirdiği sistemler

İsminin başında bahsedilen makalelerin üçte birden biraz fazlası (36%, n = 9) ticari araçların kullanımını tanıtmıştır (, , , , –); TriageGO ise iki farklı kullanım senaryosunun temelini oluşturmuştur (, ). Kodlama boyutları açısından bakıldığında, ticari modeller ile kendi geliştirdiği modeller birkaç açıdan birbirinden farklıydı. Kendi geliştirdiği araçlar genellikle belirli bir kullanım senaryosu için tasarlanmıştı. Buna karşılık, ticari sistemler daha farklı veya daha genel kullanım alanlarına sahip olabiliyordu; bunlar genel pratik için geliştirilmiş araçlardan (, ) genel farklı tanı araçlarına ( ), büyük dil modelleri gibi kamu çözümlerine kadar uzanıyordu (, ).

Ticari araçların arayüzleri, kendi geliştirdiği sistemlere göre daha karmaşık olma eğilimindeydi; tek biçimli, çift biçimli ve üç biçimli sistemlerin payları ticari sistemlerde sırasıyla 22%, 56% ve 22% iken, kendi geliştirdiği sistemlerde 38%, 50% ve 13% olarak ölçüldü. Tek biçimli ticari arayüzlerin tamamı genel amaçlı büyük dil modelleri olduğundan, tıbbi amaçlı ticari arayüzlerin tamamı çift biçimli veya üç biçimliydi. Buna karşılık, çalışmanın yapıldığı anda ticari araçların yalnızca %22’si (n = 2) mevcut Acil Servis iş akışlarına entegre edilmişti; kendi geliştirdiği araçların %44’ü (n = 7) entegre edilmişken, bir tanesi (+6%) entegre veri hattına sahip olsa da entegre arayüze sahip değildi.

Ticari araçları tanıtan dokuz makaleden yalnızca biri araç geliştirmeyi kapsamıştır (). Diğer sekiz makale, aracın seçiminde arayüz tasarımının bir tercih unsuru olarak tartışılmamıştır; ancak bazı durumlarda yazarlar ticari sağlayıcı ile bağlantılıdır. Ticari sistemler içeren dokuz çalışmanın dördünde (44%) kullanıcı merkezli bir değerlendirme biçimi (, , , ) yer alıyordu; bu oran, kendi geliştirdiği araçlar için gözlemlenen üç on altının (19%) (, , ) belirgin biçimde üzerindedir. Kendi geliştirdiği sistemler üzerine yapılan on altı çalışmanın ikisinde (13%) eğitim verilmişken (, ), ticari araçlar üzerine yapılan hiçbir yayında eğitim tartışılmamıştır.

4 Tartışma

Bu sistematik derleme, acil servis triyajında makine öğrenimine dayalı klinik destek sistemleri (ML-CDSS) için arayüzlerin nasıl tasarlandığını ve geliştirme süreçlerinin kullanıcı merkezli tasarım ilkelerini ne ölçüde yansıttığını incelemektedir. Makine öğrenimine dayalı triyaj için 25 klinik destek sistemi sistematik olarak değerlendirildiğinde, tahminlerin sunulma biçiminde belirgin heterojenlik ve arayüzlerin kullanıcı merkezli yaklaşımlarla sistematik olarak geliştirildiği veya değerlendirildiğine dair sınırlı kanıt bulundu. Sistemlerin çoğu insan karar kontrolünü korurken, tahminlerin ne ölçüde uygulanabilir olduğu, iş akışına entegre edildiği veya ek bilgilerle desteklendiği konusunda belirgin farklılıklar gözlemlendi. Ayrıca arayüz tasarımı ve geliştirme süreçlerine dair bilgiler çoğu zaman yetersizdi; bu yönlerin göz ardı mı edildiği yoksa yalnızca rapor edilmediği mi belirsiz kaldı. Son olarak, hiçbir çalışma tasarım tercihlerinin karar kalitesi ve sonuçlar üzerindeki etkisini ampirik olarak değerlendirmedi. Bu bulgular birlikte, acil servislerde makine öğrenimine dayalı destek sistemlerinin uygulama açığını kapatmaya yardımcı olmak için merkezli tasarımın sistematik olarak uygulanması, raporlanması ve değerlendirilmesine ihtiyaç olduğunu ortaya koymaktadır.

4.1 Tasarım özellikleri

Arayüz özellikleri açısından, arayüz karmaşıklığı bir hücre arka planının renk kodlamasından çok pencereli etkileşimli arayüzlere kadar değişiyordu. Bilgi itme (push) sistemlerini tartışan üç sistem tasarımından yalnızca biri uygulanan bir sistemdi ve yalnızca sistem ile insan arasında anlaşmazlık durumunda kullanıldı. Başka bir çalışmada, klinik uzmanları hasta çalışma dahilini taramak için kullanılan uyarıları güçlü biçimde reddetti; bu, klinik uzmanlarının uyarıları görmezden gelebileceği veya uyarılara karşı kaygı geliştireceğine dair kanıtlarla uyumluydu. Öte yandan, bilgi çekme (pull) sistemleri ek etkileşim gerektirir ve bu nedenle acil servis kararlarının zaman baskısı altında yeterince kullanılmayabilir. Bu, merkezî bir tasarım zorluğunu öne çıkarır: Yapay zekâ ile desteklenen klinik karar destek sistemi (CDSS) arayüzlü, bir bakışta bilgi sağlamalı ve gerekli adımları ile bilgi yükünü en aza indirmelidir. Olası bir çözüm, hasta görünümünde statik bir grafik gösterge ile klinik açıdan uygun olduğunda daha detaylı bilgiye isteğe bağlı erişimi birleştiren iki aşamalı bir arayüzdür.

Çekirdek tahminin ötesinde gösterilen bilgiler konusunda, dokuz çalışma açıklanabilirlik yöntemleri kullandı ve bunlar arasında Lauritsen ve ark. (2020), hangi klinik parametrelerin tahmini etkilediğini bilmeyi hedefli müdahalenin bir ön koşulu olarak savunmaktadır (). Ancak özellik katkıları nedensel değildir ve özellikle karmaşık modellerde, yerel açıklamalar matematiksel olarak doğru olsa bile tıpsal açıdan makul olmayabilir, bu da kullanımında dikkatli olunmasını gerektirir (, ). Ayrıca, sistemlerin çok azı test ve doğrulama sırasında performanslarını (%12) veya tahmin belirsizliğini (%8) ilettiğinden, kullanıcıların bir sisteme ne zaman güvenileceği ya da güvenilmeyeceği konusunda bir anlayışa sahip olup olmadığı belirsizdir. Bu sorun, performansları eğitim verisindeki temsile güçlü şekilde bağlı olabileceği için azınlık hasta gruplarında daha da kötüleşebilir (, ). Derin sinir ağlarının aşırı özgüvenli olma eğiliminde olması nedeniyle, tahmin belirsizliğinin uygun şekilde iletilmesi, etkili insan gözetimi tartışmasında giderek önem kazanan bir boyut haline gelmiştir (–). Belirsizlik iletim yöntemleri, AI tahminlerine aşırı güveni azaltmaya yardımcı olabilir (); ancak belirsizliğin en iyi şekilde nasıl iletileceğinin belirlenmesi ve böyle ek bilgilerin gösterilmesinin maliyet ve faydalarının değerlendirilmesi için daha fazla araştırmaya ihtiyaç vardır.

