Developing a process mining-based model for detecting patient safety errors in healthcare

Sağlık sektöründe, hasta güvenliğine yönelik hataların tespit edilmesinde süreç madenciliğine dayalı bir model geliştirilmesi

PDF İndir

Tez No: 933998
Yazar: AHMET MURAT SÜMER
Danışmanlar: DOÇ. DR. CEMİL CEYLAN
Tez Türü: Doktora
Konular: Endüstri ve Endüstri Mühendisliği, Hastaneler, Industrial and Industrial Engineering, Hospitals
Anahtar Kelimeler: Belirtilmemiş.
Yıl: 2025
Dil: İngilizce
Üniversite: İstanbul Teknik Üniversitesi
Enstitü: Lisansüstü Eğitim Enstitüsü
Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
Sayfa Sayısı: 121

Özet

Günümüzde hasta güvenliği maalesef dünya genelinde önemli bir sorun niteliğindedir. Ne yazık ki, hastalara zarar veren hasta güvenliği ile ilişkili hatalar ve olaylar sağlık sektöründe meydana gelmektedir. ABD yapılan çalışmalara göre sağlık sektöründe tıbbi hatalar nedeni ile gerçekleşen ölümler, tüm ölüm istatistikleri değerlendirildiğinde, kalp hastalıkları ve kanser sonrasında üçüncü sırada yer almaktadır. Hasta güvenliği olayları arasında transfüzyon hataları, istenmeyen ilaç olayları, yanlış taraf cerrahileri, cerrahi yaralanmalar, önlenebilir intiharlar, hastaların kısıtlamasıyla ilgili yaralanmalar ya da ölümler, hastane kaynaklı veya diğer tedaviler ile ilişkili enfeksiyonlar, hasta düşmeleri, yanıklar, bası ülserleri ve yanlış hasta tanımlamaları vb. yer almaktadır. Bu tıbbi hataların önlenmesi hem hastalara zarar vermemek hem de sağlık sistemindeki maliyet baskısını azaltmak açısından büyük önem taşımaktadır. Hasta güvenliğini tehdit eden bu hatalar, hastaların zarar görmesine ve hatta ölümlerine neden olmaktadır. Diğer yandan bu hatalar sağlık hizmeti maliyetlerinde de artışa neden olmaktadır. Bu olaylar nedeniyle oluşan zarar seviyesi, güvenli olmayan bir durumun varlığından bir hastanın ölümüne kadar değişkenlik gösterebilir. Sistem seviyesinde ve organizasyonel boyuttaki sorunları iyileştirebilmek ve tekrar ortaya çıkmalarını önleyebilmek için, sağlık hizmet sunucuları ve sağlık kurumları öncelikli olarak bu olayları bilmeli ve anlamalıdır. Mevcut durumda, bu olaylar çalışanlar tarafından yapılan gönüllü bildirimler aracığı ile bilinebilir. Hasta şikayetleri de bu olayların tespit edilmesi ve incelenebilmesi için bir başka bildirim kanalıdır. Diğer bir yöntem ise tüm hasta kayıtları ve dosyalarının araştırılması olabilir. Ancak, tüm hasta güvenliği olaylarının gönüllü olarak bildirildiği veya bildirilmeyen tüm olayların araştırıldığı bir kurum kültürünü geliştirmek hiç kolay olmayacaktır. Öte yandan, sağlık hizmeti, artan hasta sayıları, yeni ortaya çıkan hastalıklar ve diğer sorunlarla birlikte, hasta güvenliği konusunda organizasyonel, ulusal ve küresel düzeylerde daha da kötüye gitmektedir. Hasta güvenliği olaylarının gönüllü olarak bildirilmesi, sağlık otoriteleri, sağlık bakanlıkları ve sağlık kurumları tarafından teşvik edilmektedir. Buna rağmen, yapılan bilimsel araştırmalar hastanelerde yatan hastalar arasında istenmeyen hasta güvenliği olaylarının ve hatalarının %90'ından fazlasının tespit edilemediğini göstermektedir. Hasta güvenliği olaylarının ve hatalarının çoğu gizli kalmakta ve maalesef açığa çıkartılamamaktadır. Bazı olaylar çalışanlar tarafından dahi fark edilmemiş olabileceği gibi, bazı olaylar biliniyor ve ekip içi dinamikler, iş güvencesi endişesi, olası yasal süreçler gibi nedenler ile bildirilmiyor ve saklanıyor olabilir. Başka bir deyişle, istenmeyen