Sağlık sistemlerinde simülasyon ve makine öğrenmesi entegrasyonuna dayalı dijital ikiz uygulaması
Simulation and machine learning integrated digital twin application for healthcare systems
- Tez No: 999384
- Danışmanlar: DOÇ. DR. MELİK KOYUNCU
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dijital İkiz (Dİ) teknolojisinin yükselişi, sağlık hizmetleri gibi karmaşık ve dinamik sistemlerin daha etkin bir şekilde izlenmesi ve yönetilmesi için önemli fırsatlar sunmaktadır. Bu tür sistemlerde gerçek operasyonların detaylı biçimde modellenebilmesi kritik olduğundan, Kesikli Olay Simülasyonu (KOS) hasta akışlarını, kaynak etkileşimlerini ve potansiyel darboğazları gerçekçi bir şekilde temsil ederek Dİ yapısının fiziksel bileşenini destekleyen temel yöntemlerden biri haline gelmektedir. KOS tabanlı süreç modellemelerinin gelecekteki performansı öngörme kapasitesi sınırlıdır. Bu nedenle, Dİ mimarisinin tahmine dayalı bileşimini güçlendirmek için veriden öğrenen analitik yöntemlere ihtiyaç duyulmaktadır. Makine Öğrenmesi (MÖ) algoritmaları bu noktada devreye girerek tarihsel hasta verilerindeki karmaşık ilişkileri ortaya çıkarma, hizmet sürelerini hassas biçimde tahmin etme ve operasyonel kararları destekleyen çıkarımlar üretme potansiyeli sunmaktadır. Bu çalışma, İngiltere'deki Luton & Dunstable Ortopedi Kliniği için karar destek sağlamayı amaçlayan bir Dİ yaklaşımı önermektedir. Çalışmada, operasyonlar gerçek hasta verilerinden öğrenmekte ve Rastgele Orman, LightGBM ve Aşırı Gradyan Artırma (XGBoost) gibi MÖ algoritmaları kullanılarak zaman içinde tahmine dayalı geri bildirim üretmektedir. AnyLogic'te KOS, DASHclinic uygulamasından alınan verilerle test edilmiştir. Hasta bekleme süresi tahmininde en iyi performansı gösteren XGBoost, 13,67 dakikalık Ortalama Mutlak Hata (MAE) elde etmiştir. MÖ algoritmalarıyla tahmin edilen bekleme sürelerine dayanarak, geri bildirim mekanizması hastalara bekleyecekleri süre hakkında bildirim yapılıp yapılmayacağına karar vermektedir. Simülasyon, yeni gelecek hastaların gerçek bekleme sürelerini kaydederek tahmin doğrulamasına imkân tanımış ve gerçek ile tahmin edilen bekleme süreleri arasındaki fark üzerinden yapılan bu doğrulamada 31,40 dakikalık MAE elde edilmiştir. Tezin katkısı, hastaların dinamik olarak yönlendirilmesi, Dİ, KOS ve MÖ entegrasyonunuyla randevu planlamasının iyileştirilmesine yönelik potansiyel taşıyan gerçek zamanlı kişiye özgü bir geri bildirim döngüsü oluşturmasıdır.
Özet (Çeviri)
The rise of Digital Twin (DT) technology offers significant opportunities for more effective monitoring and management of complex and dynamic systems such as healthcare services. Since detailed modeling of real-world operations is crucial in such settings, Discrete Event Simulation (DES) is becoming a fundamental method for supporting the physical component of the DT architecture by realistically representing patient flows, resource interactions, and potential bottlenecks. DES-based models' ability to predict future performance is limited. Therefore, analytical methods that learn from data are needed to strengthen the predictive component of the DT architecture. Machine Learning (ML) algorithms address this need by uncovering complex relationships in historical patient data, and generating insights that support operational decision-making. This thesis proposes a DT approach designed to support decision-making for the Luton & Dunstable Orthopaedic Clinic in the United Kingdom. In the proposed system, operations learn from real patient data and generate predictive feedback over time using ML algorithms such as Random Forest, LightGBM, and eXtreme Gradient Boosting (XGBoost). The simulation model was developed in AnyLogic using DES and tested with data extracted from the hospital's DASHclinic application. Among the ML models, XGBoost achieved the best performance in predicting patient waiting times, with a Mean Absolute Error (MAE) of 13.67 minutes. Based on these predictions, the feedback mechanism determines whether patients should be notified about their expected waiting time. The simulation also records the actual waiting times of upcoming patients enables model validation. The validation resulted in a MAE of 31.40 minutes when comparing predicted and actual values. The contribution of this thesis lies in integrating dynamic routing with DT, DES, and ML to create a real-time feedback loop that provides personalised patient notifications and offers potential for improving appointment scheduling.
Benzer Tezler
- Advancing conformal prediction with fuzzy logic and ıts extensions to system ıdentification
Konformal tahminin bulanik mantik ile geliştirilmesi ve sistem tanimlamadaki kullanimi
SALEH MSADDI
Doktora
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiKontrol ve Otomasyon Mühendisliği Ana Bilim Dalı
PROF. DR. TUFAN KUMBASAR
- Artificial intelligence applications in microwave and mmwave sensing
Mikrodalga ve milimetre dalga algılamada yapay zeka uygulamaları
MUHAMMED İSMAİL PENÇE
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesiİletişim Sistemleri Ana Bilim Dalı
DOÇ. DR. MEHMET NURİ AKINCI
- A hierarchical framework for preventing robot manipulation failures
Robot etkileşimlerinde hataları önlemek için çok-katmanlı güvenli yürütme mimarisi
ABDULLAH CİHAN AK
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SANEM SARIEL UZER
DOÇ. DR. EREN ERDAL AKSOY
- Agent-based modeling and simulation in hospital energy planning
Hastane enerji planlamasında ajan tabanlı modelleme ve simülasyon
ALİ KOÇ
Doktora
İngilizce
2022
Endüstri ve Endüstri MühendisliğiGaziantep ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SERAP ULUSAM SEÇKİNER
- Multi-level security framework for internet of things in military environment
Askeri ortamlardaki nesnelerin interneti için çok seviyeli güvenlik çerçevesi
EMRE İŞLEYEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞERİF BAHTİYAR