Evde bakım hizmetlerinde performans tabanlı bir değerlendirme yaklaşımı
Küçük Resim Yok
Tarih
2023
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
İstanbul Ticaret Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Evde bakım hizmetleri (EBH); evde yaşayan sosyal olarak dezavantajlı, hasta, muhtaç, engelli ve yaşlı bireyler için ev ortamında bakım ve sağlık hizmeti vermeyi amaçlayan bir hizmettir. Bu çalışmada, EBH uygulamalarını etkileyen faktörleri analiz edilerek hizmet kalitesinin artırılmasına yönelik analizler yapılmıştır. Bu kapsamda, İstanbul örneği özelinde EBH uygulamalarını etkileyen 14 farklı girdi değişkeni belirlenmiş ve bu değişkenler 1.707 hastadan alınan veriler kullanılarak değerlendirilmiştir. EBH uygulamasında aktif rol alan hasta ve sağlık çalışanlarının demografik, coğrafi ve yaşam koşulları bu çalışmanın girdi parametrelerinin ana temasını oluşturmuştur. Çalışmanın çıktı değişkeni olan bir hastanın evde sağlık hizmetine ihtiyaç duyduğu sürenin uzunluğunu etkileyen faktörleri incelemek için, Çok Faktörlü Doğrusal Regresyon yöntemi kullanılmıştır. Ayrıca, bu araştırmada etkin bir EBH planlaması için girdi parametreleri bilinen hasta ve personel verileri kullanılarak Makine Öğrenmesi (ML) algoritmalarından; AdaBoost (AB), Random Forest (RF), Tree, Neural Network (NN), Gradient Boosting (GB), Support Vektor Machine (SVM) ve K-Nearest Neighbors(kNN) algoritmaları kullanılarak analizler yapılmıştır. Bu algoritmaların doğruluk ve hata payları hesaplanmış ve algoritmaların sonuçları karşılaştırılmıştır. Tahmin verileri için en iyi performansları AB ve RF modelleri göstermiş ve bu algoritmaların R2 değerleri sırasıyla 0.926 ve 0.902 olarak hesaplanmıştır. Bu algoritmalar için hata marjları ise sırasıyla RMSE; 0.119 ve 0.136, MSE; 0.014 ve 0.019, MAE; 0.040 ve 0.063 olarak bulunmuştur. Son bölümde, çeşitli senaryo analizleri ile hizmet performansı değerlendirilmiştir. Bu tez kapsamında yapılan çalışmalar ile EBH uygulamalarında performans değerlendirmesinde ML algoritmaları kullanılarak karar vericilere destek sağlanabileceği görülmektedir.
Home care services (HCS) are a service that aims to provide health and care services at home to socially disadvantaged, sick, needy, disabled, and elderly individuals. This thesis aims to in-crease the quality of HCS practice by analyzing the factors affecting it. In Megacity Istanbul, data from 1707 patients was used by considering 14 different input variables affecting HCS practice. The demographic, geographic, and living conditions of patients and healthcare professionals who take an active role in HCS practice constituted the central theme of the input parameters of this study. The Multi-Factor Linear Regression method was used to examine the factors that affect the length of time a patient needs home health care, which is the study's output variable. This thesis gives short planning times and flexible solutions for HCS practice by showing how to avoid planning patient healthcare applications by hand using methods developed for HCS's. In addition, in this study, the AB, RF, Tree, NN, GB, SVM, and kNN algorithms, which are among the machine learning algorithms, were developed using patient and personnel data with known input parameters to make home healthcare application planning correct. These algorithms' accuracy and error margins were calculated, and the algorithms' results were compared. For the prediction data, the AB and RF models showed the best performances for prediction data, and the R2 values of these algorithms were calculated as 0.926 and 0.903, respectively. The error margins for these algorithms were found to be; (RMSE; 0.119 and 0.136, MSE; 0.014 and 0.019, MAE; 0.040 and 0.063). In the last section, service performance was evaluated with various scenario analyses. With the studies carried out within the scope of this thesis, it is seen that decision makers can be supported by using ML algorithms in performance evaluation in HCS applications.
Home care services (HCS) are a service that aims to provide health and care services at home to socially disadvantaged, sick, needy, disabled, and elderly individuals. This thesis aims to in-crease the quality of HCS practice by analyzing the factors affecting it. In Megacity Istanbul, data from 1707 patients was used by considering 14 different input variables affecting HCS practice. The demographic, geographic, and living conditions of patients and healthcare professionals who take an active role in HCS practice constituted the central theme of the input parameters of this study. The Multi-Factor Linear Regression method was used to examine the factors that affect the length of time a patient needs home health care, which is the study's output variable. This thesis gives short planning times and flexible solutions for HCS practice by showing how to avoid planning patient healthcare applications by hand using methods developed for HCS's. In addition, in this study, the AB, RF, Tree, NN, GB, SVM, and kNN algorithms, which are among the machine learning algorithms, were developed using patient and personnel data with known input parameters to make home healthcare application planning correct. These algorithms' accuracy and error margins were calculated, and the algorithms' results were compared. For the prediction data, the AB and RF models showed the best performances for prediction data, and the R2 values of these algorithms were calculated as 0.926 and 0.903, respectively. The error margins for these algorithms were found to be; (RMSE; 0.119 and 0.136, MSE; 0.014 and 0.019, MAE; 0.040 and 0.063). In the last section, service performance was evaluated with various scenario analyses. With the studies carried out within the scope of this thesis, it is seen that decision makers can be supported by using ML algorithms in performance evaluation in HCS applications.
Açıklama
Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Ana Bilim Dalı, Endüstri Mühendisliği Bilim Dalı
Anahtar Kelimeler
Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering, Sağlık Yönetimi