olayların %90'ından fazlası gönüllü bildirimle fark edilememektedir. Bu tez, bu sorunu çözmeye ve daha iyi bir sağlık sistemi oluşturmak için bildirilmemiş hasta güvenliği olaylarını tespit etmeye yardımcı olmayı amaçlamaktadır. Sağlık Hizmetlerini İyileştirme Enstitüsü (IHI: Institute of Healthcare Improvement) tarafından geliştirilen Küresel Tetikleyici Aracı (GTT: Global Trigger Tool), bildirilmemiş olan hasta güvenliği olaylarını yakalamak için kullanılan bir araçtır. IHI Küresel Tetikleyici Aracı metodolojisi, olası olumsuz olayları belirlemek için“tetikleyici olayları”bir ipucu gibi kullanmaktadır. Bu çalışma geriye dönük olarak rassal olarak seçilen bir örneklemde yer alan yatan hasta kayıtlarını incelenerek yürütülmektedir. İnceleme neticesinde tanımlanmış tetikleyici olayların hasta kayıtları içinde görülmesi, olası bir hasta güvenliği olayının varlığını işaret etmektedir. Söz konusu çalışma ve inceleme hemşireler, hekimler ve diğer sağlık çalışanlarını içeren, hasta güvenliği ve Küresel Tetikleyici Aracı kullanımı konusunda eğitim almış ve deneyim sahibi bir çalışma grubu tarafından yürütülmektedir. Tetikleyiciler olası olumsuz olayları tespit etmek için etkilidir. Çünkü bu tür tetikleyiciler rutin yatan hasta kayıtları ve dokümantasyonun bir parçası olarak zaten mevcuttur. Bunların kaydedilmesi, iş yoğunluğu fazla olan klinik çalışanların herhangi bir ek çabasını da gerektirmez. Önemli olan zaten kaydedilmiş olan bu bilgilerin açığa çıkartılmasıdır. IHI Küresel Tetikleyici Aracı, uzmanlar tarafından söz konusu tetikleyici olayların ve bunların sonucu olarak hasta güvenliği olaylarının ve hatalarının meydana gelip gelmediğini belirlemek için yapılan odaklanmış tıbbi kayıt incelemeleridir. Herhangi bir tetikleyici olayın varlığı, mutlaka bir hasta güvenliği olayının ve hatasının gerçekleşmiş olduğu anlamını taşımaz. Ancak tetikleyici olayın bulunması bu yönde bir ihtimal olduğunun kanıtı olarak görülmektedir. IHI Küresel Tetikleyici Aracının, yatan hasta kaydındaki her bir olumsuz olayı tespit etmek için tasarlanmadığını belirtmek önemlidir. Hastalarda oluşan zarar oranlarını belirlemek ve zaman içinde kurumda gerçekleşmesi beklenen iyileşmeyi gözlemlemek için söz konusu metodoloji, yeterli bir örneklemle üzerinde incelemelerin yapılması yaklaşımı üzere tasarlanmıştır. Dolayısıyla tüm kayıtların incelenmesi söz konusu değildir. Çalışmanın verimli olmasını sağlamak için ayrıca inceleme için bir zaman sınırı belirlenmiştir. Aksi halde kapsamlı bir hasta dosyası incelemesi çok uzun zaman alabilir. Bu da veri toplama maliyetlerinin yüksek olması nedeni ile kurumlar açısından katlanılabilir olmayacaktır. Tetikleyici olaylar IHI'ın yapmış olduğu tanımlama ile sınırlı değildir. Yeterli bilimsel çalışmalar yapılarak farklı tetikleyiciler de tanımlanabilir. Bunların dışında IHI tarafından ya da başka bilimsel çalışmalar sonucunda tanımlanmış olan tetikleyici olaylar ile ilişkili olmayan, başka hasta güvenliği olayları ve hastalara ulaşan zararlar söz konusu olabilir. Dolayısıyla bunları tetikleyici araç kullanarak yakalamak mümkün değildir. Örneğin, ameliyat sonrasında 24 saatlik süre içinde hastalara kan verilmesi de IHI tarafından tanımlanmış olan bir tetikleyicidir. Yürütülen proje çalışması sırasında yapılan saha uygulamasında bu tetikleyici seçilmiştir. Bir hastaya belirli laboratuvar tahlillerinin yapılması sonrasında, kan transfüzyonu uygulanması incelemektedir. Özellikle kan transfüzyonunun bir