Hastane Yatış Gün Sayısının Yapay Zeka Yöntemleri ile Tahmin Edilmesi

Abstract

Sağlık hizmeti almak amacıyla sağlık kurumuna başvuran hastanın sağlık kurumuna kabulünden taburculuğuna kadar geçen süre hasta yatış süresi olarak tanımlanmaktadır. Hasta yatış süresi, sağlık kurumu kaynak kullanımları ve performansları hakkında bilgi veren önemli bir göstergedir. Dolayısıyla hasta yatış süresinin özellikle bilgisayar destekli program aracılığıyla tahmin edilmesi sağlık kurum yöneticilerine kurumların işleyiş, maliyet, verimlilik, etkililik ve kaynak yönetimleri açısından kararlarında etkili olabilecek daha güvenilir bilgiler sunabilecektir. Çalışmanın amacı, sağlık hizmetlerinde yapay zeka tahmin yöntemlerinin kullanılabilirliğinin araştırılması ve yatan hastaya sağlık kurumunda sunulan hizmet verileri aracılığıyla yatılan gün sayısının tahmin edilmesini sağlayan en iyi model yapısının ortaya konulmasıdır. Çalışmada, 2012-2020 yıllarında üniversite hastanesinde yatarak tedavi gören 18 yaş üstü 162.140 hasta verisi kullanılarak yatılan gün sayısı tahmin edilmiştir. Yatılan gün sayısı tahmininde Yapay Sinir Ağları, Uyarlamalı Sinirsel Bulanık Çıkarım Sistemi (ANFIS) ve Çoklu Doğrusal Regresyon yöntemleri kullanılmıştır. Hemogram test sayısı, direk grafi sayısı, ultrasonografi sayısı, bilgisayarlı tomografi sayısı, ikincil tanı olup olmama durumu girdi değişkenleri kullanılarak 12 farklı model oluşturulmuştur. Bu modeller, farklı yapay sinir ağları eğitim algoritmaları (Levenberg-Marquardt, Bayesian Regularization ve Scaled Conjugate Gradient) ile faklı aktivasyon fonksiyonları, nöron sayısı ve farklı iterasyonlar ile analiz edilmiştir. Aynı zamanda veriler ölçeklendirilerek aynı modeller üzerinden analizler gerçekleştirilmiştir. Çalışma sonunda elde edilen tüm sonuçlar karşılaştırılmıştır. En yüksek belirleme katsayısı ve en düşük hata değeri çok katmanlı yapay sinir ağı tahmin yöntemi hemogram test sayısı, bilgisayarlı tomografi sayısı, direk grafi sayısı ve ikincil tanı olup olmama durumunun girdi olarak kullanıldığı modelde elde edilmiştir (R2=0,885; MAE=1,551; RMSE=2,319). Hastalara sunulan sağlık hizmetine yönelik girdi parametreleri kullanılarak yapay sinir ağı yöntemiyle yapılan veri analizi ile gerçeğe yakın ve hata değeri düşük sonuçlar elde edilmiştir. Bu sonuç, hastaya ait sağlık göstergeleri dışındaki girdi verileriyle hasta yatış süresinin tahmin edilebileceğini ortaya koymuştur. Elde edilen sonuçların sağlık kurumu yöneticilerine karar verme, kaynak tahsisi, uzun vadeli stratejik planlama ve geleceğe yönelik hedeflerinin belirlenmesinde destek sağlayacağı söylenebilir. Anahtar Sözcükler: Sağlık kurumu, Hasta yatış süresi, Yapay sinir ağları, Çoklu Doğrusal Regresyon, ANFISHospital length of stay is defined as the time between admission and discharge of patients presenting to the hospital for medical care. The length of stay is an important indicator that provides information about the use of resources and the performance of health care institutions. Therefore, estimation of the length of stay, especially using a computer-based programme, will provide health managers with more reliable information that can be used to make effective decisions regarding the operation, cost, efficiency, effectiveness and resource management of their institutions. The aim of the study is to investigate the applicability of artificial intelligence prediction methods in health services and to identify the best model structure for predicting hospital length of stay from the service data provided to the inpatient at the health facility. In the study, hospital length of stay was estimated using data from 162,140 patients over the age of 18 who were hospitalized at a college hospital between 2012 and 2020. Artificial Neural Networks, Adaptive Neural Fuzzy Inference Systems (ANFIS) and Multiple Linear Regression were used for data analysis. 12 different models were created by using the input variables of the number of hemogram tests, direct radiography, ultrasonography, computed tomography and whether there is a secondary diagnosis or not. These models were analyzed using different artificial neural network training algorithms (Levenberg-Marquardt, Bayesian Regularization, and Scaled Conjugate Gradient) with different activation functions, number of neurons, and different iterations. At the same time, the data were scaled, and the analyzes were performed with the same methods. At the end of the study, all the results obtained were compared. The multilayer neural network estimation method with the highest coefficient of determination; it was obtained in the model where the number of haemogram tests, the number of CT scans, the number of direct radiographs and the presence or absence of a secondary diagnosis were used as inputs (R2=0.885; MAE =1.551; RMSE=2.319). The data analysis with the artificial neural network method using the input parameters for patients' health care gave realistic results with a low error value. This result shows that the length of hospital stay can be estimated using input data other than patient health indicators. It can be said that the results obtained will assist the managers of health institutions in making decisions, allocating resources, long-term strategic planning and setting future goals. Keywords: Health instution, Length of stay, Artificial neural networks, Multiple linear regression, ANFIS