Hastanelerin gelecekteki hasta yoğunluklarının veri madenciliği yöntemleri ile tahmin edilmesi

Bu çalışmada hali hazırda işleyen bir hastane veritabanında bazı önemli veri madenciliği teknikleri ile hasta yoğunluklarının tahmin edilmesi uygulamaları yapılmış ve sonuçları karşılaştırmalı olarak aktarılmıştır. Kullanılan hastane veritabanında veri transferi, filtreleme ve veri ön-işleme faaliyetleri gerçekleştirilmiş sonrasında da zaman serileri ve yapay sinir ağları teknikleri kullanılarak birçok veri madenciliği tahmin modeli üretilmiştir. Üstel düzgünleştirme, ARIMA ve yapay sinir ağları yöntemleri önce kendi içlerindeki farklı modellerle kıyaslanmış sonrasında 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.

Veri Madenciliği ,

Zaman Serileri ,

Yapay Sinir Ağları ,

Sağlık Sektörü ,

In this study, some techniques of data mining were used to predict the future volumes of patients in a currently active database of a hospital and the results were presented comparatively. Initially, data transfer, filtering and data pre-processing activities were performed in the hospital database. In order to predict the future volumes of patients, different models of exponential smoothing, ARIMA and neural network techniques were generated and the best models of each technique were determined. The best models of each technique then evaluated again to determine the best predictive model. Winters Additive exponential smoothing model, ARIMA(3,1,0)(1,0,0)12 model, and ANN model trained by using Prune method have yield better results. The results of comparison showed that Winters Additive exponential smoothing model was the best predictive model for this data and this model made the closest predictions to actual values.

Data Mining, ,

Time Series, ,

Artificial Neural Networks, ,

Databases, ,

Healthcare Industry ,