Hastanelerdeki acil servis yoğunluğunun gerçekleşme faktörlerinin yapay zeka yöntemleri ile analiz ve tahmini
Analysis and prediction of emergency department overcrowding factors in hospitals using artificial intelligence methods
- Tez No: 1019329
- Danışmanlar: DR. EROL KINA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Acil servis, Derin öğrenme, Makine öğrenmesi, Sağlık yönetimi, Yapay zeka, Emergency service, Deep learning, Machine learning, Health management, Artificial intelligence
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Van Yüzüncü Yıl Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka ve Robotik Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Acil servislerde (AS) yaşanan aşırı yoğunluk, hasta bakım kalitesini düşüren ve sağlık personeli üzerinde baskı oluşturan küresel bir sorundur. Bu çalışmanın amacı, acil servis başvuru yoğunluğunu etkileyen zamansal, çevresel ve meteorolojik faktörleri analiz etmek ve Yapay Zekâ (YZ) yöntemleri ile yüksek doğruluklu bir erken uyarı sistemi geliştirmektir. Çalışmada, İsfahan bölgesinde 2017-2022 yılları arasındaki 143.582 satırdan oluşan acil servis başvuru verileri; dış kaynaklardan elde edilen meteorolojik veriler (sıcaklık, nem) ve takvimsel veriler (resmî tatiller, hafta sonları) ile zenginleştirilerek temizlik ve ön hazırlık aşamalarından geçirilmiş ve çok boyutlu hibrit bir veri seti oluşturulmuştur. Oluşturulan hibrit veri setinde tahmin ve analiz için Makine Öğrenmesi modellerinden Rastgele Orman (Random Forest) ve XGBoost; Derin Öğrenme modellerinden Uzun Kısa Süreli Bellek (LSTM) ve Geçitli Tekrarlayan Birim (GRU) algoritmaları ayrı ayrı Jupyter Notebook dosyalarında çalıştırılmış ve elde edilen sonuçlar kullanılarak karşılaştırmalı bir analiz yapılmıştır. Makine Öğrenmesi modellerinin aşırı öğrenmesini engellemek ve genellenebilirliğini artırmak amacıyla GridSearchCV algoritması ile hiperparametre optimizasyonu ve zaman serisine uygun kronolojik olarak çapraz doğrulama (cross-validation) uygulanmıştır. Araştırma bulgularına göre; 24 saat sonrası için yapılan yoğunluk tahminlerinde en başarılı sonucu 1.92 RMSE ve 1.51 MAE değerleri ile derin öğrenme tabanlı GRU modeli vermiştir. GRU; LSTM (1.93), XGBoost (2.00), Random Forest (2.02) algoritmalarını geride bırakarak hastane yönetimi için nihai karar destek modeli olarak seçilmiştir. XGBoost modeli kullanılarak anlık veriler üzerinden gerçekleştirilen faktör analizinde, değişkenlerin acil servis yoğunluğu üzerindeki göreli etkileri model tabanlı özellik önemi (feature importance) yöntemi ile hesaplanmıştır. Elde edilen değerler mutlak bir etki büyüklüğünü değil, değişkenlerin model içindeki karşılaştırmalı önem derecesini (göreli katkı düzeyini) temsil etmektedir. Bu analiz sonuçlarına göre, modeli yönlendiren en etkili değişkenin diğer değişkenlere kıyasla en yüksek etkiye sahip olarak“Günün Saati”(Göreli Önem Skoru: 2760) olduğu belirlenmiştir. Bunu sırasıyla çevresel faktörler takip etmiştir. Dikkat çekici bir bulgu olarak;“Sıcaklık”(Skor: 457) ve“Nem”(Skor: 306) değişkenlerinin model içindeki göreli katkı düzeylerinin,“Ay”(Skor: 273),“Hafta Sonu”(Skor: 195) ve Resmî Tatil (71) gibi takvimsel değişkenlere kıyasla daha yüksek olduğu saptanmıştır. XGBoost modeli kullanılarak anlık veriler üzerinden gerçekleştirilen açıklanabilir Yapay Zekâ (XAI) kapsamında uygulanan SHAP faktör analizine göre, yoğunluğu belirleyen en kritik değişkenin beklendiği gibi“Günün Saati”olduğu ve özellikle akşam saatlerinin başvuruları pozitif yönde tetiklediği saptanmıştır. Çevresel ve mevsimsel faktörler incelendiğinde; özellikle coğrafi koşullar da göz önüne alındığında nem oranındaki düşüşün (kuru hava) ve sıcaklık artışlarının acil servis başvurularını anlamlı ölçüde artırdığı, yılın son çeyreğinde (Ekim, Kasım, Aralık) ise başvuruların genel bir düşüş eğilimi gösterdiği tespit edilmiştir. Sonuç olarak bu çalışma, acil servis yönetiminde sadece geçmiş hasta sayılarına değil meteorolojik değişimlere de odaklanılması gerektiğini ortaya koymuş, yarı kurak iklim bölgelerinde düşük nem ve yüksek sıcaklığın AS yoğunluğu üzerindeki artırıcı etkisini veri bilimi ile ortaya koyarak literatüre katkı sağlamıştır. Geliştirilen YZ modeli, hastane yöneticilerine 24 saat önceden yüksek doğruluklu yoğunluk uyarısı vererek aktif kaynak planlaması (personel/ekipman tahsisi) yapma imkânı sunmaktadır.