ameliyat sonrasındaki ilk 24 saat içinde gerçekleşmesi, IHI tarafından ameliyat sırasında kanamaya neden olan bir hasta güvenliği olayı ya da hatası olabileceğinin belirtisi veya ipucu olarak değerlendirilmektedir. Söz konusu ipucunun hastanın hastane yatışı sırasındaki tıbbi kayıtları içinde tespit edilmesi tetikleyici olayın varlığını göstermektedir. Sonrasında yapılacak olan uzman değerlendirmesi, bu tetikleyici olayın gerisinde gerçekten bir hasta güvenliği olayının ya da hatasının olup olmadığını göstermektir. Klasik IHI Küresel Tetikleyici Aracı uygulamasında bu ve buna benzer diğer tetikleyicilerin varlığı seçilen örneklem hastalarının yatış kayıtları üzerinde uzmanlar tarafından değerlendirilmektedir. Bu çalışma ile önerilen yeni model, gönüllü olarak bildirilmemiş olan hasta güvenliği olaylarının ve hatalarının tespit edilebilmesi için Süreç Madenciliğini (Process Mining) kullanmaktadır. Diğer bir deyişle, önerilen yeni model hem IHI Küresel Tetikleyici Aracı'nı hem de Süreç Madenciliği araçlarını birlikte kullanarak verimlilik artışı sağlamayı amaçlayan bir araçtır. Süreç Madenciliği, veri madenciliği ve süreç yönetimi araçlarını birlikte kullanır. Süreç Madenciliği, günümüz bilgi sistemlerinde kolayca erişilebilen veri günlüklerinden (log) gerçek süreçleri ortaya çıkarmayı, keşfetmeyi, kontrol etmeyi ve iyileştirmeyi amaçlar. Süreçleri belirlemek ve keşfetmek için süreç adımlarını içeren zaman tabanlı veri kümelerini incelemek ve tanımlanmış süreçler ile gerçek süreç arasındaki uygunluğu kontrol etmek en temel Süreç Madenciliği alanlarını oluşturur. Yeni süreç madenciliği modelinin beş ana adımı aşağıda listelenmiştir: • Seçim:“İlk olarak, bir tetikleyici olay seçilmelidir. Bu, araştırmacıların odak noktası olacaktır. Bu tetikleyici olay, süreç madenciliğinin uygulanabilmesi için zamana bağlı süreç adımlarını içermelidir. Küçük bir süreç parçası olarak ta düşünülebilecek olan bu süreç bölümü, çalışma sırasında süreç deseni olarak ifade edilecektir. • Veri Toplama: Süreç madenciliği, gerçek süreci keşfetmek için bir veri kümesinin girdi olarak olmasını gerektirir. Bu veri kümesi, hasta bilgi sistemindeki kayıtlara ilişkin veri günlüklerinden (log kayıtları) ve diğer kaynaklarda tutulan kayıtlardan veri toplayarak oluşturulabilir. • Keşif: Gerekli veri kümesi hazırlandıktan sonra, bir süreç madenciliği yazılımı çalıştırılarak gerçek süreç haritası keşfedilebilir. Gerçek süreç, fiili kayıtlara dayalı olarak sürecin nasıl yürüdüğünü gösterir. Veri türlerine, döneme ve veri miktarına göre çok karmaşık olabilir. • Arama: Seçilen tetikleyici olaya ait tanımlanan süreç deseni, keşfedilen gerçek süreç haritasının içinde aranacaktır. Süreç desenin bulunduğu duruma uyan hasta kayıtları olası tetikleyici olayın gerçekleştiği hastaları verir. Bu sayede ana popülasyon daraldığı için tüm dosyaları manuel olarak incelemeye gerek kalmaz ve bir sonraki adım için de verimlilik artışı sağlanır. • İnceleme: Tespit edilen tüm vakalar, bu tetikleyici olayın olumsuz bir hasta güvenliği olayını tetikleyip tetiklemediğini tanımlamak için hasta güvenliği uzmanları tarafından incelenecektir. İlk aşamada, yeni oluşturulan Süreç Madenciliği modeli, sağlanan günlük verileri kullanarak yatan hasta süreçlerini sorgulamakta ve gerçek süreç haritasını keşfetmek için kullanılmaktadır. Süreç madenciliğini kullanarak gerçek süreç haritasının keşfedilebilmesi için incelenecek olan veri kümesi, aşağıdaki bilgileri içermelidir: • ”Bir Vaka