Doğal dil işleme modeli kullanılarak kan test verilerinden kişisel sağlık asistanı geliştirilmesi

Abstract

Klinik laboratuvar raporları, içerdikleri yoğun terminoloji ve sayısal veri nedeniyle tıp eğitimi almamış hastalar için güç bir okuma metnidir; sağlık okuryazarlığı düşük olduğunda hasta sonucunu yanlış yorumlayabilir, gereksiz kaygıya kapılabilir ya da kritik bir bulguyu gözden kaçırabilir. Bu tez, e-Nabız kan tahlil raporlarını hasta-dostu bir dille açıklayan, uçtan uca bir kişisel sağlık asistanı prototipi sunar. Sistem, metin katmanlı e-Nabız PDF'lerinden parametre adı, ölçüm değeri ve referans aralıklarını pdfplumber ile çıkarır; düzenli ifadeler ve satır temelli bir ayrıştırıcıyla yapılandırır; adlandırma farklılıklarını rapidfuzz tabanlı esnek eşleştirmeyle giderir. Her parametreye Normal, Takip veya Kritik etiketi, ölçülen değerin referans aralığından bağıl sapmasına dayanan ve %80 sapma eşiğini kullanan deterministik bir kuralla atanır; bu karar öğrenilmiş bir modele değil sabit bir ölçüte bağlıdır. Düşük sıcaklıkta (temperature = 0,3) ve JSON çıktı kipinde çalıştırılan Gemini 2.0 Flash Lite modeli, bu etiketli bağlamı hastanın öyküsüyle (şikâyet, ilaç, yaşam tarzı ve bilinen hastalıklar) birleştirerek hasta-dostu bir açıklamaya dönüştürür ve kişiye özel, hekime yönlendiren öneriler üretir; belirleyici risk kararı yine deterministik kurala aittir ve model tanı, tedavi ya da doz önerisi üretmez. Değerlendirme, 13 katılımcıya ait 55 e-Nabız raporundan oluşan bir veri kümesi üzerinde yürütülmüştür. Örneklenen 25 raporda benzersiz parametre düzeyinde doğrulanan çıkarım %99,5 duyarlılık, %90,0 kesinlik ve %94,5 F1 skoru vermiş; tüm kümede altın standart etiket dağılımı Normal %87,9, Takip %10,8 ve Kritik %1,3 olarak belirlenmiştir. Üç hekimin toplam 15 raporu bütüncül değerlendirdiği pilot bir klinik incelemede ortalama Likert puanları tıbbi doğruluk için 3,67/5, anlaşılabilirlik için 4,00/5 olmuş; dört maddelik "kırmızı çizgi" güvenlik kontrol listesinde hiçbir değerlendirmede halüsinasyona rastlanmamış (0/3), açıklamaların tamamı hastaya gösterilebilir bulunmuş (3/3), kritik değer atlamama ve doğru hekim yönlendirmesinde ise üçte iki olumlu sonuç alınmıştır (2/3). Bulgular, deterministik bir güvenlik katmanıyla desteklenen LLM tabanlı bir asistanın hastaların kendi sağlık verilerini anlamasına yardımcı olabileceğine işaret eder; sınırlı örneklem ve pilot ölçek nedeniyle sonuçlar bir kavram kanıtı (proof-of-concept) niteliğindedir ve daha geniş, çok hekimli bir değerlendirmeyle doğrulanmalıdır.

Clinical laboratory reports are a core component of diagnosis and follow-up, yet the dense terminology and numerical data they contain make them a difficult text for patients without medical training. Where health literacy is low, a patient may misinterpret a result, experience unnecessary anxiety, or overlook a critical finding. This thesis presents an end-to-end personal health assistant prototype that explains e-Nabız blood test reports in patient-friendly language. The system extracts parameter names, measured values, and reference ranges from text-layer e-Nabız PDF files usingpdfplumber; structures them with regular-expression patterns and a line-based parser; and resolves naming variations through rapidfuzz-based fuzzy matching. The Normal, Follow-up, or Critical label of each parameter is assigned by a deterministic rule operating on the relative deviation of the measured value from its reference range; this decision depends not on a learned model but on a fixed criterion based on an 80% deviation threshold. The language model turns this labeled context — combined with the patient's history (symptoms, medications, lifestyle, harmful habits, and known conditions) — into a patient-friendly explanation and personalized, physician-referring recommendations, while the risk decision remains with the deterministic rule and the model makes no diagnosis, treatment, or dosage suggestion. For this purpose, configured to return JSON output and run at low temperature (temperature = 0.3), the Gemini 2.0 Flash Lite model is used; the system also supports llama-3.3-70b-versatile via Groq Cloud as a configurable alternative, although all results in this thesis — including the clinical evaluation — were produced with Gemini. Evaluation was carried out on a dataset of 55 e-Nabız reports from 13 participants. On 25 reports sampled from this set, parameter extraction was verified at the level of unique within-report parameter keys, yielding 99.5% recall, 90.0% precision, and a 94.5% F1 score; the ground-truth label distribution across the full dataset was Normal 87.9%, Follow-up 10.8%, and Critical 1.3%. In a pilot clinical evaluation in which three physicians holistically assessed 15 reports in total (five each), mean Likert scores were 3.67/5 for medical accuracy and 4.00/5 for readability; on a four-item "red-line" safety checklist no hallucination was observed in any assessment (0/3) and all generated explanations were judged safe to show to the patient (3/3); on the critical-value-omission and correct-referral items, two of the three assessments were positive (2/3). Preliminary findings suggest that an LLM-based assistant supported by a deterministic safety layer can help patients understand their own health data. Owing to the limited sample size and the pilot-scale clinical evaluation, these results constitute a proof-ofconcept and require validation on a larger cohort with multi-physician assessment.