Denetimsiz makine öğrenmesi ile hasta bekleme sürelerinin tahmini
Predicting patient waiting times with unsupervised machine learning
- Tez No: 957349
- Danışmanlar: DOÇ. DR. MELİK KOYUNCU
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Veri, Büyük Veri, Karma Dağılım, Kümeleme, Makine Öğrenmesi, Data, Big Data, Mixture Distribution, Clustering, Machine Learning
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 120
Özet
Veri, günümüz dünyasında siyasi, ekonomik, sosyal, bilimsel ve teknolojik ilerlemenin temel unsuru haline gelmiştir. Dijitalleşme sürecinin hızlanmasıyla birlikte, sağlık, eğitim, mühendislik, finans, kamu yönetimi gibi hemen her alanda büyük miktarda veri üretilmektedir. Üretilen bu veriler analiz edilip, anlamlı içgörüler çıkarıldığında, karar verme süreçlerinin vazgeçilmez bir bileşeni olarak kullanılmaktadır. Ham verinin anlamlı bilgiye dönüşebilmesi için istatistiksel yöntemler ve makine öğrenmesi algoritmaları ile işlenmesi gerekmektedir. Bu tez çalışmasında, veri, büyük veri, veri madenciliği, makine öğrenmesi, makine öğrenmesi türleri gibi kavramlar ve metodojiler, sağlık, sağlık hizmetleri, sağlık hizmetlerinde karar verme gibi kavramlar incelenmiştir. Sağlık sistemleri araştırmanın çerçevesi olarak belirlenmiş ve büyük veri ile makine öğrenmesi tekniklerinin sağlık hizmetlerinde kullanım alanları incelenmiştir. Sağlık hizmetlerinde makine öğrenmesi yöntemlerinin kullanımına yönelik olarak, bir hastanenin acil servisine başvuran hastaların bekleme süreleri makine öğrenmesinin denetimsiz öğrenme yöntemlerinden karma dağılım metodu ile analiz edilmiştir. Çalşımada Gamma karma dağılımı ve Poisson karma dağılımı modelleri kullanılarak hastaların farklı branşlarda bekleme sürelerine ilişkin kümeleme analizi yapılmıştır. Hasta bekleme sürelerinin istatistiksel dağılımlarının branş bazında farklılık gösterdiği ve bu verilerin tekil bir istatistiksel dağılım yerine karma istatistiksel dağılımlar ile daha uygun biçimde temsil edildiği gözlemlenmiştir.
Özet (Çeviri)
Data has become a fundamental element of political, economic, social, scientific, and technological progress in today's world. With the acceleration of digitalization, vast amounts of data are being generated in almost every field, including healthcare, education, engineering, finance, and public administration. Once this data is analyzed and meaningful insights are extracted, it becomes an indispensable component of decision-making processes. To transform raw data into meaningful information, it must be processed using statistical methods and machine learning algorithms. This thesis examines concepts and methodologies such as data, big data, data mining, machine learning, types of machine learning, and concepts such as health, healthcare services, and decision-making in healthcare. Healthcare systems were chosen as the research framework, and the application of big data and machine learning techniques in healthcare was examined. To address the use of machine learning methods in healthcare, the waiting times of patients presenting to a hospital emergency department were analyzed using the mixture distribution method, an unsupervised learning method in machine learning. Cluster analysis was conducted on patient waiting times across different branches using the Gamma mixture distribution and Poisson mixture distribution models. It has been observed that the statistical distributions of patient waiting times vary by branch and that these data are more appropriately represented by mixture statistical distributions rather than a single statistical distribution.
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
- Toprak özelliklerinin tahmini ve mesafeye bağlı değişkenliğinin haritalanmasında, farklı enterpolasyon yöntemleri ve makine öğreniminin kullanımı
The use of different interpolation methods and machine learning in the estimation of soil properties and mapping of spatial variability
OSMAN ABAKAY
Yüksek Lisans
Türkçe
2023
ZiraatHarran ÜniversitesiToprak Bilimi ve Bitki Besleme Ana Bilim Dalı
PROF. DR. HİKMET GÜNAL
- Makine öğrenmesi ile periodontal hastalık risk tahmini
Periodontal disease risk prediction via machine learning
AYŞE SİNEM SEVİNÇ
Diş Hekimliği Uzmanlık
Türkçe
2021
Diş HekimliğiBolu Abant İzzet Baysal ÜniversitesiPeriodontoloji Ana Bilim Dalı
DOÇ. DR. ŞADİYE GÜNPINAR
- Algorithmic learning of clinically acceptable levels of laboratory test results from electronic medical records: Personalized reference intervals
Elektronik hasta kayıtlarından laboratuvar test sonuçlarının klinik olarak kabul edilebilir seviyelerinin algoritmik olarak öğrenilmesi: Kişiselleştirilmiş referans aralıkları
OKTAY YILDIRIM
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM AKTAŞ
- Tıp Fakültesi öğrencilerinin klinik akıl yürütme süreçlerinin öğrenme analitikleri entegre edilmiş bir sanal hasta uygulaması ile incelenmesi
Investigation of clinical reasoning processes of medical students viA learning analytics integrated virtual patient application
ALPER BAYAZIT
Yüksek Lisans
Türkçe
2022
Eğitim ve ÖğretimAnkara ÜniversitesiTıp Eğitimi ve Bilişim Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İPEK GÖNÜLLÜ