Sağlık verilerinin tahmininde zaman serisi analizi ve yapay sinir ağları yöntemlerinin incelenmesi
Examination of time series analysis and artificial neural networks methods in prediction of health data
- Tez No: 901764
- Danışmanlar: DOÇ. DR. ÖZGÜL VUPA ÇİLENGİROĞLU
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Dokuz Eylül Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Veri Bilimi Bilim Dalı
- Sayfa Sayısı: 69
Özet
Sağlık verilerinin doğru bir şekilde incelenmesi ve yorumlanması önemlidir. Özellikle veri analiz yöntemleri, verinin profilini çıkartırken aynı zamanda geleceğe yönelik tahminleri de istatistiksel yöntemlerle yapabilmektedir. Sağlık alanında özelikle hasta sayısı tahmini, hastanenin hastaya kaliteli sağlık hizmeti vermesi ve hasta ile sağlık personeli memnuniyetini sağlayabilmesi açısından önemlidir. Bu çalışmada, İzmir ilinde yer alan bir devlet hastanesinin acil servisine 2020-2021 yılları arasında gelen hasta sayısı veri seti üzerinden kurgulanan, 2 farklı yöntem ile 2 farklı tahminleme yapılmıştır. İlk aşamada, hasta sayısını tahminlemeyi sağlayan zaman serisi yöntemleri kullanılmıştır bunun içinde en başta elde edilen 2020-2021 yılları arasında gelen hasta sayısı veri seti üzerinden 2010-2021 yılları arası aylık veri seti simüle edilmiş ve tahminlemede kullanılmıştır. Literatürde sıklıkla kullanılan üssel düzeltme yöntemi ile yeni bir yaklaşım olan Ata yöntemleri modelleme için kullanılmıştır. Performans karşılaştırmaları ise ortalama mutlak yüzde hata, ortalama mutlak ölçekli hata ve ortalama mutlak hata kriterlerine göre yapılmış ve çalışma sonunda zaman serisinde yeni bir yaklaşım olan Ata(1,0,1)(A,N,A) yönteminin daha iyi sonuçlar verdiği tespit edilmiştir. İkinci aşamada, yapay sinir ağları ile hasta tipi (ayakta ya da yatırılarak tedavi) bağımlı değişkeni için öngörüde bulunulmuştur. Bu durumda, gizli ve çıktı katmanı için aktivasyon kombinasyonları üzerinden model 30 kere çalıştırılmış olup aralarında en iyi performans gösteren modeli seçmek için duyarlılık, seçicilik, kesinlik, doğruluk ve F1 ölçüm değerleri kullanılmıştır. En iyi performansı gösteren modelde kullanılan aktivasyon fonksiyonları, gizli katman için hiperbolik ve çıktı katmanı için ise softmax olarak bulunmuştur.
Özet (Çeviri)
Accurate analysis and interpretation of healthcare data is crucial. Data analysis methods can not only profile the data but also make future predictions using statistical techniques. In the healthcare field, patient number prediction is important for hospitals to provide quality healthcare services and ensure patient and healthcare personnel satisfaction. In this study, two different predictions were made using two different methods on the dataset of the number of patients who came to the emergency department of a state hospital in İzmir between 2020-2021. In the first stage, time series methods that provide patient number prediction were used. For this purpose, a monthly data set between 2010-2021 was simulated from the obtained 2020-2021 patient number data set and used in the prediction. The exponential smoothing method, which is frequently used in the literature, and a new approach called Ata methods were used for modeling. Performance comparisons were made according to the mean absolute percentage error, mean absolute scaled error, and mean absolute error criteria. At the end of the study, it was determined that the Ata(1,0,1)(A,N,A) method, which is a new approach in time series, gave better results. In the second stage, predictions were made for the dependent variable of patient type (ambulatory or inpatient treatment) using artificial neural networks. In this case, the model was run 30 times with different activation function combinations for the hidden and output layers. The best performing model was selected using sensitivity, specificity, precision, accuracy, and F1 score metrics. The activation functions used in the best performing model were found to be hyperbolic for the hidden layer and softmax for the output layer.
Benzer Tezler
- Derin öğrenme ve büyük veri analitiği yöntemleriKullanarak Covid-19 yayılımının ileriye dönük tahmini
Forecasting the spread of covid-19 using deep learning and big data analytics methods
CYLAS KIGANDA
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
PROF. DR. MUHAMMET ALİ AKCAYOL
- Real-time crash risk analysis using deep learning
Derin öğrenmeyle gerçek zamanlı kaza risk analizi
SAEID MORADI
Yüksek Lisans
İngilizce
2022
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ALİ OSMAN ATAHAN
- Land based emission inventory and consistency analysis for WRF-Chem: Dilovası example
WRF-Chem için arazi bazlı emisyon envanteri ve tutarlılık analizi: Dilovası örneği
UMUR DİNÇ
Yüksek Lisans
İngilizce
2021
Meteorolojiİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN TOROS
- Kümeleme ve yerel aykırı faktör tabanlı aktif öğrenme yaklaşımları: Otomotiv sektöründe bir uygulama
Clustering and local outlier factor-based active learning approaches: An application to the automotive industry
FATMA SANİYE KOYUNCU
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLİN İNKAYA
- Karkas et fiyatlarının box-jenkins modeller ile geleceğe yönelik kestirimleri: Tokat ili örneği
Forecasting carcass meat prices with box-jenkins models: A case study on tokat province
MEHMET ÇELİK
Yüksek Lisans
Türkçe
2024
EkonomiFırat ÜniversitesiHayvan Sağlığı Ekonomisi ve İşletmeciliği Ana Bilim Dalı
DOÇ. DR. MEHMET SALTUK ARIKAN