Bir diğer temel konu da, tahmin çıktılarının karar vericilere eyleme dönüştürülebilir biçimde nasıl sunulabileceğidir. Önceki bulgular, önerilerin yalnızca veri sunmaktan daha büyük klinik etkiye sahip olabileceğini göstermekle birlikte, belirsizlik altında bağlama bağlı kararların kesinmiş gibi sunulmasının otomasyon yanlılığını artırma riski vardır. Örneğin, tüp gibi invaziv müdahalelerin gerekliliğinin ikili öneriler (evet/hayır) biçiminde çerçevelenmesi gereksiz müdahalelere yol açabilir. Benzer şekilde, ölüm gibi dolaylı sonuçların normatif aşorntulanması, olası zararlı kendini gerçekleştiren kehanetlere katkıda bulunma riski taşır. Buna karşılık, daha karara yakın sonuçlar ve önceden tanımlanmış yanıt yolları—örneğin yaşamı tehdit eden aşırı düşük triaj riski için denetleyen hekimin çağrılması veya izlemin artırılması—daha uygun olabilir. Dolayısıyla tahminlerin klinik eyleme dönüştürülmesi, güvenilebilirlik risklerini azaltmaya yönelik uygun sorumluluk, yükseltme ve insan gözetimi yollarını içermelidir.

Tahminlerin klinik eyleme dönüştürülmesi, insan gözetimiyle yakından ilişkilidir. Dahil edilen sistemler arasında otomatik kararlara başvuran tek sistem, insan yargısını yerine koymaktansa standartlaştırılmamış triaj boşluğuna yanıt veriyordu. Bu nedenle acil servis triajı, muhtemelen güncel yasal ve etik kısıtlamaları yansıtan ajansal yapay zekaya dair abartıdan oldukça uzaktır [örneğin AB Yapay Zeka Yasası, FDA AI/ML SaMD Eylem Planı, NMPA Rehber İlkeleri]. Makine öğrenimine dayalı karar desteğinin olumlu yönlerinden yararlanırken güvenilebilirlik risklerini azaltmaya yönelik açık sorumluluk ve yükseltme, insan gözetimi yollarının önemi korumaktadır.

Ticari sistemler, kendi geliştirme süreçleriyle oluşturulanlara kıyasla daha fazla çıktı biçimi sunma eğilimindeydi; bu durum, söz konusu sistemlerin daha olgun bir yapıda olması ve kullanıcı deneyimi (UX) ya da ön yüz (front-end) uzmanlığına erişim sağlamasından kaynaklanıyor olabilir. Hipotezimizle tutarlı biçimde bu bulgular, arayüz tasarımı ve testinin erken gelişim aşamalarında nispeten az özen gösterildiğine işaret ediyor. Aynı zamanda, ticari ve ticari olmayan araçların ele aldığı klinik görevler birbirinden farklıydı; bu da arayüz özelliklerindeki farkları açıklamaya yeterince açıklayıcı olabilir. Ayrıca, kendi geliştirme süreçleriyle oluşturulan araçların (%44) ticari araçlara (%22) göre iş akışına dahil edilme olasılığı daha yüksekti.

Toplamda %36 olan bu kohorttaki entegre sistemlerin oranı, tıbbi CDSS’ler için yakın zamanda bildirilen %20 oranından genel olarak daha yüksekti. Bunun olası bir nedeni, acil servisin yüksek baskılı ortamının entegrasyon talebini öne çıkarması; oysa zaman baskısı daha az olan tıbbi alanlarda bağımsız araçlara karşı daha yüksek bir tolerans bulunmasıdır. Bulgularımıza göre, acil servis triajında ticari çözümler hâlihazırda baskın durumda değil; örneğin tıbbi görüntü analizinde durum böyleyken. Gerçekte, tespit edilen ticari sistemlerin yalnızca yarısı özel olarak acil servis için tasarlanmıştı.

4.2 Süreç tasarımı

Süreç tasarımına gelince, kullanıcı merkezli tasarım ve test süreçlerinin raporlanmaması ile bu süreçlerin CDSS benimsenmesi ve etkisi açısından bilinen önemi arasında belirgin bir zıtlık bulunuyor. İteratif, kullanıcı merkezli süreçleri kullanan az sayıda çalışma, bu süreçlerin sistem içeriğini, zamanlamasını, işlevselliğini ve çalışma süreçlerini etkilediğini bildiriyor. Bu gözlemler, CDSS literatüründeki yaygın bulgu ve önerilerle uyumlu; üstelik bu öneriler, kendilerine uymayan birkaç yazarın tartışmalarında açıkça kabul görmüştü. Bu kanıtlar, CDSS’lerin triajdaki kullanıcı benimsenmesi ve klinik etkisinin merkezli tasarım ilkelerinin uygulanması ve testle iyileştirilebileceğine işaret ediyor.

Kullanıcı eğitimi ve eğitim de gözden geçirilen literatürde temsilsiz görünüyordu; oysa uygulamalı eğitimin CDSS uygulamasını, benimsenmesini ve sağlık hizmeti sağlayıcılarının refahını ve memnuniyetini etkileyebileğine dair kanıtlar mevcuttur. Eğitimin açık tanımları büyük ölçüde eksikti; ancak iki ticari sağlayıcıdan elde edilen ek bilgiler, eğitimin rapor edilmeden de gerçekleşmiş olabileceğini düşündürüyor. Dolayısıyla bu durum, bir uygulama sorundan çok bir raporlama sorusunu temsil ediyor olabilir.

Klinik uzmanlığı, iki yazar listesi hariç tüm listelerde temsil edilmişti ve makalelerin %80’i ayrıca teknik, istatistiksel veya dijital sağlık geçmişine sahip yazarları da içeriyordu. Bununla birlikte, daha geniş disiplinlerarası katılım sınırlı kanıtlara sahipti; en dikkat çeken方面, hiçbir çalışma kullanıcı deneyimi, insan-bilgisayar etkileşimi veya ilgili uzmanlıktan yazarlar listelemiyor veya bu alanlardaki katılımı açıkça raporlamıyordu. Bu perspektiflerin yokluğu bir açığı temsil ediyor ve daha fazla disiplinlerarası çalışmayı gerektiriyor.

4.3 Çıkarımlar ve raporlama önerileri

Dahil edilen çalışmaların hiçbirinde arayüz tasarımı tercihlerinin karar kalitesi veya klinik sonuçlar üzerindeki etkileri değerlendirilmedi. Önceki araştırmalar, arayüz tasarımı tercihlerinin hekimlerin önerileri yorumlama, bunlara güvenme ve onlara bel bağlama biçimleri ile karar kalitesi üzerindeki etkilerin birbirinden ayrılması gerektiğini gösteriyor. Örneğin, Frans ve arkadaşları (2023), hekimlerin belirsizliği daha az tanıdık alternatiflere kıyasla daha az doğru yorumlamalarına rağmen tanıdık görselleştirmeleri tercih ettiklerini buldular (). Benzer şekilde, model güveninin iletilmesi ve öngörülebilir özelliklerin açıklamalarının sağlanması, hekimlerin performansını mutlaka iyileştirmese de güvene etki edebilir (, ). Yanlış önerilerin karar kalitesini bozabileceği göz önünde bulundurularak, arayüz tasarımının önerilerin eleştirel değerlendirilmesini desteklemesi, yalnızca güveni maksimize etmesi değil. CDSS arayüzlerinin değerlendirmeleri kullanılabilirlik, kullanıcı tercihi ve güven ötesine geçerek uygun bel bağlama, tanı doğruluğu ve klinik karar kalitesini değerlendirmelidir. Arayüz tasarımındaki iyileştirmelerin klinik uygulamaya ve hastbakımına ölçülebilir faydalar sağladığından emin olmak için ileriye dönük çalışmalar gereklidir.

Bulgularımızı sentezleyerek, kullanıcı arayüzlerinin CDSS’lerdeki rolünü hesaba katan raporlama standartlarının uygulanması gerektiğine dair güçlü bir gereklilik daha ortaya koyuyoruz; bu özellikle acil servis gibi yüksek baskılı ortamlarda geçerlidir. Bu standartların iki amacı vardır: Birincisi, geliştiricileri kullanıcı odaklı yaklaşımları kullanmaya teşvik etmek. İkincisi, arayüz özelliklerinin tutarlı biçimde raporlanması, farklı arayüz tasarımı tercihlerinin klinik etkisinin gelecekte meta-analiz değerlendirmelerine olanak tanımaktadır. Yerleşik Machine Learning raporlama standartlarının zaten mevcut olması (, – 92 ), bu çalışmada değerlendirilen arayüz boyutlarını kapsayan mevcut DECIDE-AI yönergesine uyulmasını öneriyoruz. Arayüzle ilgili yönlerin daha ayrıntılı biçimde nasıl belirtileceğine dair öneriler de sunuyoruz.

