BİR EĞİTİM ARAŞTIRMA HASTANESİ ACİL SERVİS BİRİMİNE BAŞVURAN HASTA SAYISI TAHMİNİ

Yıl 2021, , 129 - 145, 30.07.2021

Hatice Esen , Ümran Kaya

https://doi.org/10.51551/verimlilik.736855

Cited By: 3

Öz

Amaç: Acil servisin hasta gereksinimlerini karşılayacak tarzda planlanması, tüm kaynakların etkin yönetimi, kaliteli sağlık hizmeti ve hasta memnuniyetini doğrudan etkileyecek, kaynakların verimli kullanılmasını sağlayacaktır. Bu araştırmayla, eğitim ve araştırma hastanesi acil servisine hasta başvurusunun kantitatif tahmin yöntemleriyle analiz edilmesi, en uygun tahmin modelinin belirlenerek gelecek dönemlere ait hasta sayısı tahmininin yapılması amaçlanmaktadır.

Yöntem: Tahmin yöntemi olarak iki farklı model kullanılmıştır. Birincisi olan Rassal Orman Modeli'nde hastaneye gelen hastaların şehrin nüfusuna ve gelen turist sayısına bağlı olduğu varsayımı kullanılmıştır. İkinci model olan Holt-Winters Modeli'nde, beş yıllık acil durum hastalarının mevsimsel verileri dikkate alınmaksızın diğer verilerden hareketle tahmin gerçekleştirilmiştir.

Bulgular: Uygulanan analiz sonucunda Antalya’daki bir eğitim hastanesinin acil servisine 2015-2019 yılları arasındaki toplam başvuru 3.709.716 iken, 2020-2024 yıllarında bu sayının 3.985.932 olacağı tahmin edilmiştir.

Özgünlük: Acil servisler kesintisiz hizmet veren çok yoğun birimlerdir. Bu nedenle, bu talebi doğru olarak belirlemek ve hastane yöneticileri tarafından gerekli iyileştirmeleri yapmak oldukça önemlidir. Kapasite planlaması, idari anlamda birçok sorunu çözecek alandır. Kapasite planlaması hakkında yapılmış birçok çalışma olmasına rağmen, turistik bir bölgede mevsimlik hasta sayısı değişen bir hastanenin yatak kapasitesinin kantitatif ve analitik yöntemler ile planlaması literatürde yapılan bir çalışma değildir.

Anahtar Kelimeler

Acil Servis, Random Forest, Talep Tahmini, Holt-Winters

Destekleyen Kurum

yok

ESTIMATED NUMBER OF PATIENTS APPLIED TO A TRAINING RESEARCH HOSPITAL EMERGENCY DEPARTMENT

Öz

Purpose: Planning the emergency department to meet patient needs, effective management of all resources, quality health care and patient satisfaction will directly affect the efficient use of resources. With this study, it is aimed to analyze the patient admission to the training and research hospital emergency department with quantitative estimation methods, to determine the most appropriate estimation model and to estimate the number of patients for future periods.

Methodology: Two different models are used as estimation method. First, the Random Forest Model was modeled with the assumption that the patients coming to the hospital depend on the population of the city and the number of tourists coming. In the second model, the Holt-Winterss Model, five-year emergency number patients were estimated by considering seasonal data regardless of any other data.

Findings: When the results are examined; while the total application to the emergency room was 3.709.716 between 2015 and 2019, it was estimated that 3.985.932 would apply in 2020-2024. 

Originality: Emergency services are very busy units that provide uninterrupted service. Therefore, it is very important to accurately determine this demand and make the necessary improvements by hospital managers. Capacity planning is an area that will solve many administrative problems. Planning for the future; helps to solve the problem by foreseeing the event and before the risk moments come Although there are many studies about capacity planning, planning the bed capacity of a hospital with a changing number of seasonal patients in a touristic area is not a study in the literature. In this respect, the study shows its originality in the literature.

Anahtar Kelimeler

Emergency Service, Rassal Orman, Holt-Winters, Demand Forecast.

