Yapay Sinir Ağları ile Tıbbi Laboratuvar için İşlem Süresi Kestirimi

Turnaround Time Prediction for a Medical Laboratory Using Artificial Neural Networks

Özet

Hastanelerde ve çeşitli sağlık hizmetlerinde tıbbi işlemler / aşamalar arasındaki işlem ya da geri dönüş süresi, hizmet kalitesi, değişim yönetimi, maliyetlerin azaltılması ve stratejik kararlar üzerinde de etkisi olan en önemli performans ölçütlerinden biri olarak kabul edilmektedir. Geri dönüş sürelerinin doğru ve güvenilir tahmini ya da bu süreleri etkileyen etmenlerin veya nedenlerin ortaya çıkarılması ise çözümü zor bir problemdir. Bu çalışmada, özel bir hastanedeki çeşitli birimler arasındaki tıbbi iş süreçlerine ait gerçek istatistiksel işlem süresi verileri kullanılarak iş bitirme sürelerinin sayısal olarak tahmini için özel bir yapay sinir ağı (YSA) modeli tasarlanmış ve kodlanmıştır. YSA modelimizin kestirim performansı, bazı alternatif doğrusal / doğrusal olmayan sayısal kestirim algoritmaları ile karşılaştırmalı olarak analiz edilmiştir. YSA'nın tahmin başarısı ve hata değerleri açısından diğer tüm sayısal kestirim algoritmalarından daha başarılı olduğu ve YSA'nın, tıbbi iş süreçlerinde iş bitirme sürelerini kabul edilebilir hata oranlarında güvenilebilir şekilde tahmin edebildiği ve karar destek sistemlerinde yöneticiler tarafından alternatif bir model olarak kullanılabileceği ortaya konmuştur.

Abstract

Turnaround time (TAT) or duration between different stages in medical and healthcare services is accepted to be one of the most significant performance measures that can have a great impact on service quality, change management, costs, and strategic decisions. Accurate and reliable prediction or estimation of the turnaround times or elicitation of the underlying causes that affect TAT is known to be a difficult problem. In this study, a heuristic prediction approach is used by designing and implementing a special artificial neural network (ANN) model in order to predict TAT of a specific process in a private hospital. The prediction performance of our ANN model is comparatively analyzed with some alternative linear and nonlinear numerical prediction algorithms. The results show that ANN surpasses all of the other numerical prediction algorithms and ANN might be used by the decision makers as a reliable model to estimate TAT within acceptable error rates.