Sağlık 4.0 bütüncül yaklaşım aşı talep tahmin örneği
Health 4.0 holistic approach: Vaccine demand forecasting example
- Tez No: 934565
- Danışmanlar: DOÇ. DR. DOĞU ÇAĞDAŞ ATİLLA
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 113
Özet
Bu çalışmada Sağlık 4.0 açıklanarak, mevcut yöntemlerden farklı olarak, aşı kıtlığı ve fazlalığını önlemek için uygun aşı stokunu tahmin etmek amacıyla makine öğrenmesi yöntemleri uygulanmış ve başarıları karşılaştırılmıştır. Aşı talebi, artan nüfus hareketliliği ve salgınların yaygınlığı nedeniyle çeşitli ülkelerde önemli ölçüde artmaktadır. Bu çalışma hem aşı kıtlığını hem de aşırı arzı önlemeyi amaçlayarak en uygun aşı stok seviyelerini tahmin etmek için makine öğrenimi yöntemleri kullanmıştır ve bu tahminlerin etkinliğini karşılaştırmayı hedeflemiştir. Tahmin modellerinde kullanılan veriler, Hudut ve Sahiller Sağlığı Genel Müdürlüğü'nden temin edilmiştir. Bu çalışma, 2003 ile 2023 yılları arasında toplanan 21 yıllık geriye dönük bir veri setini analiz edilmektedir; bu veri seti aylık aşılanma kapsamı verilerini içermektedir. Yıllık aşı talebini tahmin etmek için literatürde yaygın olarak kullanılan dört farklı yöntem uygulanmaktadır. Bunlar arasında en yaygın kullanılan yöntem Otoregresif Entegre Hareketli Ortalama (ARIMA) olduğu tespit edilmektedir. Ayrıca, Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA), Doğrusal Regresyon ve XGBoost modelleri de kullanılmaktadır. COVID-19 pandemisi gibi belirli olaylar, veri setindeki kalıpları bozmuş-tur. Budama testlerinde, ham veri setindeki veri frekansındaki değişiklikler analiz edilmektedir. Modeller, Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Hata (MAE) kullanılarak değerlendirilmektedir. Tüm veri seti, durağanlık sağlamak için dönüştürülmekte-dir. Mevsimselliğin ve beyaz gürültünün kaldırılmasının ardından modeller yeniden değer-lendirilmektedir. En doğru tahminleri veren modellere çapraz doğrulama uygulanmaktadır. Optimize edilmiş modelden elde edilen tahmin sonuçları, Değer Risk (VaR) modeline girdi olarak kullanılmaktadır. Gerçek, kestirim ve ortalama aşılanma sayıları, SARIMA, Doğrusal Regresyon ve XGBoost tahminlerine dayalı olarak %95 ve %99 güven aralıkları (kritik stok aralığı) ile sunulmaktadır. Aşı tahmin aralığı dengesi nedeniyle, XGBoost'un çıktıları Değer Risk (VaR) modeline girdi olarak alınmakta ve önümüzdeki günlerde ortaya çıkabilecek güvenli aşı stoku ile ilgili maliyet riski değerlendirilmektedir. Çalışma boyunca, modellerin etkili bir şekilde öğrenmeye devam edebileceği koşullar ile bu modellerin seçilme gerekçesi izlenebilmektedir.
Özet (Çeviri)
In this study, Health 4.0 is explained, and unlike existing methods, machine learning techniques are applied to predict the appropriate vaccine stock in order to prevent vaccine shortages and surpluses, and their successes are compared. The demand for vaccines is significantly increasing in various countries due to heightened population mobility and the preva-lence of epidemics. This study employed machine learning methods to predict optimal vaccine stock levels, aiming to prevent both shortages and oversupply, and to compare the ef-fectiveness of these predictions. The data utilized in the prediction models were sourced from the General Directorate of Border and Coastal Health. This study analyzed a 21-year retrospective dataset collected between 2003 and 2023, which contains monthly vaccination coverage data. Four different methods commonly used in the literature were applied to estimate annual vaccine demand. Among these, the most widely utilized method was the Autoregressive Integrated Moving Average (ARIMA). Additionally, Seasonal Autoregressive Integrated Moving Average (SARIMA), Linear Regression, and XGBoost models are employed. Certain events, such as the COVID-19 pandemic, disrupt patterns within the dataset. In pruning tests, variations in data frequency within the raw dataset are analyzed. The models are evaluated using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The entire dataset is then transformed to achieve stationarity. The models are re-evaluated after removing seasonality and white noise. Cross validation is applied to the models that yield the most accurate predictions. The forecast results obtained from the optimized model serve as input for the Value at Risk (VaR) model. Actual, projected, and average vaccination numbers are presented with 95% and 99% confidence intervals (critical stock range) based on SARIMA, Linear Regresion and XGBoost estimates. Due to the vaccine forecast range balance, XGBoost's outputs are input into the Value at Risk (VaR) model and the cost risk related to the safe vaccine stock that may arise in the coming days is evaluated. Throughout the study, the conditions under which models can continue to learn effectively, as well as the rationale for selecting these models, can be monitored.
Benzer Tezler
- Ankara Şehir hastanesinde yatan COVID-19 hastalarının aşılara karşı tutumu ve alınan önlemlere uyumu
Attitude of COVID-19 patients in Ankara City Hospital against vaccines and adaptation to the measures taken
GÖZDE KANDEMİR
Tıpta Uzmanlık
Türkçe
2022
Aile HekimliğiSağlık Bilimleri ÜniversitesiAile Hekimliği Ana Bilim Dalı
DOÇ. DR. TARIK EREN YILMAZ
- Üniversite hastanesinde çalışan hemşirelerin hemşirelik bakım davranışlarına yönelik algılarının belirlenmesi
Determining the perceptions of nurses working at the university hospital regarding nursing care behaviors
EMEL TOR
Yüksek Lisans
Türkçe
2021
HemşirelikAvrasya ÜniversitesiHemşirelik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BELKIZ KIZILTAN
- Aile Hekimliği Polikliniğine başvuran hastalarda psikiyatrik semptomların taranması
Screening for psychiatric symptoms in patients admitted to the family medicine polyclinic
ÇAĞRI BATU HASANBAŞ
Tıpta Uzmanlık
Türkçe
2024
Aile HekimliğiSağlık Bilimleri ÜniversitesiAile Hekimliği Ana Bilim Dalı
DOÇ. DR. ÖZLEM POLAT
- Aile sağlığı merkezlerinde çalışan aile hekimlerinin kronik ağrılı hastaya yönelik tutumunun değerlendirilmesi
Evaluation of family physicians' attitudes toward chronic pain patients in family health centers
AYŞEGÜL KURDAL
Tıpta Uzmanlık
Türkçe
2024
Aile HekimliğiAtatürk ÜniversitesiAile Hekimliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İDEAL BERAA YILMAZ KARTAL
- Kısıtlı diyet yapması gereken metabolik hastalığı olançocukların annelerinin beslenme alışkanlıklarının değerlendirilmesi
Evaluation of nutritional habits of mothers of childrenwith metabolic diseases required to have a restricted diet
BEREKET BAĞCI
Tıpta Uzmanlık
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıDokuz Eylül ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. NUR ARSLAN