Arayüz özellikleriyle ilgili olarak, DECIDE-AI sistem çıktılarının açıklanmasını istemekte ve bir görselin (Öğe 4.c) eklenmesini önermektedir. Bulgularımıza dayanarak, ekran görüntüleri veya taslakların kullanımını destekliyor ve ayrıca çıktı biçiminin, bilgi sunum biçiminin ve etkileşim düzeyinin ayrıca açıklanmasını öneriyoruz. Şeffaflığı ve uygulanabilirliği artırmayı amaçlayan, sistem çıktısına dayalı beklenen eylemleri de içeren özelliklerin raporlanmasını öneriyoruz; bu öneri, iş akışı değişikliklerinin (Öğe 10.b) ve olası sistem etkilerinin (Öğe 2.b) raporlanmasını tamamlamaktadır. DECIDE-AI, aynı zamanda insan faktörleri araçlarının, yöntemlerinin, çerçevelerinin, kullanıcılarının ve kullanım senaryolarının (Öğe 7) yanı sıra kullanılabilirlik değerlendirmesi için tanınmış standartların veya çerçevelerin (Öğe 14.a) açıklanmasını da zorunlu kılmaktadır. Bu bilgilerin 25 çalışmanın 24’ünde eksik olması nedeniyle, önemini özellikle vurguluyoruz. Ayrıca, insan-bilgisayar uyumuyla ilgili bilgilerin raporlanması (Öğe 12), arayüz kaynaklı yanlış anlaşılmaları ve verimsizlikleri belirlemeye yardımcı olabilir. Son olarak, raporlama kullanıcı eğitimi ve eğitimini (Öğe 3.c) ve öğrenme eğrilerini (Öğe 14.b) içermelidir; bu özellikle daha karmaşık arayüzler için geçerlidir. Böyle bir bilgi, arayüz sadeliği ile ek karar ilgili bilgilerinin eklenmesinin yarattığı etki arasındaki tartışılan denkleştirme (trade-off) konusunda ışık tutacaktır. Dahil edilen çalışmaların çoğu bu standartlara uymadığı için, bu uygulamaların yazarlar tarafından yerine getirilmesini ve hakemler ile editörler tarafından uygulanmasının sağlanmasını istiyoruz.

5 Sınırlılıklar

Bu derleme birkaç sınırlamaya sahiptir. İlkin, sistemlerin ve onları betimleyen çalışmaların önemli düzeyde heterojen olması nicel sentezi olanaksız kıldı. Derleme, belirli arayüz tasarım seçimlerinin klinik sonuçlar üzerindeki etkisini sistematik olarak değerlendirmeye yönelik ilk adımı, kategorileştirme ve betimleyici içgörü sunarak sağlıyor. İkinciden, dâhil etme kriterleri, 2.600’den fazla makalenin taramasına rağmen nispeten az sayıda çalışmanın derlemeye alınmasına yol açtı. Bu nedenle, kodlama boyutları arasındaki potansiyel olarak ilginç ilişkilerin incelenmesi küçük örneklem sayıları nedeniyle mümkün olmadı. Hastalığa özgü sistemler teorik olarak ED acil serviste ayrım (triage) amacıyla kullanıldığında uygun sayılsalar da, genellikle daha geniş hasta popülasyonlarına yönelik tasarlanıyor (örneğin, hastanede yatan hastalarda sepsis riski tahmini (93)). Böyle çalışmalar için özel arama, zaten geniş kapsamlı olan taramanın özgüllüğünü bozma riski taşıyordu. Ayrıca, aranacak alt problemin belirlenmesi, taramayı genel ayrım (triage) sürecinden uzaklaştıracaktı.

Üçüncüden, arayüz tasarımı ve geliştirme süreçlerinin raporlanması, aslında yapılan her şeyi yansıtmayabilir. İlgili yazarlarla ve ticari sağlayıcılarla, temel boyutlar için eksik bilgileri elde etmek amacıyla iletişime geçilmesine rağmen, değerlendirmemiz ne uygulanmış olmasından çok, neyin raporlandığından veya elde edilebildiğinden yola çıkıyor. Bu, arayüz tasarımı ve geliştirme süreçlerinin daha kapsamlı biçimde raporlanmasının gerekliliğini ortaya koyuyor.

Dördüncüsü, arayüzlerin karakteristikleri ve tasarım süreçleri açısından kategorize edilmesi basitleştirmeyi gerektirdi ve bir dereceye kadar yorum içerdi. Anlaşılırlık güvenilirliği yüksek olsa da, önceden tanımlanan kodlama kategorileri bireysel arayüzlerin veya geliştirme süreçlerinin inceliklerini tam olarak yansıtmayabilir. Özellikle, çıktı biçimlerinin sayısı ve açıklamalar, meta veriler ve belirsizlik tahminleri gibi sunulan ek bilgi miktarı, arayüz karmaşıklığının ilgili ancak tükenmeyen yönlerini temsil eder. Bilişsel yükün nicelendirilmesi daha da zorlaşır, çünkü yalnızca sunulan bilgiye değil, aynı zamanda kullanıcıların bireysel bilgi birikimine, deneyimine ve neyin kolay veya zor anlaşıldığına dair algılarına bağlıdır. Bu nedenle, arayüz karmaşıklığını değerlendirme yaklaşımımız, farklı görevler ve kullanıcılar için tasarlanmış arayüzler arasında karşılaştırmaları kolaylaştırmayı amaçlayan basitleştirilmiş bir yaklaşımdır. Yalnızca gözlemlenebilir arayüz karakteristiklerine dayanır ve kullanıcıların bilişsel yüküne dair bildirimlere dayanmaz; bu nedenle kullanıcıların bilişsel yükünün somut bir ölçümü yerine bir görsel temsil olarak anlaşılmalıdır.

Son olarak, odaklanmamız yalnızca tıp personelinin kullandığı sistemlerle sınırlıydı. Son sistemler hem hasta hem de personel yönünde arayüzler içerebilir ( 94 ). Bu nedenle bulgularımız, bu iki arayüz türünün tasarımı veya birbirleriyle etkileşimi konusunu ele almıyor.

6 Sonuç

Sonuç olarak, ML tabanlı CDSS’lerin öngörülen etkiyi henüz gösteremediği; derlememiz, kullanıcı arayüzlerinin acil servis triajı gibi hızlı tempolu, yüksek riskli kararları desteklemek üzere tasarlanıp tasarlanmadığı konusunda oldukça az bilgi bulunduğu gösteriyor. Kullanıcı odaklı tasarım yerleşik bir disiplin olsa da, alan uzmanlarının katılımı veya katılım sağlanması nadiren gözlemlendi. 25 sistemin arayüzleri heterojen olsa da, genellikle tasarım ilkeleriyle uyumlu olacak şekilde açıkça tasarlanmadı veya kullanılabilirlik açısından tekrar tekrar test edilmedi. Ayrıca performans beklentilerinin ve belirsizliğin iletilmesi otomasyon yanlılığını ve ayrımcılığı azaltmaya yardımcı olabilir; oysa bunlar neredeyse hiç göz önüne alınmadı. Birkaçı sistemin eksikliklerini arayüz sorunlarına bağlarken, yalnızca az sayıda çalışma tasarım süreçlerini, kullanıcı eğitimini veya testleri betimlediğinden, raporlama yönergelerinin uygulanmasına çağırıyoruz. Arayüz tasarım seçimlerinin sistem benimsenmesini, karar kalitesini ve hasta sonuçlarını nasıl etkilediğine dair sonuçlar çıkarılmaya çalışılırken, daha kapsamlı raporlama hayati önem taşır. Dolayısıyla arayüz tasarımı ve tasarım süreçlerindeki iyileşmelerin klinik pratiğe ölçülebilir faydalar sağlıp sağlamadığı, gelecek araştırmalar için yanıtsız bir soru olarak kalmaya devam ediyor. Son olarak, yapay zeka destekli triajın vaatlerini gerçekleştirmek; şeffaflığı, disiplinlerarası uzmanlığı ve bilişsel açıdan yoğun bir gerçeklik olan acil bakım insan-bilgisayar etkileşimine yönelik daha güçlü bir odağı gerektirecek.