Kaynakça

• AFILAL, M., YALAOUI, F., DUGARDIN, F., AMODEO, L., LAPLANCHE, D. ve BLUA, P. (2016), Forecasting the Emergency Department Patients Flow, Journal of Medical Systems, 40 (175), 1-18.
• ALAN, M. A. (2019), Tıbbi Veriler Üzerinde Birliktelik Kuralları Madenciliği, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20 (1), 410-419.
• BAYKAL, A. (2006), Veri Madenciliği Uygulama Alanları, Dicle Üniversitesi Ziya Gökalp Eğitim Fakültesi Dergisi, 7, 95-107.
• BİRCAN, H. ve ÇAM, S. (2016), Veri Madenciliğinde Kümeleme Analizi ve Sağlık Sektöründe Bir Uygulama, Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 17 (2), 85-96.
• BUCZAK, A. L., BAUGHER, B., GUVEN, E., RAMAC-THOMAS, L. C., ELBERT, Y., BABİN, S. M., ve LEWIS, S. H. (2015), Fuzzy Association Rule Mining and Classification for the Prediction of Malaria in South Korea, BMC Medical Informatics and Decision Making, 2015, 15-47.
• COSTER, A., ERICKSON, P. ve FOSTER, J. (2003), Monitoring the Lonosphere with GPS: Space Weather, The Institute of Navigation’s National Technical Meeting, California, Anaheim, (Erişim Tarihi: 10.03.2020).
• DANG, H. S, HUANG, Y. F., WANG, C. N. ve NGUYEN, T. M. T. (2016), An Application of the Short-Term Forecasting with Limited Data in the Healthcare Traveling Industry, Sustainability, 8 (1037), 1-14.
• DEASY, J., ROCHETEAU, E, KOHLER, K., STUBBS, D. J., BARBİERO, P., CRESHAM, M., LİO, P., ERCOLE, A. (2020), Forecasting Ultra-Early Intensive Care Strain from COVID-19 in England, DOI: https://doi.org/10.1101/2020.03.19.20039057.
• ELMUNIM, N. A., ABDULLAH, M., HASBI, A. M. ve BAHARI, S. A. (2015), Comparison of Statistical Holt-Winters Models for Forecasting the Ionospheric Delay Using GPS Observations, Indian Journal of Radio and Space Physics, 44 (1), 28-34.
• FİDAN, H. 2020, Random Forest (Rastgele Orman) Algoritması Temelli Süreç İzleme Yönteminin Ambulatuar Kan Basıncı İzlemede Hipertansiyonun Erken Tanısı İçin Kullanımı, Yayımlanmış Yüksek Lisans Tezi, Sıtkı Koçman Üniversitesi, Fen Bilimleri Enstitüsü, Muğla.
• GELPER, S., FRIED, R. ve CROUX, C. (2010), Robust Forecasting with Exponential and Holt-Winterss Smoothing, Journal of Forecasting, 29 (3), 285-300.
• HAN, J. W., KAMBER, M. ve PEI, J. (2012), Data Mining: Concepts and Techniques, 3rd Edition, Elsevier Inc., Waltham.
• HERTZUM, M. (2017), Forecasting Hourly Patient Visits in the Emergency Department to Counteract Crowding, The Ergonomics Open Journal, 10, 1-13.
• HOOT, N. R., LEBLANC, L. J., JONES, I., LEVIN, S. R., ZHOU, C., GADD, C. S. ve ARONSKY, D. (2008), Forecasting Emergency Department Crowding: A Discrete Event Simulation, Annals of Emergency Medicine, 2, 116-25.
• IRMAK, S., KÖKSAL, C. D. ve ASİLKAN, Ö. (2012), Hastanelerin Gelecekteki Hasta Yöntemleri ile Tahmin Edilmesi Yoğunluklarının Veri Madenciliği, Uluslararası Alanya İşletme Fakültesi Dergisi, 4 (1), 101-14.
• JALALPOUR, M., GEL, Y. ve LEVIN, S. (2015), Forecasting Demand for Health Services: Development of a Publicly Available Toolbox, Operations Research for Health Care, DOI: http://dx.doi.org/10.1016/j.orhc.2015.03.001.
• KARABULUT, D. 2021, Hastane Bilgi Yönetim Sistemlerinde Veri Madenciliği: Hasta Profil Tahmini, Yayımlanmış Yüksek Lisans Tezi, Karabük Üniversitesi, Lisansüstü Eğitim Enstitüsü, Karabük.
• KAVUNCUBAŞI, Ş. ve YILDIRIM, S. (2015), Hastane ve Sağlık Kurumları Yönetimi, 4. Baskı, Siyasal Kitapevi, Ankara.
• KOCADAĞ D. ve ŞAHİN, S. (2020), Sağlık Sektöründe Talep Tahmini Üzerine Literatür Araştırması, Düzce Üniversitesi Sosyal Bilimler Dergisi 10 (1), 99-113.
• KOYUNCUGİL, A. S. ve ÖZGÜLBAŞ, N. (2009), Veri Madenciliği: Tıp ve Sağlık Hizmetlerinde Kullanımı ve Uygulamaları, Bilişim Teknolojileri Dergisi, 2 (2), 21-32.