Kimliği“, bir hastayı temsil eden sadece o hastaya özgü ayırt edici bir sayıdır. • ”Etkinlik“, hastanın yatışı, ameliyat olması, kan testlerinin yapılması, kan veya kan ürünleri nakli ve hastanın taburcu edilmesi gibi olayları temsil eder. Oluşacak olan süreç haritasının temel adımlarıdır. • ”Zaman Belirteci", belirli etkinliğin gerçekleştirildiği tarihi ve saati gösterir. Süreç deseni daha az adımdan oluşan süreç parçacıklarını ifade etmektedir. Kan Transfüzyonu veya Kan Ürünlerinin Kullanımı tetikleyicisi (GTT-C1), gerçek süreç haritası içinde bir süreç deseni olarak aranmıştır. Geliştirilen süreç madenciliği modeli, 1.048'i ameliyat olmak üzere 2.870 hastayı içeren, tek bir hastaneden alınan veri kümesi üzerinde uygulanmıştır. Öncelikle fiili durumu gösteren süreç haritası, süreç madenciliği kullanılarak belirlenmiştir. Sonraki aşamada ise Kan Transfüzyonu veya Kan Ürünlerinin Kullanımı tetikleyicisine (GTT-C1) ilişkin süreç deseni ana süreç içinde aranmıştır. Analiz sonucunda, aranan süreç desenine uygun olan 57 hasta tespit edilmiştir. Uzman grubu bu tetikleyici olayın yaşandığı kanıtlanan tespit edilen 57 hastayı analiz etmiştir. Sonuç olarak bunlardan 12'sinde hasta güvenliği olayı ya da hatasının varlığı belirlenmiştir. Çalışmada görev alan uzmanlar, klasik IHI uygulamasından farklı olarak örnekleme ile belirlenen kitledeki hasta dosyalarını incelemek yerine süreç madenciliği modelinin işletilmesi sonrasında tespit edilen hastaları incelediler. Örnekleme yapmak yerine, tüm hasta dosyalarını ele alarak bunun içinde sadece sorun olabilecek hastalara odaklanmak, bu çalışmanın en önemli katkısını oluşturmaktadır. GTT-C1 için hasta güvenliği olayı ya da hastasının tüm incelenen vaka sayısına oranı, %1,1 olarak hesaplanmıştır. Diğer manuel GTT çalışmalarıyla karşılaştırıldığında bu oranın kabul edilebilir seviyede olduğu söylenebilir. Bu oran, araştırmacıların ayda yirmi hasta kaydı seçerek, manuel olarak inceledikleri başka bir Türk Sağlık Kuruluşundaki GTT uygulamasında %1,3'e olarak tespit edilmiştir. Araştırmacıların sistematik bir rastgele örnekleme tekniği kullandığı Tayland'daki hastanelerde yapılan bir başka GTT uygulaması aynı olan %1 olarak hesaplanmıştır. Ancak bu proje ile belirlenen oran, Çin'deki GTT çalışmasında bulunan %8,3'lük oranın ve Almanya'daki bir başka GTT çalışmasında bulunan %7,5'lik oranın altında kalmıştır. Söz konusu çalışmalar sırasında ele alınan hedef hasta popülasyonlarının farklı özelliklerde olması bu sonuçları açıklar niteliktedir. Çin'de yapılan çalışma sadece geriatrik (yaşlı) hasta grubuna odaklanırken, Almanya'da yapılan çalışma ise yalnızca Genel Cerrahi ve Ortopedi gibi belirli tıbbi kliniklere odaklanmıştır ve tüm hasta popülasyonu ele alınmamıştır. Bu çalışmada geliştirilen Süreç Madenciliği modeli ayrıca valide edilmiş ve doğrulanmıştır. Rassal olarak seçilen bir örneklem grubunda yer alan hastalar, ayrıca tetikleyici araç kullanımı konusunda eğitim almış olan hasta güvenliği uzmanları tarafından incelenmiştir. Geliştirilen modelin doğru olarak çalışması halinde seçilen tetikleyici ile ilgili tüm hastaların tespit edilmesi beklenmektedir. Tespit edilen hastaların dışında kalan grupta ise bu tetikleyici ile karşılaşılmaması gerekir. Modelin 24 saat içinde kan veya kan ürünlerinin transfüzyonuyla ilişkili bir tetikleyici olayın olmadığını belirlediği grup içinde örnekleme yapılarak validasyon çalışması yapılmıştır. Özetle, örneklenen hasta grubunda, ameliyattan sonraki 