Açıklamalar

Veri erişilebilirliği açıklaması

Bu çalışmada sunulan veri setleri çevrimiçi veri havuzlarında bulunabilir. Havuz(lar)ın adı(lar)ı ve erişim numarası(ları) makale/Supplementary Material içinde bulunabilir. Veri çıkarmada kullanılan kod bu projenin GitHub havuzunda mevcuttur: https://github.com/IKI-Lab/SysReviewUIMLTriage.

Yazar katkıları

KZ: Yazım – inceleme ve düzenleme, Araştırma, Kavramsal tasarım, Yazım – özgün metin, Görselleştirme, Doğrulama, Veri yönetimi, Biçimsel analiz, Metodoloji. SB: Kavramsal tasarım, Yazım – özgün metin, Biçimsel analiz, Veri yönetimi, Doğrulama, Metodoloji, Yazım – inceleme ve düzenleme, Araştırma, Görselleştirme. NS: Metodoloji, Yazım – inceleme ve düzenleme. PM: Yazım – inceleme ve düzenleme, Finansman edinimi. AJ: Doğrulama, Yazım – inceleme ve düzenleme. MH: Finansman edinimi, Yazım – inceleme ve düzenleme. PR: Yazım – inceleme ve düzenleme, Metodoloji, Araştırma, Yazım – özgün metin, Kavramsal tasarım, Görselleştirme, Veri yönetimi, Biçimsel analiz, Doğrulama.

Finansman

Yazar(lar), bu çalışma ve/veya yayımı için finansal destek alındığını bildirmiştir. Bu çalışma, Philipps-Universität Marburg ve Giessen ve Marburg Üniversite Hastanesi’nin kurumsal desteğiyle desteklenmiştir. Açık Erişim finansmanı, Philipps-Universität Marburg’ın Açık Erişim Yayın Fonu tarafından ve Giessen ve Marburg Üniversite Hastanesi’nin finansal desteğiyle sağlanmıştır. SB için finansman, Almanya Federal Eğitim ve Araştırma Bakanlığı (BMBF, günümüzde BMFTR) tarafından 01EJ2412A hibe numarası altında sağlanmıştır.

Çıkar çatışması

MH, Ada Health GmbH’nin kurucu ortaklarından biri ve Baş Bilimsel Danışmanı’dır. Ada Health’ın bu çalışmanın tasarımından, analizinden, yorumundan veya makale yazımından dahil ancak bunlarla sınırlı olmamak kaydıyla çalışmanın hiçbir yönüne katılımı olmamış ve bu çalışma için herhangi bir finansal veya ticari destek sağlamamıştır.

Kalan yazar(lar), potansiyel bir çıkar çatışması olarak değerlendirilebilecek herhangi bir ticari veya finansal ilişkinin bulunmadığı bu çalışmanın, böyle bir ilişkinin absenceinde yürütüldüğünü bildirmiştir.

Üretken Yapay Zeka beyanı

Yazar(lar), bu metnin oluşturulmasında üretken yapay zekanın kullanıldığını beyan etmiştir. Dil düzenlemesi ve açıklık artırımı, DeepL Write (Köln, Almanya) ve ChatGPT (OpenAI, San Francisco, ABD) dahil olmak üzere yapay zeka destekli araçlarla desteklenmiştir. Tüm kavramsal, analitik ve bilimsel içerik yazarlar tarafından bağımsız olarak geliştirilmiş, son metne yalnızca onlar sorumludur.

Bu makaledeki şekillerle birlikte sağlanan alternatif metinler (alt text) Frontiers tarafından yapay zeka desteğiyle oluşturulmuş ve mümkün olduğunca yazarların gözden geçirmesini de içeren makul çabalarla doğruluğunun sağlanması için uğraşılmıştır. Herhangi bir sorunu tespit ederseniz, lütfen bizimle iletişime geçin.

Yayıncı notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini mutlaka yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

Ekleme materiali

Bu makalenin Ekleme Materiali çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fdgth.2026.2004648/full#supplementary-materialEkleme Materiali 1

PRISMA Kontrol Listeleri.

Ekleme Materiali 2

Arama Dizileri.

Ekleme Materiali 3

Kodlama Boyutları.

• 1.

  ChanSLLeeJWOngMEHSiddiquiFJGravesNHoAFWet al. Implementation of prediction models in the emergency department from an implementation science perspective—determinants, outcomes, and real-world impact: a scoping review. Ann Emerg Med. (2023) 82(1):22–36. 10.1016/j.annemergmed.2023.02.001

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 2.

  Payne T, Hines L, Chan R, Hartman S, Kapusnik-Uner J, Russell A, et al. İlaç-ilaç etkileşimi klinik karar destek uyarılarının kullanılabilirliğini iyileştirmeye yönelik öneriler. J Am Med Inform Assoc. (2015) 22(6):1243–50. 10.1093/jamia/ocv011

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 3.

  Williams D, Nian H, Suresh S, Slagle J, Gradwohl S, Johnson J, et al. Acil serviste pnömoni için prognoz klinik karar destek sistemi: rastgele kontrollü çalışma. J Hosp Med. (2024) 19(9):802–11. 10.1002/jhm.13391

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 4.

  Adebayo O, Bhuiyan Z, Ahmed Z. Travma ayırma tanısında yapay zeka, makine öğrenimi ve derin öğrenimin etkinliğinin incelenmesi: sistematik derleme ve meta-analiz. Digit Health. (2023) 9:20552076231205736. 10.1177/20552076231205736

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 5.

  Almulihi Q, Alquraini A, Almulihi F, Alzahid A, Al Qahtani S, Almulhim M. Acil tıp ayırma tanısında yapay zeka ve makine öğreniminin uygulamaları—sistematik derleme. Med Arch Sarajevo Bosnia Herzeg. (2024) 78(3):198–206.

  • Google Scholar
  • View reference in article

• 6.

  Fernandes M, Vieira S, Leite F, Palos C, Finkelstein S, Sousa J. Acil serviste ayırma tanısında zeki sistemler kullanarak klinik destek sistemleri: bir derleme. Artif Intell Med. (2020) 102:101762. 10.1016/j.artmed.2019.101762

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 7.

  Porto B. Makine öğrenimi ve doğal dil işleme kullanarak acil servislerde ayırma tanısı performansını iyileştirme: sistematik derleme. BMC Emerg Med. (2024) 24(1):219. 10.1186/s12873-024-01135-2

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 8.

  Preiksaitis C, Shenburg N, Unney G, Chu A, Kabeer R, Riley F ve diğerleri. Dil modellerinin acil tıptaki rolü: kapsama taraması. JMIR Med Inform. (2024) 12:e53787. 10.2196/53787

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 9.

  Rundo L, Pirrone R, Vitabile S, Sala E, Gambino O. Karar verme görevlerinde insan-bilgisayar etkileşiminin (HCI) optimize edilmiş klinik iş akışları ve kişiselleştirilmiş tıptaki güncel gelişmeleri. J Biomed Inform. (2020) 108:103479. 10.1016/j.jbi.2020.103479

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 10.

  Ahmed Abdalhalim A Z, Nureldaim Ahmed S N, Dawoud Ezzelarab A M, Mustafa M, Ali Albasheer M G, Abdelgadir Ahmed R E ve diğerleri. Acil servislerde yapay zeka tabanlı trije sistemlerinin klinik etkisi: sistematik derleme. Cureus. (2025) 17(6). 10.7759/cureus.85667

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 11.

