Veri madenciliği yöntemleri ile sağlık sektörü veritabanlarında bilgi keşfi: Tanımlayıcı ve kestirimci model uygulamaları

Abstract

Veri madenciliği yöntem ve tekniklerinin sağlık sektörü veritabanlarında kullanımıyla özellikle hastane veya sağlık kurumları yöneticilerinin veya bu alanda politika yapıcılarının öngörü edinmesine yardımcı olabilecek bilgilerin elde edilmesi mümkündür. Bu çalışmada sağlık alanındaki veri madenciliği uygulamalarının hangi adımlardan oluşacağı ortaya konulmuş, bu alanda var olan literatürden teorik ve uygulama bilgisi aktarılmıştır. Uygulama aşamasında ise hali hazırda işleyen bir hastane veritabanında bazı önemli veri madenciliği teknikleri uygulanmış ve sonuçları aktarılmıştır.Veri madenciliği kavramının yalnızca problemlere uygulanan bilgisayar tabanlı araç ve yöntemler topluluğu değil, probleme özgü tasarlanmış, ilgili yöntem, teknik ve uygulamaları da içine alan, sonuçları itibariyle probleme özgü olmak üzere ilişkileri, kuralları, örüntüleri veya eğilimleri modelleyen ve gösteren bir süreç olduğu ele alınmıştır.Uygulama aşamasında kullanılan hastane veritabanında veri transferi, filtreleme ve veri ön-işleme faaliyetleri gerçekleştirilmiş sonrasında da kümeleme, birliktelik kuralları, zaman serileri ve yapay sinir ağları teknikleri kullanılarak birçok veri madenciliği modeli üretilmiştir. Bu modeller ile hastanede konsültasyon hizmetleri örüntülerinin belirlenmesi ve hastanenin gelecekteki hasta yoğunluğunun tahmin edilmesi uygulamaları gerçekleştirilmiştir.Özellikle birliktelik kuralları tekniği kullanılarak birimler arası konsültasyon hizmetleri örüntülerinin belirlenmesi uygulaması bu tekniğin böyle bir amaçla ilk defa kullanımı ve anlamlı sonuçlar üretmesi bakımından önemli bulunmaktadır. Birimler arası konsültasyon hizmetleri, istem ve hizmeti verme ilişkileri ve bu ilişkilerin yoğunlukları kurallar ile ifade edilmiş ve grafiklerle de görselleştirilmiştir.Gelecekteki hasta yoğunluklarının tahmin edilmesi uygulamalarında üstel düzgünleştirme, ARIMA ve yapay sinir ağları yöntemleri önce kendi içlerindeki farklı modellerle kıyaslanmış sonra da her yöntemin en kestirimci modelleri birbirleriyle kıyaslanarak bu konuda en iyi sonucu veren model tespit edilmeye çalışılmıştır. Üstel düzgünleştirme yöntemlerinden Winters Additive modeli, ARIMA yöntemlerinden ARIMA(3,1,0)(1,0,0)12 modeli ve yapay sinir ağları yöntemlerinden Prune yöntemi ile elde edilen model en iyi sonuçları vermiştir. Winters Additive üstel düzgünleştirme modeli ise bunlar arasında en kestirimci model olarak öne çıkmış ve gerçekleşen değerlere en yakın tahminleri üretmiştir.

The utilization of data mining methodologies and techniques in health sector databases enable discovering knowledge which is useful for health institution managers or policy makers of this domain. In this study, the steps of data mining processes in health sector were exhibited, also theoretical and practical information from the literature were presented. In the application phase, some techniques of data mining were used in a currently active database of a hospital and the results were presented.Data mining was emphazised as a process rather than only a collection of computer-based tools and techniques. This process includes problem specific methodologies and techniques, and it models relationships, rules, patterns or trends, and it summarizes and visualizes the results in a meaningful way.Data transfer, filtering and data preprocessing activities were performed in the hospital database. Many data mining models were generated by using clustering, association rules, time series and artificial neural network techniques. The applications of determining the patterns of medical consultation services among the clinics and policlinics of the hospital, and predicting the patient volume of the hospital were executed by using these models.Particularly the application of determining the patterns of medical consultation services among the clinics and policlinics by using association rules was regarded as important, because this technique was used for this kind of purpose for the first time and the generated results were meaningful.In order to predict the future volumes of patients, different models of exponential smoothing, ARIMA and neural network techniques were evaluated. The best models of each technique then evaluted again to determine the best predictive model. Winters Additive exponential smoothing model, ARIMA(3,1,0)(1,0,0)12 model, and ANN model which was trained by using Prune method have yield beter results. The results of comparison showed that Winters Additive exponential smoothing model was the best predictive model for this data and this model generated the closest predictions to actual values.