Özet (Çeviri)
Emergency Department (ED) overcrowding is a global issue that reduces the quality of patient care and places pressure on healthcare staff. The aim of this study is to analyze temporal, environmental, and meteorological factors affecting ED admission intensity and to develop a high‑accuracy early warning system using Artificial Intelligence (AI) methods. In this study, ED admission data from the Isfahan region between 2017–2022, consisting of 143.582 rows, was enriched with meteorological data (temperature, humidity) and calendar data (public holidays, weekends) obtained from external sources. After cleaning and preprocessing, a multidimensional hybrid dataset was created. For prediction and analysis, the hybrid dataset was tested separately with the machine learning models Random Forest and XGBoost, and deep learning models Long Short‑Term Memory (LSTM) and Gated Recurrent Unit (GRU). Comparative analysis was conducted using the results obtained. To prevent overfitting and improve generalizability, hyperparameter optimization and cross‑validation were applied using the GridSearchCV algorithm. According to the research findings, the GRU deep learning model achieved the best performance in predicting ED intensity 24 hours ahead, with RMSE = 1.92 and MAE = 1.51. GRU outperformed LSTM (1.93), XGBoost (2.00), Random Forest (2.02) and was selected as the final decision support model for hospital management. In the factor analysis performed on real-time data using the XGBoost model, the relative impacts of the variables on ED intensity were calculated using the model-based feature importance method. The obtained values represent the comparative importance (relative contribution level) of the variables within the model, rather than an absolute magnitude of effect. According to these analysis results, it was determined that the most effective variable driving the model was by far the“Hour of the Day”(Relative Importance Score: 2760). This was followed by environmental factors. As a remarkable finding, the relative contribution levels of the“Temperature”(Score: 457) and“Humidity”(Score: 306) variables within the model were found to be higher compared to calendar variables such as“Month”(Score: 273),“Weekend”(Score: 195) and Public Holiday (71). According to the SHAP factor analysis conducted within the scope of Explainable AI (XAI) on real-time data using the XGBoost model, 'Time of Day' was identified as the most critical variable determining ED patient volume, as expected, with evening hours specifically triggering admissions positively. Environmental and seasonal factors showed that decreases in humidity (dry air) and increases in temperature significantly raised ED admissions, while the last quarter of the year (October–December) exhibited a general downward trend. In conclusion, this study demonstrates that ED management should focus not only on past patient numbers but also on meteorological changes. It contributes to the literature by proving, through data science, that low humidity and high temperatures in semi‑arid climates significantly increase ED intensity. The developed AI model provides hospital managers with highly accurate 24‑hour advance warnings of patient load, enabling proactive resource planning (staff/equipment allocation).
Benzer Tezler
- Acil servise travma nedeniyle başvuran hastalarda tüm vücut bilgisayarlı tomografi taramasının gerekliliği
Necessity of whole body computed tomography scanning in patients presenting to the emergency department due to trauma
MEHMET BOZKURT
Tıpta Uzmanlık
Türkçe
2022
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. SALİM SATAR
- Hastanelerde yoğun bakım yatak sayılarının planlanmasında acil servis başvurularının değerlendirilmesi
Evaluation of emergency service applications for planning the number of intensive care beds in hospitals
EMRULLAH KABINKARA
Tıpta Uzmanlık
Türkçe
2020
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. RAMAZAN KÖYLÜ
- Acil servis çalışanlarında iş stresi
Emergency service staffs' occupational stress
RÜMEYSA ERCAN
Yüksek Lisans
Türkçe
2020
Hastanelerİstanbul Esenyurt Üniversitesiİş Sağlığı ve Güvenliği Ana Bilim Dalı
PROF. DR. ULVİ AVCIATA
- Sivas ili acil servis birimlerinin ve buralarda görev yapan hekim ve diğer sağlık çalışanlarının kimyasal biyolojik radyolojik nükleer (KBRN) vakalarına hazırlık durumlarının ve bilgi düzeylerinin ölçülmesi
Measuring the preparedness and knowledge levels of the emergency service units in Si̇vas and the physicians and other HEALTH professionals working here for chemical biological radiological nuclear (CBRN) cases
SÜMEYYE GÜLKAYA
Tıpta Uzmanlık
Türkçe
2022
Acil TıpSivas Cumhuriyet ÜniversitesiAcil Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEFA YURTBAY
- Bir üniversite acil servisinde RT-PCR testi ile teyit edilmiş covid-19 vakalarını öngörmede kullanılabilecek faktörler
Factors to predict RT-PCR results in university emergency department
VOLKAN ARSLAN
Yüksek Lisans
Türkçe
2025
Acil TıpHacettepe ÜniversitesiHalk Sağlığı Ana Bilim Dalı
PROF. DR. BANU ÇAKIR