  El Arab R A, Al Moosa O A. Acil servis trijinde yapay zekanın rolü: bütünleştirici sistematik derleme. Intensive Crit Care Nurs. (2025) 89:104058. 10.1016/j.iccn.2025.104058

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 12.

  Yi N, Baik D, Baek G. Acil serviste trije için yapay zekanın uygulanmasının etkileri: ileriye dönük çalışmaların sistematik derlemesi. J Nurs Scholarsh. (2025) 57(1):105–18. 10.1111/jnu.13024

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 13.

  Bayor A A, Li J, Yang I, Varnfield M. Klinik karar destek sistemlerinin (CDSS) tasarlanması: tasarım özellikleri, zorlukları ve sonuçlarına dair kullanıcı odaklı bir bakış açısı: sistematik derleme. J Med Internet Res. (2025) 27:e63733. 10.2196/63733

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 14.

  Horsky J, Schiff G, Johnston D, Mercincavage L, Bell D, Middleton B. Karar desteği için arayüz tasarım ilkeleri: Klinik reçete müdahaleleri için kullanılabilir karar desteği konusunda hedefli bir iyi uygulama incelemesi. J Biomed Inform. (2012) 45(6):1202–16. 10.1016/j.jbi.2012.09.002

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 15.

  Adams C, Walsan R, McDonnell R, Schembri A. İnşaat alanı kadar gürültülü: Acil servisdeki gürültü düzeyleri. Australas Emerg Care. (2024) 27(1):26–9. 10.1016/j.auec.2023.07.004

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 16.

  Fekonja Z, Kmetec S, Fekonja U, Mlinar Reljić N, Pajnkihar M, Strnad M. Acil serviste değerlendirme sürecinde hastan güvenliğine katkıda bulunan faktörler: Sistematik bir çalışma. J Clin Nurs. (2023) 32(17–18):5461–77. 10.1111/jocn.16622

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 17.

  Babione JN, Campo W, Haubrich S, Yang C, Zuk T, Kaufman J ve ark. Klinik karar desteği için insan merkezli süreçler: Pulmoner emboli olgu çalışması. Int J Med Inf. (2020) 142:104196. 10.1016/j.ijmedinf.2020.104196

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 18.

  Galliers J, Sutcliffe A, Minocha S. Güvenlik açısından kritik arayüz tasarımı için bir etki analiz yöntemi. ACM Trans Comput-Hum Interact. (1999) 6(4):341–69. 10.1145/331490.331493

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 19.

  Kanstrup A, Christiansen M, Nøhr C. Bilgisayar destekli klinik destek sistemlerinin arayüz tasarımı için dört ilke. Stud Health Technol Inform. (2011) 166:65–73. 10.3233/978-1-60750-740-6-65

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 20.

  Meske CB, Ude E. Yapay zekaya dayalı karar destek sistemlerinde kullanıcı arayüzleri için tasarım ilkeleri: Açıklanabilir nefret söylemi tespitine ilişkin bir durum. Inf Syst Front. (2022) 25(2):743–73. 10.1007/s10796-021-10234-5

  • CrossRef
  • Google Scholar

• 21.

  Miller DP. Kullanıcı düşmanı arayüz tasarımı üzerine on maddelik liste: İnsan–bilgisayar arayüz tasarımında yapılan en sık on hata. J Vac Sci Technol A. (1995) 13(3):1776–86. 10.1116/1.579768

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 22.

  Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S ve ark. Yapay zeka ile yönlendirilen karar destek sistemlerinin erken klinik değerlendirmesi için raporlama kılavuzu: dECIDE-AI. Br Med J. (2022) 377:e070904. 10.1136/bmj-2022-070904

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 23.

  Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD ve ark. PRISMA 2020 bildirimi: Sistematik derlemelerin raporlanması için güncellenmiş bir kılavuz. Br Med J. (2021) 372:n71. 10.1136/bmj.n71

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 24.

  Bramer W, Rethlefsen M, Kleijnen J, Franco O. Sistematik derlemelerde literatür taramaları için en iyi veri tabanı kombinasyonları: İleriye dönük keşif çalışması. Syst Rev. (2017) 6:245. 10.1186/s13643-017-0644-y

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 25.

  Kawamoto K, Houlihan CA, Balas EA, Lobach DF. Klinik karar destek sistemleri kullanarak klinik pratiği iyileştirmek: Başarı için kritik özellikleri belirlemeye yönelik deneylerin sistematik derlemesi. Br Med J. (2005) 330(7494):765. 10.1136/bmj.38398.500764.8F

  • CrossRef
  • Google Scholar
  • Makalede referansı görüntüle

• 26.

  Breiman L. Statistical modeling: the two cultures (with comments and a rejoinder by the author). Stat Sci. (2001) 16(3):199–231. 10.1214/ss/1009213726

  • CrossRef
  • Google Scholar
  • View reference in article

• 27.

  CDC/National Center for Health Statistics/Division of Analysis and Epidemiology. Emergency Departments. National Center for Health Statistics (2022). Available online at:https://www.cdc.gov/nchs/hus/sources-definitions/emergency-department.htm(Accessed Jun 17, 2025).

  • View reference in article

• 28.

  Choi A, Choi S Y, Chung K, Chung H S, Song T, Choi B ve ark. Development of a machine learning-based clinical decision support system to predict clinical deterioration in patients visiting the emergency department. Sci Rep. (2023) 13(1):8561. 10.1038/s41598-023-35617-3

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 29.

  Christ M, Grossmann F, Winter D, Bingisser R, Platz E. Modern triage in the emergency department. Dtsch Arzteblatt Int. (2010) 107(50):892–8. 10.3238/arztebl.2010.0892

  • CrossRef
  • Google Scholar
  • View reference in article

• 30.

  El-Sofany H, Bouallegue B, El-Latif Y M. A proposed technique for predicting heart disease using machine learning algorithms and an explainable AI method. Sci Rep. (2024) 14(1):23277. 10.1038/s41598-024-74656-2

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 31.

  van De Schoot R, De Bruin J, Schramm R, Zahedi P, De Boer J, Weijdema F ve ark. An open-source machine learning-framework for efficient and transparent systematic reviews. Nat Mach Intell. (2021) 3(2):125–33. 10.1038/s42256-020-00287-7

  • CrossRef
  • Google Scholar
  • View reference in article

• 32.

  Billis A, Logaras E, Zouka M, Karanasiou N, Fourlis A, Nicopolitidis P ve ark. Acil servisler için akıllı önceliklendirme sisteminin işlevsel ve işlevsel olmayan gereksinimleri: IntelTriage projesi örneği. 2019 4. Güneydoğu Avrupa Otomasyon, Bilgisayar Mühendisliği, Bilgisayar Ağları ve Sosyal Medya Konferansı (SEEDA-CECNSM) içinde (2019), 1–4. 10.1109/SEEDA-CECNSM.2019.8908320 Çevrimiçi erişim: https://ieeexplore.ieee.org/document/8908320 (Erişim tarihi: 22 Ekim 2025).

  • CrossRef
  • Google Scholar
  • Makaledeki referansı görüntüle

• 33.

  Chang H, Yu J, Yoon S, Kim T, Cha W C. Olası ciddi koşullara sahip hastaların acil servis önceliklendirme yönetiminde kritik müdahaleler için makine öğrenimine dayalı öneri. Sci Rep. (2022) 12(1):10537. 10.1038/s41598-022-14422-4

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Makaledeki referansı görüntüle

• 34.

  Chang H, Park J E, Lee D, Lee K, Jekal S, Moon K ve ark. Acil serviste kötü sonuçların gerçek zamanlı tahmini için dönüştürücü model tabanlı erken uyarı puanının geliştirilmesi ve geçerliliğinin incelenmesi. Sci Rep. (2025) 15:23021. 10.1038/s41598-025-07511-7

  • Pubmed Özeti
  • CrossRef
  • Google Scholar

• 35.

