Geri Dön

Prediction of surgical durations using machine learning methods

Makine öğrenmesi yöntemleri kullanılarak cerrahi sürelerin tahmini

PDF İndir

  1. Tez No: 995580
  2. Yazar: ESİN YİĞİT
  3. Danışmanlar: DR. ÖĞR. ÜYESİ AYBAR CAN ACAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mühendislik Bilimleri, Engineering Sciences
  6. Anahtar Kelimeler: Yapay zeka ve makine öğrenmesi dersi, Artificial intelligence and machine learning course
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Enformatik Enstitüsü
  11. Ana Bilim Dalı: Sağlık Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Medikal Enformatik Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Cerrahi vaka sürelerinin doğru bir şekilde öngörülmesi, ameliyathane (OR) planlaması ve hastane kaynak yönetimi için kritik öneme sahiptir. Ancak birçok hastanenin düzeni hâlâ hatalar içerebilen ve doğru OR planlamasının bir parçası olamayan manuel olarak girilmiş ameliyat sürelerine dayanmaktadır. Bu tez, cerrahi süreleri daha doğru tahmin etmek için Radyo Frekansı ile Tanımlama (RFID) tabanlı operasyonel verileri kullanan bir makine öğrenimi (ML) çerçevesi önermektedir. Veri seti, pasif RFID etiketlerinin hastaların bileklerine takılarak toplanan, manuel müdahale olmayan otomatik zaman damgaları ile cerrah, anestezist, hasta demografisi ve ameliyat bilgileri gibi ek metaverileri içeren otuz binden fazla ameliyattan oluşmaktadır. Veri ön işleme aşamasında aykırı değer temizliği, kategorik değişkenlerin sayısal olarak kodlanması, frekans temelli kodlamalar ve tarihsel ortalama süre özelliğinin oluşturulması yapılmıştır. Dört adet tahmin modeli—Lineer Regresyon, CART, Random Forest ve XGBoost—MAE, MSE ve RMSE metrikleri kullanılarak eğitilmiş ve değerlendirilmiştir. Lineer Regresyon modeller arasında en sınırlı uygunluğa sahipken (MAE ~65 dakika), doğrusal olmayan modeller cerrahi iş akışlarındaki değişkenliği daha iyi yakalamıştır. CART MAE'yi ~52 dakikaya düşürürken, Random Forest MAE'yi ~46 dakikaya düşürmüş, XGBoost ise ~45 dakika ile en iyi performansı göstermiştir; ancak bu değer özellikle kısa süreli ameliyatlar için yeterince kesin değildir. Son olarak, stratifiye modelleme uygulanmış ve kısa ameliyatlar için ~11 dakika MAE ve genel ortalama olarak ~30 dakika MAE gibi önemli ölçüde daha doğru sonuçlar elde edilmiştir. Bulgular, RFID tabanlı operasyonel verilerle eğitilen ML modellerinin geleneksel tahmin yöntemlerinden daha iyi performans gösterdiğini ve daha güvenilir OR planlaması sağlayabileceğini ortaya koymaktadır. Bu çalışma, otomatik zaman yakalama sistemlerinin değerini vurgulamakta ve RFID verilerinin topluluk metodlarıyla birleştirilmesinin tahmin doğruluğunu artırarak perioperatif süreçlerdeki verimsizlikleri azaltabileceğini göstermektedir.

Özet (Çeviri)

Accurate prediction of surgical case durations is essential for effective operating room (OR) scheduling and hospital resource management. However, many hospitals still rely on manually entered surgery times, which contain errors and cannot be a part of proper OR scheduling. This thesis proposes a machine learning (ML) framework that uses Radio Frequency Identification (RFID) derived operational data to estimate surgical durations more accurately. The dataset consists of more than thirty thousand surgeries collected through passive RFID tags attached to the wrists of the patients, providing automated timestamps which have no manual effect, alongside metadata such as surgeon, anaesthesiologist, patient demographics, and surgery information. Data preprocessing included outlier removal, numerical encoding of categorical features, frequency-based encodings, and creation of a historical mean duration feature. Four predictive models, Linear Regression, Decision Tree (CART), Random Forest, and XGBoost, were trained and evaluated using MAE, MSE, and RMSE metrics. Linear Regression has the most limited suitability among the models (MAE ~65 minutes), while non-linear models captured the variability of surgical workflows better. CART reduced MAE to ~52 minutes while Random Forest reduced it to ~46 minutes, and XGBoost achieved the best performance with a MAE of ~45 minutes, which was still too high for short surgeries. Finally, stratified modeling is applied, and the results were relatively accurate, such as MAE of ~11 minutes for short surgeries and an overall MAE of ~30 minutes. The results indicate that ML models, which are trained on RFID-based operational data, outperform traditional estimation methods and can provide more reliable OR scheduling. This study highlights the value of automated time capture systems and demonstrates how combining RFID data with ensemble methods can improve prediction accuracy and reduce inefficiencies in perioperative management.

Benzer Tezler

  1. Tez No

    476042

    Prediction of surgical operation durations using supervised machine learning techniques

    Ameliyat sürelerinin güdümlü makine öğrenme teknikleri ile tahmini

    EHSAN ZABARDAST

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Sağlık Bilişimi Ana Bilim Dalı

    Assist. Prof. Dr. AYBAR CAN ACAR

  2. Tez No

    975860

    Classification of surgical and recovery durations in healthcare settings utilizing machine learning models: A case study at Koç University Hospital

    Makine öğrenmesi tabanlı modelleri ile cerrahi ve iyileşme sürelerinin sınıflandırılması: Koç Üniversitesi Hastanesi vaka çalışması

    HAMED VOSOUGHİAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Sağlık YönetimiKoç Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. METİN TÜRKAY

  3. Tez No

    963924

    Evre 3 kolon kanserinde sağ kalımı etkileyen faktörlerin SPSS paket programı ve akıllı makine öğrenme yöntemleri aracıyla belirlenmesi ve elde edilen sonuçların karşılaştırılması

    Başlık çevirisi yok

    RÜMEYSA SUNGUR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    İç HastalıklarıSağlık Bilimleri Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. SELİN AKTÜRK ESEN

    DOÇ. DR. SEVİL UYGUN İLİKHAN

  4. Tez No

    988331

    Kardiyopulmoner bypass cerrahisi sonrası nörokognitif durumların matematiksel yöntemlerle analizi

    Analysis of neurocognitive status after cardiopulmonary bypass surgery using mathematical methods

    FARUK SANBERK KIZILTAŞ

    Doktora

    Türkçe

    Türkçe

    2025

    Elektrik ve Elektronik MühendisliğiSakarya Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖZHAN ÖZKAN

    PROF. DR. ALİ FUAT ERDEM

  5. Tez No

    907804

    Evre II-IV over kanserinde yapay zeka ile survey ve peroperatif sonuçların değerlendirilmesi

    Evaluation of survey and perioperative results using artificial intelligence in stage II-IV ovarian cancer

    OKTAY TUĞRUL DURSUN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Kadın Hastalıkları ve DoğumSüleyman Demirel Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    PROF. DR. EVRİM ERDEMOĞLU

Geri Dön