Dergiler / Bilişim Teknolojileri Dergisi / 2018 / Cilt: 11 - Sayı: 4

Yapay Sinir Ağları ile Tıbbi Laboratuvar için İşlem Süresi Kestirimi

Turnaround Time Prediction for a Medical Laboratory Using Artificial Neural Networks

Sayfa
357–368
Yayın Tarihi
2018-10-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

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.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez: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.
📊
Temel Bulgular & Veri:Geri dönüş sürelerinin doğru ve güvenilir tahmini ya da bu süreleri etkileyen etmenlerin veya nedenlerin ortaya çıkarılması ise çözümü zor bir problemdir.
💡
Sonuç & Katkı: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.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Turnaround time · Artificial neural networks · Numerical prediction

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.

🔖

Bu Makaleye Atıf Yap

EMİNAĞAOĞLU, M., VAHAPLAR, A. (2018). Yapay Sinir Ağları ile Tıbbi Laboratuvar için İşlem Süresi Kestirimi. Bilişim Teknolojileri Dergisi, Cilt: 11 - Sayı: 4, 357–368. https://ajindex.com/articles/251769

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (12)

  1. R. Bernardi, P. Constantinides, J. Nandhakumar, “Challenging Dominant Frames in Policies for IS Innovation in Healthcare Through Rhetorical Strategies”, Journal of the Association for Information Systems, 18(2), 81-112, 2017
  2. S. Dilek, S. Özdemir, “Wireless Sensor Networks in Healthcare”, International Journal of Informatics Technologies, 7(2), 7-19, 2014
  3. C. He, X. Fan, Y. Li, “Toward Ubiquitous Healthcare Services with a Novel Efficient Cloud Platform”, IEEE Transactions on Biomedical Engineering, 60(1), 230-234, 2013
  4. A. R. Lyon, J. K. Wasse, K. Ludwig, M. Zachry, E. J. Bruns, J. Unutzer, E., McCauley, “The Contextualized Technology Adaptation Process (CTAP): Optimizing Health Information Technology to Improve Mental Health Systems. Administration and Policy”, Mental Health and Mental Health Services Research, 43(3), 394-409, 2016
  5. X. W. Ng, W. Y. Chung, “VLC-Based Medical Healthcare Information System”, Biomedical Engineering: Applications, Basis and Communications, 24(2), 155-163, 2012
  6. H. M. Söderholm, D. H. Sonnenwald, “Visioning Future Emergency Healthcare Collaboration: Perspectives from Large and Small Medical Centers”, Journal of the American Society for Information Science and Technology, 61(9), 1808–1823, 2010
  7. A. Demir, E. İ. Tatlı, “Security Analysis of Medical Devices within Wireless Body Area Networks and Mobile Health Applications”, International Journal of Informatics Technologies, 11(1), 1-8, 2018
  8. B. Goswami, B. Singh, R. Chawla, V. K. Gupta, V. Mallika, “Turnaround Time (TAT) as a Benchmark of Laboratory Performance”, Indian Journal of Clinical Biochemistry, 25(4), 376-379, 2010
  9. İ. H. Köksal, B. Türkoğlu, M. Eminağaoğlu, “An Adaptive Network-Based Fuzzy Inference System for Estimating the Duration of Medical Services: A Case Study”, IEEE 10th International Conference on Application of Information and Communication Technologies (AICT), Baku, Azerbaijan, 801-806, 2016
  10. M. Scagliarini, M. Apreda, U. Wienand, G. Valpiani, “Monitoring Operating Room Turnaround Time: A Retrospective Analysis”, International Journal of Health Care Quality Assurance, 29(3), 351-359, 2016
  11. D. Sinreich, Y. Marmor, “Ways to Reduce Patient Turnaround Time and Improve Service Quality in Emergency Departments”, Journal of Health Organization and Management, 19(2), 88-105, 2005
  12. K. A. Willoughby, B. T. B. Chan, M. Strenger, “Achieving Wait Time Reduction in the Emergency Department”, Leadership in Health Services,