  Chong H A, Gan K B. Acil tıp hizmeti için otomatik önceliklendirme sisteminin geliştirilmesi. 2016 Uluslararası Elektrik, Elektronik ve Sistem Mühendisliğinde İlerlemeler Konferansı (ICAEES) içinde (2016), 642–5. 10.1109/ICAEES.2016.7888125 Çevrimiçi erişim: https://ieeexplore.ieee.org/document/7888125 (Erişim tarihi: 22 Ekim 2025).

  • CrossRef
  • Google Scholar
  • Makaledeki referansı görüntüle

• 36.

  Elhilali, A., Brügger, V., Tschannen, I., Hautz, W., & Krummrey, G. AI destekli konuşma tanıma acil serviste triyaj. Bürkle, T. (editör). Healthcare of the Future 2025 içinde. Bern: IOS Press (2025). s. 31–4. 10.3233/SHTI250213. Çevrimiçi erişim: https://ebooks.iospress.nl/doi/10.3233/SHTI250213 (Erişim tarihi: 22 Ekim 2025).

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 37.

  Elias, P., Damle, A., Casale, M., Branson, K., Peterson, N., Churi, C. ve ark. Acil servis ortamlarında hasta triyaj için web tabanlı bir araç: acil ciddiyet indeksi kullanılarak geçerliliğinin değerlendirilmesi. JMIR Med Inform. (2015) 3(2):e23. 10.2196/medinform.3508

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 38.

  Goertzen, R., Pillay, Y., Karugaba, J., Ishebukara, I. A., Asdo, A., & Dunsmuir, D. ve ark. Uganda’da dijital bir platform ve kalite iyileştirme girişimiyle çocuk bakımının iyileştirilmesi: smart triage+QI’nın geriye dönük incelemesi. PLoS One. (2025) 20(8):e0329369. 10.1371/journal.pone.0329369

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 39.

  Hinson, J. S., Taylor, R. A., Venkatesh, A., Steinhart, B. D., Chmura, C., Sangal, R. V. ve ark. Yapay zekâdan beslenen, risk temelli triyaj ile göğüs ağrısı tedavisinin hızlandırılması. JAMA Intern Med. (2024) 184(9):1125–7. 10.1001/jamainternmed.2024.3219

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 40.

  Hinson, J. S., Levin, S. R., Steinhart, B. D., Chmura, C., Sangal, R. V., Venkatesh, A. K. ve ark. Yapay zekânın kullanımıyla acil servis triyajında adaletin artırılması: çok merkezli bir uygulamanın sonuçları. Ann Emerg Med. (2025) 85(3):288–90. 10.1016/j.annemergmed.2024.10.014

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 41.

  Jordan M, Hauser J, Cota S, Li H, Wolf L. Triajde yapay zeka programının uygulanmasına kültürel yerleşimin etkisi: nitel bir çalışma. J Transcult Nurs Off J Transcult Nurs Soc. (2023) 34(1):32–9. 10.1177/10436596221129226

  • CrossRef
  • Google Scholar
  • View reference in article

• 42.

  Kabil G, Frost S A, Wang A, Hoang M T, Chandru P, Moscovita Met al. Acil servis bekleme salonları için gerçek zamanlı makine öğrenimi sepsis risk algoritmasının değerlendirilmesi (SAFE-WAIT). Emerg Med (N Y). (2025). 10.1101/2025.06.23.25330154

  • CrossRef
  • Google Scholar
  • View reference in article

• 43.

  Kijpaisalratana N, Saoraya J, Nhuboonkaew P, Vongkulbhisan K, Musikatavorn K. Sepsisli acil servis hastalarında antibiyotik uygulamasının zamanlılığı ve tanı doğruluğunu artıran gerçek zamanlı makine öğrenimi destekli sepsis uyarısı: küme-randomize çalışma. Intern Emerg Med. (2024) 19(5):1415–24. 10.1007/s11739-024-03535-5

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 44.

  Lauritsen S M, Kristensen M, Olsen M V, Larsen M S, Lauritsen K M, Jørgensen M J Met al. Elektronik sağlık kayıtlarından akut kritik hastalığı tahmin eden açıklanabilir yapay zeka modeli. Nat Commun. (2020) 11(1):3852. 10.1038/s41467-020-17431-x

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 45.

  Lee S, Kang W, Kim D W, Seo S H, Kim J, Jeong S T Met al. Güney Kore’de acil servis hastaları arasında travma mortalitesini tahmin eden bir yapay zeka modeli: retrospektif kohort çalışması. J Med Internet Res. (2023) 25:e49283. 10.2196/49283

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 46.

  Lin Y, TD, eng Y, XT, Sai C, LH, Huang C, H, Fu L, C. Yorumlanabilir derin öğrenme sistemi ile kritik hastaların triaj seviyesi, hastaneye yatış ve yatış süresinin tahmini yoluyla belirlenmesi: ön görülü çalışma. JMIR Med Inform. (2024) 12:e48862. 10.2196/48862

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 47.

  Lindner G, Ravioli S. Yapay zeka tabanlı İsviçre tıbbi değerlendirme sisteminin Manchester triaj sistemi karşısındaki performansı: acil serviste geriye dönük analiz. Am J Emerg Med. (2025) 94:46–9. 10.1016/j.ajem.2025.04.023

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 48.

  Liu Y, Gao J, Liu J, Walline JH, Liu X, Zhang T ve ark. Acil serveste bakıma muhtaç hastaların tespitinde pratik bir makine öğrenmesi triaj algoritmasının geliştirilmesi ve geçerliliğinin değerlendirilmesi. Sci Rep. (2021) 11(1):24044. 10.1038/s41598-021-03104-2

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 49.

  Määttä J, Lindell R, Hayward N, Martikainen S, Honkanen K, Inkala ve ark. Bir üniversite hastanesi acil servisinde klinik karar destek sisteminin tanısal performansı, triaj güvenliği ve kullanılabilirliği: algoritma performansı ve kullanılabilirlik çalışması. JMIR Med Inform. (2023) 11(1):e46760. 10.2196/46760

  • CrossRef
  • Google Scholar
  • View reference in article

• 50.

  Masanneck L, Schmidt L, Seifert A, Kölsche T, Huntemann N, Jansen R ve ark. Acil tıpta büyük dil modelleri, ChatGPT ve eğitimsiz hekimler arasında triaj performansı: karşılaştırmalı çalışma. J Med Internet Res. (2024) 26:e53297. 10.2196/53297

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 51.

  Sibbald MA, Abdulla B, Kuhl AN, Norman G, Monteiro S, Sherbino J. Acil hekim triajında elektronik tanı desteği: Röportajların tematik analiziyle yapılan nitel çalışma. JMIR Hum Factors. (2022) 9(3):e39234. 10.2196/39234

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 52.

  Tu K, Eric Nyam T, TWang C-C, Chen N-C, Chen K-T, Chen C-J ve ark. Yapay zeka algoritmaları kullanarak acil serviste triaj yapılan travmatik beyin haslı hastalarda erken ölüm riski tahmini için bilgisayar destekli sistem. Brain Sci. (2022) 12(5):612. 10.3390/brainsci12050612

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 53.

  Vântu A, Vasilescu A, Băicoianu A. Makine öğrenimi çözümü kullanarak acil servis triaj veri işleme. Heliyon. (2023) 9(8):e18402. 10.1016/j.heliyon.2023.e18402

  • CrossRef
  • Google Scholar

• 54.

  Wang Y-C, Chen K-W, Tsai B-Y, Wu M-Y, Hsieh P-H, Wei J-T ve ark. Kapıdan balona zamanı kısaltmak için gün boyu çalışan yapay zeka tabanlı triaj sisteminin uygulanması. Mayo Clin Proc. (2022) 97(12):2291–303. 10.1016/j.mayocp.2022.05.014

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 55.