• LUCINI, F. R., FOGLIATTO, F. S., SILVEIRA, G. J. C., NEYELOFF, J., ANZANELLO, M. J., KUCHENBECKER, R. D. S. ve SCHAAN, B. D. (2017), Text Mining Approach to Predict Hospital Admissions Using Early Medical Records from the Emergency Department, International Journal of Medical Informatics, DOI: http://dx.doi.org/10.1016/j. ijmedinf.2017.01.001.
• ÖZDAĞOĞLU, A., YALÇINKAYA, Ö. ve ÖZDAĞOĞLU, G. (2009), Ege Bölgesi’ndeki Bir Araştırma ve Uygulama Hastanesinin Acil Hasta Verilerinin Simüle Edilerek Analizi, İstanbul Ticaret Fen Bilimleri Dergisi, 8 (16), 61-73.
• ÖZEKES, S. (2003), Veri Madenciliği Modelleri ve Uygulama Alanları, İstanbul Ticaret Üniversitesi Dergisi, 3, 65-82.
• PAK, A., GANNON, B., STAİB, A. (2021), International Journal of Medical Informatics Predicting Waiting Time to Treatment for Emergency Department Patients, International Journal of Medical Informatics, 145, 104303, DOI: https://doi.org/10.1016/j.ijmedinf.2020.104303.
• PANDA, M. (2020), Application of ARIMA and Holt-Winters Forecasting Model to Predict the Spreading of COVID-19 for India and Its States, medRxiv, DOI: https://doi.org/10.1101/2020.07.14.20153908
• RESMİ GAZETE, (2000), Acil Sağlık Hizmetleri Yönetmeliği, Sayı: 24046, (Erişim Tarihi: 11.05.2020).
• SARIYER, G. (2018), Acil Servislerde Talebin Zaman Serileri Modelleri ile Tahmin Edilmesi, Uluslararası Mühendislik Araştırma ve Geliştirme Dergisi, 10 (1), 66-77.
• SAĞLIK BAKANLIĞI (SB), (2018), İstatistik, Analiz, Raporlama ve Stratejik Yönetim Dairesi Başkanlığı Sağlık Göstergeleri, Mayıs 2018.
• SCHWEIGLER, L. M., DESMOND, J. S., MCCARTHY, M. L., BUKOWSKI, K. J., IONIDES, E. L. ve YOUNGER, J. G. (2009), Forecasting Models of Emergency Department, Society for Academic Emergency Medicine, 301-308.
• SOLANKİ, A., SINGH, T. 2021, COVID-19 Epidemic Analysis and Prediction Using Machine Learning Algorithms, In Emerging Technologies for Battling Covid-19, ed. Anand Al-Turjman, Fadi, Devi, V. Ajantha, Nayyar, 57-78.
• SÖYLER, H. ve KOÇ, A. (2014), Bir Kamu Hastanesi İçin Acil Servis Simülasyonu ve Veri Zarflama Analizi ile Etkinlik Ölçümü, Aksaray Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 6 (2), 115-132.
• SÜLEKLİ, H. E. (2019), Yoğun Bakım Ünitelerinde Yatan Hastalara İlişkin Mortalite ve Yatış Süresine Etki Eden Faktörlerin Veri Madenciliği Yöntemleri ile İncelenmesi, Yayımlanmış Yüksek Lisans Tezi, Hacettepe Üniversitesi, Sağlık Bilimleri Enstitüsü, Ankara.
• SUN, Y., HENG, B. H., SEOW, Y. T. ve SEOW, E. (2009), Forecasting Daily Attendances at an Emergency Department to Aid Resource Planning, BMC Emergency Medicine, 9 (1), 1-9.
• TALKHI, N., NARGES A. F., ATAEI, Z., ve NOOGHABI, M. J. (2021), Modeling and Forecasting Number of Confirmed and Death Caused COVID-19 in Iran: A Comparison of Time Series Forecasting Methods, Biomedical Signal Processing and Control, 66, 102494.
• TAN, P. N., STEINBACH, M. ve KUMAR, V. (2005), Cluster Analysis in School Psychology: An Example, Pearson Education, Boston.
• VERMA, A.K., PAL, S., KUMAR, S. (2019), Classification of Skin Disease Using Ensemble Data Mining Techniques, Asian Pac J Cancer Prev. 20 (6), 1887-1894.
• WARGON, M., GUIDET, B., HOANG, T. D. ve HEJBLUM, G. (2009), A Systematic Review of Models for Forecasting the Number of Emergency Department Visits, Emergency Medicine Journal, 26, 395-399.
• YALÇIN, L. (2019), Sağlık Sektöründe Veri Madenciliği, Yayımlanmış Yüksek Lisans Tezi, Milli Savunma Üniversitesi, Hezarfen Havacılık ve Uzay Teknolojileri Enstitüsü, İstanbul.
• YALÇIN, M. (2009), Acil Servis Hizmetlerinin Simülasyonu: Karşıyaka Devlet Hastanesi Uygulaması, Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, İzmir.
• YETGİNLER, B. (2019), Rahim Ağzı Kanserinin Veri Madenciliği Yöntemleri ile Sınıflandırılması, Yayımlanmış Yüksek Lisans Tezi, Kırıkkale Üniversitesi, Fen Bilimleri Enstitüsü, Kırıkkale.
• YİĞİT, V. (2016), Hastanelerde Tıbbi Malzeme Talep Tahmini: Serum Seti Tüketimi Üzerinde Örnek Bir Uygulama, MANAS Sosyal Araştırmalar Dergisi 5 (4), 207-222.