24 saat içinde kan veya kan ürünlerinin transfüzyonuyla ilgili ek bir olumsuz olayın bulunmayacağı öne sürülmüştür. Validasyon çalışması için örneklem büyüklüğü, %95'lik bir güven düzeyi ve %5'lik bir hata payı kullanılarak hesaplanmıştır. Bu hasta dosyaları validasyon ve doğrulama için incelenmek üzere rastgele seçilmiştir. Tüm bu vakaları iki yetkin değerlendirici incelemiştir. Hemşirelik geçmişine sahip bir hasta güvenliği uzmanı ve bir uzman hekim bu çalışmayı yürütmüştür. Her iki değerlendirici de tüm kayıtları incelemiştir. Yapılan validasyon çalışmasının sonucunda, incelemelerin hiçbirinde herhangi bir GTT-C1 tetikleyicisi veya bununla ilgili olası bir hasta güvenliği olayı ya da hatası bulunmamıştır. Bu bulgular yeni süreç madenciliği modelinin kullanımını doğrulamıştır. Yeni Süreç Madenciliği modeli, konu uzmanlarının bu çalışma için harcadıkları zamanının %94,6'sını tasarruf etmeyi mümkün kılmıştır. 138,28 saat (17,28 gün) boyunca manuel kayıt incelemesi yapmak yerine, 7,52 saat yani bir çalışma günden az bir süre de incelemenin yapılması mümkün kılınmıştır. Diğer sağlık kuruluşları da rutin gözetim yapmak ve bildirilmeyen hasta güvenliği olaylarını tespit etmek için Süreç Madenciliği modelini kullanabilirler. Bu, zamandan tasarruf sağlayacak ve verimlilik artışı yaratacaktır. Sonuç olarak sağlık kurumlarının ve sağlık hizmeti sağlayıcılarının acil ihtiyaçlara finans ve insan kaynağı tahsis etmesi mümkün olabilecektir. Zaman alıcı görevler için sadece insan gücüne güvenmek yerine otomasyon ve yazılım kullanmak, sağlık kuruluşların idari yüklerini hafifletmelerine, kalite ve hasta güvenliği personelinin motivasyonunu artırmaya, önemli maliyet tasarrufları elde etmelerine ve hasta güvenliği alanında iyileştirme yapmak için daha fazla zaman ayırabilmelerine olanak tanıyacaktır. Aşağıdaki tespit edilen konular, farklı araştırmacıların ileride yapmak isteyebilecekleri çalışmalar için, gelişme açık alanları tanımlamaktadır: • Geliştirilen ve validasyonu yapılmış olan süreç madenciliği modelinin daha iyi çalışabilmesi için çalışma sırasında veri setinin iyileştirilmesine yönelik tespitler yapılmıştır. Aynı model, iyileştirilecek olan yeni veri seti ile yeniden çalıştırılabilir. Bu sayede daha kesin sonuçlara ulaşılması mümkün olabilir. • Geliştirilen Süreç Madenciliği modeli, bir süreç olarak ifade edilebilen ve gösterilebilen farklı tetikleyiciler için uygulanabilir. Bu sayede IHI Küresel Tetikleyici Aracı'nın kapsamındaki daha fazla tetikleyici için süreç madenciliği modelinin uygulanması mümkün kılınabilir. • Hasta güvenliği olaylarından ve hatalarından kaçınmak için tetikleyici olaylar ve hatalar daha oluşmadan önüne geçilmesi sağlanmalıdır. Bunun için süreç madenciliğini ve tetikleyici algoritmaları kullanan karar destek sistemlerinin geliştirilmesi ve hastane bilgi ve yönetim sistemlerine yerleştirilmesi, gelecekte hataların önlenmesi için önemli bir araç olabilir. • Modelin çalışması ile elde edilen bilgi, gelecekte oluşturulacak yapay zeka (AI) ve makina öğrenmesine dayalı modellerin geliştirilmesinde kullanılabilir. • Hasta güvenliği olaylarının daha verimli bir şekilde tespit edilmesinden elde edilen maliyet tasarrufları ile geliştirilen Süreç Madenciliği modelini uygulama ve sürdürme maliyetleri yapılacak çalışmalar ile tespit edilebilir. • Tanımlı olan tetikleyici olaylar dışında faklı yeni tetikleyicileri tespit etmek ve ortaya çıkartmak için Süreç Madenciliğini kullanan çalışmalar yapılabilir.