  Zhou X, Jian G, He Y, Huang Y, Zhang J, Wang S ve ark. Akut travmatik olmayan göğus ağısı hastaları için triaj değerlendirme modelinin oluşturulması ve değerlendirilmesi: Karışık retrospektif ve prospektif gözlemsel çalışma. BMC Emerg Med. (2025) 25(1):12. 10.1186/s12873-025-01176-1

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 56.

  Osheroff J, Teich J, Levick D, Saldana L, Velasco F, Sittig D ve diğerleri. Clinik Karar Desteği ile Sonuçların İyileştirilmesi: Uygulamacı Kılavuzu. 2. baskı. New York: HIMSS Publishing (2012). 10.4324/9781498757461

  • CrossRef
  • Google Scholar
  • Referansı makalede gör

• 57.

  Ancker JS, Edwards A, Nosal S, Hauser D, Mauer E, Kaushal R. Bir klinik karar destek sisteminde iş yükü, iş karmaşıklığı ve tekrarlanan uyarılarının uyarı yorgunluğu üzerindeki etkileri. BMC Med Inform Decis Mak. (2017) 17(1):36. 10.1186/s12911-017-0430-8

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 58.

  Gilboy N, Tanabe P, Travers DA, Rosenau A, Eitel DR. Acil Şiddet İndeksi, Sürüm 4: Uygulama Kılavuzu. Rockville: AHRQ Publications (2011). Vol. 4.

  • Google Scholar
  • Referansı makalede gör

• 59.

  Muralitharan S, Nelson W, DiS, McGillion M, Devereaux PJ, Barr N ve diğerleri. Klinik bozulma için makine öğrenmesine dayalı erken uyarı sistemleri: sistematik kapsama taraması. J Med Internet Res. (2021) 23(2):e25187. 10.2196/25187

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede gör

• 60.

  Shneiderman B. Gözler onda: bilgi görselleştirmeleri için görev-veri türü taksonomisi. In: 1996 IEEE Görsel Diller Sempozyumu Bildirileri (Boulder, CO, ABD: IEEE Comput. Soc. Press) (1996), 336–43. 10.1109/VL.1996.545307 Çevrimiçi erişim:http://ieeexplore.ieee.org/document/545307/(Erişim tarihi: 24 Şubat 2026).

  • CrossRef
  • Google Scholar
  • Referansı makalede gör

• 61.

  Lundberg SM, Lee SI. Model tahminlerini yorumlamak için birleştirilmiş bir yaklaşım. In: 31. Uluslararası Sinir İşleme Sistemleri Konferansı Bildirileri (NIPS’17) (Red Hook, NY, ABD: Curran Associates Inc.) (2017), 4768–77. Çevrimiçi erişim:https://dl.acm.org/doi/10.5555/3295222.3295230(Erişim tarihi: 5 Şubat 2026).

  • Google Scholar
  • Referansı makalede gör

• 62.

  van Royen F, Weerts H J P, De Hond A A H, Geersing G-J, Rutten F H, Moons K G M ve ark. Sağlıkta açıklanamayan siyah kutu tahmin modellerinin mütevazı savunusu. J Clin Epidemiol. (2026) 189:112013. 10.1016/j.jclinepi.2025.112013

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 63.

  Haider S A, Borna S, Gomez-Cabello C A, Pressman S M, Haider C R, Forte A J. Algoritmik uçurum: sağlıkta yapay zeka kaynaklı ırksal eşitsizlikler üzerine sistematik derleme. J Racial Ethn Health Disparities. (2026) 13(1):188–217. 10.1007/s40615-024-02237-0

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 64.

  Afrose S, Song W, Nemeroff C B, Lu C, Yao D D. Çift öncelikli önyargı düzeltmesiyle temsil edilmeyen hastalar için alt popülasyona özgü makine öğrenimi prognozu. Commun Med. (2022) 2:111. 10.1038/s43856-022-00165-w

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 65.

  Madrid J, Diehl P, Selig M, Rolauffs B, Hans F, Busch H-J ve ark. Ekleme destekli ChatGPT’nin performansı ve belirsizliği nicelendirme yeteneği: Alman tıp sınavı simülasyon çalışması. JMIR Med Educ. (2025) 11(1):e58375. 10.2196/58375

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 66.

  Guo C, Pleiss G, Sun Y, Weinberger K Q. Modern Sinir Ağlarının Kalibrasyonu üzerine. arXiv [Ön Baskı]. arXiv:1706.04599 (2017). Çevrimiçi erişilebilir:http://arxiv.org/abs/1706.04599(Erişim Tarihi: 24 Ağustos 2026).

  • Google Scholar
  • View reference in article

• 67.

  Abdulai A S, Storm J E, Ehrlich M. “Bilmiyorum”: Acil servis triyajında hastanın taburculuk durumunun tahmini için belirsizlik farkında makine öğrenimi modeli. Int J Med Inf. (2025) 201:105957. 10.1016/j.ijmedinf.2025.105957

  • CrossRef
  • Google Scholar
  • View reference in article

• 68.

  Kim SS, Liao Q, Vororeanu M, Ballard S, Vaughan JW. “I’m not sure, but..”: dil modellerinin belirsizlik ifadesinin kullanıcı güveni ve güveni üzerindeki etkisinin incelenmesi. In: Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ’24) (New York, NY, USA: Association for Computing Machinery) (2024), 822–35. 10.1145/3630106.3658941 Çevrimiçi erişim: https://dl.acm.org/doi/10.1145/3630106.3658941 (Erişim tarihi: 9 Mart 2026).

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 69.

  Sjöström J, Dryselius P, Nygren J, Nair M, Soliman A, Lundgren L. Makine öğrenimine dayalı klinik karar destek sistemleri için tasarım ilkeleri: bir tasarım bilimi çalışması. In: Mandviwalla M, Söllner M, Tuunanen T, editörler. Design Science Research for a Resilient Future. Cham: Springer Nature Switzerland (2024) 14621. s. 109–22. 10.1007/978-3-031-61175-9_8

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 70.

  Elmer J, Torres C, Aufderheide T, Austin M, Callaway C, Golan E ve ark. Algılanan nörolojik prognoz için yaşamı sürdüren tedavinin erken kaldırılmasının kalp durması sonrası mortalite ile ilişkisi. Resuscitation. (2016) 102:127–35. 10.1016/j.resuscitation.2016.01.016

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 71.

  Van Amsterdam WA, Van Geloven N, Krijthe JH, Ranganath R, Cinà G. Doğru tahmin modelleri zararlı öngörüyü gerçek yapan kehanetlere ne zaman yol açar. Patterns. (2025) 6(4):101229. 10.1016/j.patter.2025.101229

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 72.

  Dietrich N. Radyolojide ajan tabanlı yapay zeka: ortaya çıkan potansiyel ve çözülmemiş zorluklar. Br J Radiol. (2025) 98:1582–4. 10.1093/bjr/tqaf173

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 73.

  Avrupa Parlamentosu ve Avrupa Birliği Konseyi. Yapay Zeka Yasası AB (2024). Çevrimiçi erişim: https://aiactinfo.eu/ (Erişim tarihi: 18 Mart 2026).

  • Kaynağa atıfı makalede görüntüle

• 74.

  Amerika Gıda ve İlaç İdaresi, Cihazlar ve Radyolojik Sağlık Merkezi. Yapay zeka/yapay zeka öğrenmesi (AI/ML) tabanlı tıbbi cihaz yazılımı (SaMD) eylem planı (1 Ocak 2021). Çevrimiçi erişim: https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device?ref=charonhub.deeplearning.ai (Erişim tarihi: 15 Aralık 2026).

  • Kaynağa atıfı makalede görüntüle

• 75.

  Çin Ulusal Tıbbi Ürün İdaresi. Yapay zeka destekli tıbbi cihazların kaydı için yol gösterici ilkeler. Pekin: Çin Ulusal Tıbbi Ürün İdaresi (2022).

  • Google Scholar
  • Kaynağa atıfı makalede görüntüle

• 76.

