Veri madenciliği yöntemleri ve sağlık sektörü veritabanlarında bilgi keşfi : tanımlayıcı ve kestirimci model uygulamaları

Abstract

Veri madenciliği yöntem ve tekniklerinin sağlık sektörü veritabanlarında kullanımıyla özellikle hastane veya sağlık kurumları yöneticilerinin veya bu alanda politika yapıcılarının öngörü edinmesine yardımcı olabilecek bilgilerin elde edilmesi mümkündür. Bu çalışmada sağlık alanındaki veri madenciliği uygulamalarının hangi adımlardan oluşacağı ortaya konulmuş, bu alanda var olan literatürden teorik ve uygulama bilgisi aktarılmıştır. Uygulama aşamasında ise hali hazırda işleyen bir hastane veritabanında bazı önemli veri madenciliği teknikleri uygulanmış ve sonuçları aktarılmıştır.Veri madenciliği kavramının yalnızca problemlere uygulanan bilgisayar tabanlı araç ve yöntemler topluluğu değil, probleme özgü tasarlanmış, ilgili yöntem, teknik ve uygulamaları da içine alan, sonuçları itibariyle probleme özgü olmak üzere ilişkileri, kuralları, örüntüleri veya eğilimleri modelleyen ve gösteren bir süreç olduğu ele alınmıştır.Uygulama aşamasında kullanılan hastane veritabanında veri transferi, filtreleme ve veri ön-işleme faaliyetleri gerçekleştirilmiş sonrasında da kümeleme, birliktelik kuralları, zaman serileri ve yapay sinir ağları teknikleri kullanılarak birçok veri madenciliği modeli üretilmiştir. Bu modeller ile hastanede konsültasyon hizmetleri örüntülerinin belirlenmesi ve hastanenin gelecekteki hasta yoğunluğunun tahmin edilmesi uygulamaları gerçekleştirilmiştir.Özellikle birliktelik kuralları tekniği kullanılarak birimler arası konsültasyon hizmetleri örüntülerinin belirlenmesi uygulaması bu tekniğin böyle bir amaçla ilk defa kullanımı ve anlamlı sonuçlar üretmesi bakımından önemli bulunmaktadır. Birimler arası konsültasyon hizmetleri, istem ve hizmeti verme ilişkileri ve bu ilişkilerin yoğunlukları kurallar ile ifade edilmiş ve grafiklerle de görselleştirilmiştir.Gelecekteki hasta yoğunluklarının tahmin edilmesi uygulamalarında üstel düzgünleştirme, ARIMA ve yapay sinir ağları yöntemleri önce kendi içlerindeki farklı modellerle kıyaslanmış sonra da her yöntemin en kestirimci modelleri birbirleriyle kıyaslanarak bu konuda en iyi sonucu veren model tespit edilmeye çalışılmıştır. Üstel düzgünleştirme yöntemlerinden Winters Additive modeli, ARIMA yöntemlerinden ARIMA(3,1,0)(1,0,0)12 modeli ve yapay sinir ağları yöntemlerinden Prune yöntemi ile elde edilen model en iyi sonuçları vermiştir. Winters Additive üstel düzgünleştirme modeli ise bunlar arasında en kestirimci model olarak öne çıkmış ve gerçekleşen değerlere en yakın tahminleri üretmiştir.