Özet (Çeviri)

Patient safety is a global challenge. Unfortunately, patient safety events that harm patients occur in healthcare. These errors can cause patient harm and death. They also raise healthcare costs globally. The level of harm caused by these events can vary from the existence of an unsafe condition to even the death of a patient. To improve problems related to the system and the organization, healthcare providers and organizations must know and understand these events. In the current environment, these events can be known by the voluntary reporting of employees, by patient complaints, or by searching all patient records and files. However, it is impossible to develop an internal culture where all patient safety events are reported or search for all unreported ones. On the other hand, healthcare is getting worse on these patient safety events on organizational, national, and global levels with increasing patient volumes, new diseases, and other problems. This dissertation aims to detect unreported patient safety events to create a better healthcare system. Institute for Healthcare Improvement (IHI) developed a tool called The Global Trigger Tool (GTT). GTT is used to capture unreported events. A random sample of inpatient hospital records is reviewed retrospectively according to the Trigger Tool methodology. Triggers are seen as clues to identify possible adverse events. However, the IHI's GTT cannot detect every adverse event. The methodology uses a sampling approach among inpatients. Moreover, the methodology is limited with the determined trigger events. Harm rates can be determined and improvement over time can be observed for an organization. The triggers are effective for detecting possible adverse events because such triggers already exist in the chart as part of routine documentation and do not rely on any additional effort by busy clinical staff. Deploying the GTT modules allows experts to conduct focused medical record reviews to determine the occurrence of an adverse event. The objective of the new model is to use Process Mining in adverse event detection to increase the GTT's reporting efficiency. Thus, this new model combines the GTT and Process Mining tools. In the first phase, the Process Mining model was used to discover the actual process map by querying inpatient processes using the provided log data. The Blood or Blood Products Transfusion trigger (GTT-C1) was searched as a process pattern within the actual process map. In the last phase, experts reviewed the detected patients instead of reviewing all patients. Five main steps of the new process mining model are listed below: 1. Selection: First, a trigger event must be selected. The researchers will focus on this selected trigger event, which must be shown as a process pattern. This process pattern can be defined as a shorter process path, too. As a result, the selected trigger must contain some time-dependent process steps to be a shorter process path by itself. 2. Data Collection: Process mining requires having a data set as an input to discover the actual process. This data set can be created by collecting data from logs and records of the hospital information and management system. 3. Discovery: Running a process mining tool to discover the actual process map after obtaining the required data set. The actual process map shows what happened in the real life according to the real-life log records. The complexity of the actual process may vary depending on the data types, period, and amount of data. 4. Search: The process pattern of the selected trigger event will be searched within the discovered actual process map. Results of this search will detect patients who had trigger events in their inpatient process. This will narrow down the main population and create an efficiency for the next step. 5. Review: The patient safety experts will review detected cases to define whether this trigger event triggered an adverse patient safety event. Typically, according to the IHI's definitions, this step is only done for the sampled cases. After detecting trigger event with the new model, patient safety experts will focus only on patients who had trigger events within their inpatient process, instead of sampling. The model ran on a single hospital data set, which included 2,870 patients, 1,048 of which included surgeries. The model reduced the analyzed data to 57 patients. The expert group analyzed these 57 patients and defined 12 adverse events. The GTT-C1 Adverse Event ratio was 1.1%, comparable with other manual GTT