  Parasuraman R, Manzey D. Otomasyonun insan kullanımında memnuniyet ve önyargı: dikkat temelli bir bütünleştirme. Hum Factors. (2010) 52(3):381–410. 10.1177/0018720810376055

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Kaynağa atıfı makalede görüntüle

• 77.

  Kim JY, Hasan A, Kueper J, Tang T, Hayes C, Fine B ve ark. Sağlık alanında kurumsal yapay zeka yönetişiminin kurulması: Kanada’da bir olgu çalışması. Npj Digit Med. (2025) 8(1):522. 10.1038/s41746-025-01909-3

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Kaynağa atıfı makalede görüntüle

• 78.

  Wells BJ, Nguyen HM, McWilliams A, Pallini M, Bovi A, Kuzma A ve ark. Sağlık alanında uygun uygulama ve gözden geçirme için pratik bir çerçeve (FAIR-AI). Npj Digit Med. (2025) 8(1):514. 10.1038/s41746-025-01900-y

  • Pubmed Özeti
  • CrossRef
  • Google Scholar
  • Kaynağa atıfı makalede görüntüle

• 79.

  McNamara S, Yi P, Lotter W. Klinik hekim-AI arayüzü: Tıbbi görüntü yorumlamada FDA onaylı AI cihazlarında amaçlanan kullanım ve açıklanabilirlik. Npj Digit Med. (2024) 7(1):80. 10.1038/s41746-024-01080-1

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 80.

  Bates D W, Kuperman G J, Wang S, Gandhi T K, Kittler A, Volk L ve ark. Etkili klinik karar destek sistemi için on emir: Kanıta dayalı tıbbın uygulamasını gerçeğe dönüştürmek. J Am Med Inform Assoc. (2003) 10(6):523–30. 10.1197/jamia.M1370

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 81.

  Wosny M, Strasser L, Hastings J. Hastanede dijital araçları kullanan sağlık profesyonellerinin deneyimi: nitel sistematik derleme. JMIR Hum Factors. (2023) 10(1):e50357. 10.2196/50357

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 82.

  Kealey E, Leckman-Westine E, Finnerty M. Bir web tabanlı klinik karar destek sisteminin hekimler tarafından kullanımını etkileyen dört eğitim koşulunun etkisi. Artif Intell Med. (2013) 59(1):39–44. 10.1016/j.artmed.2013.03.003

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 83.

  Frans N, Hummelen B, Albers C J, Paap M C S. Ölçüm hatasının hekimler tarafından anlaşılmasını teşvik etmek için belirsizliğin görselleştirilmesi. Assessment. (2023) 30(8):2449–60. 10.1177/10731911221147042

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • View reference in article

• 84.

  Wysocki O, Davies J K, Vigo M, Armstrong A C, Landers D, Lee R ve ark. AI modelleri ile sağlık profesyonelleri arasındaki iletişim açığının değerlendirilmesi: AI destekli klinik kararlarda açıklanabilirlik, yararlılık ve güven. Artif Intell. (2023) 316:103839. 10.1016/j.artint.2022.103839

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 85.

  Rezaeian E, Bayrak EA, Asan O. Açıklanabilirlik ve klinik karar destek sistemlerinde yapay zeka güveni: kanser bakımında güven, tanı performansı ve bilişsel yük üzerindeki etkiler. arXiv [Baskı önü]. arXiv:2501.16693 (2025). 10.1080/10447318.2025.2539458

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 86.

  Gaube S, Suresh H, Rau E, Merritt A, Berkowitz S, Lermer E ve ark. Yapay zekanın söylediğini yapın: Klinik karar yardımcılarının uygulanmasında gösterilen dirençlilik. Npj Digit Med. (2021) 4(1):31. 10.1038/s41746-021-00385-9

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 87.

  Cabitza F, Campagner A. Tıbbi bilişimde buğdayı samandan ayırma gerekliliği. Int J Med Inf. (2021) 153:104510. 10.1016/j.ijmedinf.2021.104510

  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 88.

  Collins G S, Reitsma J B, Altman D G, Moons K G M. Bireysel prognoz veya tanı için çok değişkenli bir tahmin modelinin şeffaf şekilde raporlanması (TRIPOD): TRIPOD bildirimi. Ann Intern Med. (2015) 162(1):55–63. 10.7326/M14-0697

  • Pubmed Abstract
  • CrossRef
  • Google Scholar
  • Referansı makalede görüntüle

• 89.

  Scott I, Carter S, Coiera E. Sağlık hizmetlerinde makine öğrenimi uygulamalarının uygunluğunu değerlendirmek için klinik çalışanlar için kontrol listesi. BMJ Health Care Inform. (2021) 28(1):e100251. 10.1136/bmjhci-2020-100251

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 90.

  Sendak M P, Gao M, Brajer N, Balu S. Makine öğrenimi modeli bilgilerinin klinik son kullanıcılara model gerçekleri etiketleriyle sunulması. Npj Digit Med. (2020) 3(1):41. 10.1038/s41746-020-0253-3

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 91.

  Liu X, Rivera S, Faes L, Ferrante di Ruffano L, Yau C, Keane P. Yapay zeka müdahalelerini değerlendiren klinik deneyler için raporlama kurallarına ihtiyaç var. Nat Med. (2019) 25(10):1467–8. 10.1038/s41591-019-0603-3

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 92.

  Cruz Rivera S, Liu X, Chan A-W, Denniston A-K, Calvert M J, Darzi A ve ark. Yapay zeka içeren müdahaleler için klinik deney protokollerine yönelik yönergeler: SPIRIT-AI genişletmesi. Nat Med. (2020) 26(9):1351–63. 10.1038/s41591-020-1037-7

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 93.

  Henry K E, Adams R, Parent C, Soleimani H, Sridharan A, Johnson L ve ark. Sağlayıcıların TREWS makine öğrenimine dayalı erken uyarı sistemini benimsemesini yönlendiren faktörler ve sepisin tedavi zamanlamasına etkileri. Nat Med. (2022) 28(7):1447–54. 10.1038/s41591-022-01895-z

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

• 94.

  Russ P, Ross P M, Kräling G, Lechner F, Eldakar M, Schlicker N ve ark. Acil bakımda çok modlu, yapay zeka temelli klinik değerlendirme platformunun uygulanabilirliği: keşif amaçlı ön çalışma. Front Digit Health. (2025) 7. 10.3389/fdgth.2025.1657583

  • Pubmed Abstract
  • CrossRef
  • Google Scholar

Özet

Anahtar kelimeler

yapay zeka, klinik karar destek sistemi, acil servis triaji, insan-bilgisayar etkileşimi (HCI), makine öğrenimi

Atıf

Zantvoort K, Brouwer S, Schlicker N, Mross P, Jerrentrup A, Hirsch M C ve Russ P (2026) User interfaces in machine learning-based decision support for emergency department triage — a systematic review. Front. Digit. Health 8:2004648. doi: 10.3389/fdgth.2026.2004648

Müracyet tarihi

20 Eylül 2026

Düzelleme tarihi

14 Ekim 2026

Kabul tarihi

16 Ekim 2026

Yayınlanma tarihi

13 Kasım 2026

Cilt

8 – 2026

Philippe Gorce, International Institute of Biomechanics and Occupational Ergonomics, France

Diana Lungeanu, Romanya, Victor Babeş Tıp ve Eczacılık Üniversitesi

Julian Madrid, Almanya, Ortenau Klinikum

© 2026 Zantvoort, Brouwer, Schlicker, Mross, Jerrentrup, Hirsch ve Russ.

Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık olarak dağıtılan bir makaledir. Kabul görmüş akademik uygulamalar doğrultusunda, orijinal yazar(lar)ın ve telif hakkı sahib(ler)inin credited edilmesi ve bu dergideki orijinal yayının atıf edilmesine bağlı kalınması şartıyla, diğer forumlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

*İletişim: Kirsten Zantvoort kirsten.zantvoort@uni-marburg.de

†

ORCID Kirsten Zantvoort orcid.org/0000-0001-9876-054X

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve mutlaka bağlı oldukları kuruluşların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.