Machine learning models for inpatient fall prediction: A retrospective study using electronic health record data in Türki̇ye
Yatan hastaların düşme tahmini için makine öğrenmesi modelleri: Türkiye'deki elektronik sağlık kayıt verilerini kullanan retrospektif bir çalışma
- Tez No: 1013624
- Danışmanlar: PROF. DR. BURCU HÜDAVERDİ
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Biyoistatistik, Hastaneler, Statistics, Biostatistics, Hospitals
- Anahtar Kelimeler: Bilişim, Biyoistatistik, Makine öğrenmesi, Informatics, Bioistatistics, Machine learning
- Yıl: 2026
- Dil: İngilizce
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Hastanelerde en sık görülen advers olaylardan birisi hasta düşmeleridir ve bu durum önemli fiziksel, psikolojik ve ekonomik sonuçlara yol açmaktadır. Bu çalışmanın amacı, Türkiye'deki bir üniversite hastanesindeki hasta düşmelerini öngörmek için elektronik sağlık kayıtları verilerine dayalı makine öğrenimi modelleri geliştirmek ve doğrulamaktır. Retrospektif olgu-kontrol araştırmasına 2017–2023 yılları arasında hastanede yatan 3.639 yetişkin hasta dahil edilmiştir (518 düşen hasta ve 3.121 düşmeyen hasta). Tahmin değişkenleri, literatür ve klinik uzmanlık ışığında seçilmiş olup demografik veriler, Charlson Komorbidite İndeksi, düşme riski yüksek ilaç kullanımı ve laboratuvar değerlerini kapsamaktadır. Sınıf dengesizliği (düşenler = %14,2) SMOTE-NC yöntemiyle düzeltilmiştir. Yedi yöntem test edilmiştir: Destek Vektör Makineleri, Rastgele Orman, XGBoost, Lojistik Regresyon, Karar Ağacı, Yapay Sinir Ağı ve Rastgele Orman Kantitatif Sınıflandırıcısı (RFQ). Modeller arasında RFQ en yüksek performansı göstermiştir (AUC: 0,863; doğruluk: 0,863; duyarlılık: 0,806; özgüllük: 0,805) ve hem SMOTE-NC tabanlı modellerden hem de geleneksel Rastgele Orman algoritmasından daha iyi sonuç vermiştir. Diğer yöntemler daha düşük ayırt edicilik göstermiştir (AUC: 0,543–0,784). Özellik önemlilik analizinde en güçlü öngördürücüler Charlson Komorbidite İndeksi, eozinofil sayısı, yaş ve yüksek riskli ilaç sayısı olarak belirlenmiş; bazofil sayısı, sodyum, kan-üre-azotu ve kırmızı-kan-hücresi sayısı da ek katkı sağlamıştır. Bu çalışma, RFQ'nun yatan hasta düşmelerinin öngörülmesinde ilk uygulamasını ortaya koyarak geleneksel yeniden örnekleme yaklaşımlarına güçlü bir alternatif sunmaktadır. Rutin olarak mevcut elektronik sağlık verilerinden yararlanılması sayesinde RFQ, hem ölçeklenebilir hem de hemşire iş yükünü artırmadan otomatik risk değerlendirmesi yapılmasına imkân tanımaktadır. Böyle ML modellerinin hastane sistemlerine entegrasyonu, yüksek riskli hastaların erken tanımlanmasını kolaylaştırabilir ve hasta güvenliği girişimlerini güçlendirebilir.
Özet (Çeviri)
Patient falls are among the most common yet preventable hospital adverse events, leading to significant physical, psychological, and economic consequences. This study aimed to develop and validate machine learning models using electronic health record data to predict inpatient falls in a tertiary hospital in Türkiye. We conducted a retrospective case–control study (2017–2023) including 3,639 adult inpatients: 518 fallers and 3,121 matched non-fallers. Predictors were selected based on literature and clinical expertise, encompassing demographics, Charlson Comorbidity Index, fall-risk medications, and laboratory values. Class imbalance (fallers = 14.2%) was addressed using SMOTE-NC. Seven methods were tested: Support Vector Machine, Random Forest, XGBoost, Logistic Regression, Decision Tree, Artificial Neural Network, and Random Forest Quantile Classifier (RFQ). Among methods, RFQ achieved the best performance (AUC: 0.863; accuracy: 0.863; recall: 0.806; specificity: 0.805). Other methods showed lower discrimination (AUC: 0.543–0.784). Feature importance analysis identified Charlson-comorbidity-index, eosinophil count, age, and number of high-risk medications as leading predictors, with additional contributions from basophil count, sodium, blood-urea-nitrogen, and right-blood-cell count. This study demonstrates the first application of RFQ for inpatient fall prediction, offering a robust alternative to traditional resampling approaches. By leveraging routinely available electronic health record data, RFQ enables scalable, automated risk assessment without increasing nursing workload. Integrating such machine learning models into hospital systems could enhance early detection of high-risk patients and strengthen patient safety initiatives.
Benzer Tezler
- Neoadjuvan tedavi öncesi ve sonrası F-18 FDG PET/BT görüntülerinden bireyselleştirilmiş threshold ile elde edilen radyomik parametreleri kullanarak mide ve gastroözofageal bileşke yerleşimli lokal ileri evre mide adenokarsinomlarında patoloji sonuçlarının ve genel sağkalımın makine öğrenimi ile öngörülmesi: Retrospektif çalişma
Prediction of pathology outcomes and overall survival in locally advanced gastric adenocarcinomas located in the stomach and gastroesophageal junction using machine learning using radiomic parameters obtained by individualized threshold from F-18 FDG PET/CT images before and after neoadjuvant therapy: A retrospective study
YUNIS SHIKHALIYEV
Tıpta Uzmanlık
Türkçe
2025
OnkolojiDokuz Eylül ÜniversitesiNükleer Tıp Ana Bilim Dalı
DOÇ. DR. NAZLI PINAR KARAHAN ŞEN
- Kronik hepatit B ve C tanısı olan hastalarda histopatolojik karaciğer fibrozis evresinin radyomiks analizi ile karşılaştırılması
Comparison of histopathological liver fibrosis stage in patients diagnosed with chronic hepatitis B and C using radiomics analysis
ARİFE BULGURCU
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpPamukkale ÜniversitesiRadyoloji Ana Bilim Dalı
PROF. DR. DUYGU HEREK
- Koroner arter bypass operasyonlarında risk değerlendirmesi için makine öğrenimi tabanlı hibrit bir sistemin geliştirilmesi
Development of a machine learning based hybrid system for risk assessment in coronary artery bypass operations
AYŞE BANU BİRLİK
Doktora
Türkçe
2025
Mühendislik Bilimleriİstanbul Medipol ÜniversitesiSağlık Sistemleri Mühendisliği Ana Bilim Dalı (disiplinlerarası)
PROF. DR. HAKAN TOZAN
DR. ÖĞR. ÜYESİ KEVSER BANU KÖSE
- Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması
Analyzing diabetes data set using rough clustering theory and establishing a real-time data analytics system for diagnosis of diabetes disease
MEHMET YÜKSEL
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HÜSEYİN DEMİRCİ
- Takviyeli öğrenme ve açıklanabilir yapay zeka ile sanal kan şekeri izleme sisteminin geliştirilmesi
Development of a virtual blood glucose monitoring system using reinforcement learning and explainable artificial intelligence
ARSENE ADJEVİ
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR SOLAK