studies. This ratio is similar to the GTT application in another Turkish healthcare organization, 1.3%, where researchers selected twenty patient records per month. The GTT application in Thailand was 1%, where researchers used a systematic random sampling technique. However, this ratio is below the ratio found in the GTT study from China, 8.3%, and the GTT study in Germany, 7.5%. The difference in the target populations explains these results. The Chinese study focused on elderly patients, and the German study focused on specific clinics only. A random sample was reviewed manually to validate the Process Mining model. The patient group is expected to have no additional adverse events related to blood or blood product transfusions within 24 hours of surgery. The sample size is calculated using a confidence level of 95% and a margin of error of 5%. These patient files were randomly selected to be reviewed for validation. Two competent reviewers, a patient safety expert with a nursing background and a physician, reviewed all these cases. Both reviewers reviewed all records. Neither review found any GTT-C1 trigger or related potential adverse events in that sample. These findings validated the use of the new process mining model. The Process Mining model made it possible to save 94.6% of the subject matter experts' time. Instead of running a manual records review for 138.28 hours (17.28 days), 7.52 hours (less than a day) were sufficient. Other healthcare institutions can use the Process Mining model to conduct routine surveillance and detect unreported safety events. This will save time and create efficiency, allowing healthcare providers to allocate financial and human resources to more urgent needs. Using automation and software for time-consuming tasks instead of relying on the workforce can allow organizations to alleviate administrative burdens, increase the motivation of their quality and patient safety staff, as well as realize significant cost savings, and have a timelier impact on patient safety. Further research can be done for the following: • Improving the data set according to the findings of this project. • Applying the Process Mining model to the other triggers, which can be expressed and shown as a process. • Embedding decision support systems and trigger algorithms into hospital information and management systems to avoid adverse events. • The knowledge gained by running the process mining model can be used to develop and teach future artificial intelligence (AI) and machine learning models. • Examining the costs of implementing and maintaining a Process Mining model and the cost savings captured from more efficient detection of adverse events. • Using Process Mining to develop new triggers.

Benzer Tezler

Tez No
387458
Developing synergic data mining method for dicovering anomalies
Anomalilerin keşfi için sinerjik veri madenciliği yönteminin geliştirilmesi
NUHA SHAWAHNA
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol Erciyes Üniversitesi
Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. METE ÇELİK
Tez No
636978
Stratejik yönetim perspektifinden sigortacılık sektöründe makine öğrenmesi algoritmaları ile anomali tespiti
An application of machine learning to anomaly detection in insurance industry using strategic management approach
AYŞE NURBANU ŞAHAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri Mühendisliği İstanbul Teknik Üniversitesi
İşletme Mühendisliği Ana Bilim Dalı
DOÇ. TOLGA KAYA
Tez No
940857
Design of a test setup for steel wire rope fatigue testing and development of an AI-based damage detection method
Çelik halat yorulma testi için bir test düzeneğinin tasarımı ve yapay zeka tabanlı hasar tespit yönteminin geliştirilmesi
MOHSEN SEYYEDİ
Yüksek Lisans
İngilizce
2025
Makine Mühendisliği İstanbul Teknik Üniversitesi
Makine Mühendisliği Ana Bilim Dalı
PROF. DR. CEVAT ERDEM İMRAK
Tez No
958471
Finansal oranlar aracılığıyla kredi değerlendirme riskinin veri madenciliği yöntemleriyle analizi
An analytical approach to credit appraisal risk assessment using financial ratio analysis and data mining techniques
FEVZİ APAYDIN
Doktora
Türkçe
2025
İşletme Osmaniye Korkut Ata Üniversitesi
İşletme Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SERVET ÖNAL
Tez No
629353
Pazar bölümlendirmede GSP analizine dayalı bir modelleme çalışması
A modeling study based on RFM analysis for market segmentation
NERGİS KİRİŞÇİOĞLU
Yüksek Lisans
Türkçe
2020
Mühendislik Bilimleri İstanbul Teknik Üniversitesi
İşletme Mühendisliği Ana Bilim Dalı
PROF. DR. HURİYE ŞEBNEM BURNAZ

Geri Dön