Sağlık sektöründe makine öğrenmesi yöntemleri kullanılarak kayıp müşteri analizi
Churn analysis by using machine learning algorithmns in healthcare sector
- Tez No: 973169
- Danışmanlar: PROF. DR. SEMİH ÖNÜT, DR. EZGİ MERYEM ASLAN
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde sağlık sektöründe hasta memnuniyeti ve bağlılığının artırılması büyük önem taşımaktadır. Hastaların sağlık hizmetlerinden memnun kalmaması veya çeşitli nedenlerle sağlık kuruluşlarını değiştirmesi, hasta kaybına (churn) yol açmaktadır. Bu çalışmada, makine öğrenmesi algoritmalarıyla hasta kaybının öngörülmesi ve analiz edilmesi amaçlanmıştır. Hasta sadakatinin sağlanması, hastanelerin sürdürülebilirliği ve kaliteli sağlık hizmetleri sunabilmesi açısından kritik bir rol oynamaktadır. Hasta kaybının tahmin edilmesi, hastanelerin stratejik planlar oluşturmasına ve hasta memnuniyetini artırmaya yönelik önlemler almasına olanak tanımaktadır. Bu kapsamda, entropi yöntemiyle ağırlıklandırılmış RFML (Recency, Frequency, Monetary, Length) analizi kullanılarak hasta kaybı değerlendirilmiştir. Her bir tıbbi branş için RFML analizinden elde edilen hasta skorları, istatistiksel olarak dört eşit gruba (çeyreklik dilimlere) ayrılmıştır. Bu işlemde, her hastanın RFML skoruna göre sıralanmasının ardından, en alt %25'lik dilimde yer alan hastalar,“yüksek kayıp riski taşıyan”bireyler olarak tanımlanmış ve“kayıp hasta”etiketi ile sınıflandırılmıştır. Bu yaklaşım, hasta popülasyonunun doğal dağılımına dayalı nesnel bir eşik belirlemeye olanak sağlamaktadır. Etiketleme sonrasında, makine öğrenmesi algoritmaları (LightGBM, Rastgele Orman ve XGBoost) ile churn tahmini yapılmış ve model performansları karşılaştırılmıştır. Hiperparametre optimizasyonu için Optuna (Python tabanlı hiperparametre optimizasyon kütüphanesi) algoritması kullanılarak en iyi model belirlenmiştir. Elde edilen sonuçlar, makine öğrenmesi tabanlı churn analizinin hasta kaybını önlemek için etkili bir yöntem olduğunu göstermektedir. Bu analizler sayesinde sağlık kuruluşları, hasta davranışlarını daha iyi anlayarak hasta sadakatini artırmaya yönelik stratejiler geliştirebilir. Çalışma, sağlık sektöründe veri odaklı karar alma süreçlerine katkı sağlamayı hedeflemektedir.
Özet (Çeviri)
In today's healthcare sector, increasing patient satisfaction and loyalty has become critically important. Patients' dissatisfaction with healthcare services or their decisions to switch healthcare providers for various reasons may lead to patient loss (churn). This study aims to predict and analyze patient churn using machine learning algorithms. Ensuring patient loyalty plays a critical role in the sustainability of hospitals and the delivery of high-quality healthcare services. The prediction of patient churn allows hospitals to develop strategic plans and implement measures to enhance patient satisfaction. In this context, patient churn was evaluated using an RFML (Recency, Frequency, Monetary, Length) analysis weighted by the entropy method. For each medical specialty, patient scores obtained from the RFML analysis were statistically divided into four equal groups (quartiles). In this process, patients were ranked based on their RFML scores, and those in the lowest 25% were identified as“high-risk individuals”and labeled as“churned.”This approach enables the establishment of an objective threshold based on the natural distribution of the patient population. Following the labeling process, churn prediction was carried out using machine learning algorithms (LightGBM, Random Forest, and XGBoost), and the model performances were compared. Optuna, a Python-based hyperparameter optimization library, was used to determine the best-performing model. The results demonstrate that machine learning–based churn analysis is an effective approach to preventing patient loss. These analyses enable healthcare institutions to better understand patient behavior and to develop strategies that enhance patient loyalty. This study aims to contribute to data-driven decision-making processes in the healthcare sector.
Benzer Tezler
- Anomaly detection using machine learning techniques: A comparative study on first payment default prediction in retail loans
Yapay öğrenme yöntemleriyle anomali saptanması: Bireysel kredilerde ilk ödemede batma tahmini üzerine karşılaştırmalı bir çalışma
AHMET TALHA YİĞİT
Yüksek Lisans
İngilizce
2022
Bankacılıkİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Makine öğrenmesinde değişken seçim yöntemlerinin karşılaştırılması: Ev enerjisi tüketim tahmini
Comparison of variable selection in machine learning methods: Household energy consumption estimation
NURİ BERK URAL
Yüksek Lisans
Türkçe
2024
İstatistikHacettepe Üniversitesiİstatistik Ana Bilim Dalı
PROF. DR. MERAL ÇETİN
- Diagnosing knee injuries from mri with transformer based deep learning
Transformer tabanlı derin öğrenme ile mr görüntülerinden diz hastalıklarının tespiti
GÖKAY SEZEN
Yüksek Lisans
İngilizce
2023
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. İLKAY ÖKSÜZ
- Entegre finansal karar destek sistemi bulunan hastane bilgi yönetim sistemlerinin hastane finans yönetimine etkisinin ölçülmesi
Hospital information management systems with integrated financial decision support system measuring impact on hospital finance management
OĞUZ CECE
Doktora
Türkçe
2023
Sağlık YönetimiSüleyman Demirel ÜniversitesiSağlık Kurumları Yönetimi Ana Bilim Dalı
PROF. DR. MEHMET GENÇTÜRK
- Sağlık hizmetleri arzı ve talebinin ajan bazlı modellemesi ve makine öğrenmesi ile ön tahmini
Agent-based modeling and machine learning forecasting of healthcare supply and demand
DEMET TOPAL KOÇ