Acil servise baþvuru sayýsýnýn zaman serisi analiz ve makine öðrenmesi yöntemleri ile tahmin edilmesine yönelik bir uygulama

Günümüzde, acil saðlýk servislerine yönelik talepler, salgýn, deprem vb. doðal afetler ile patlamalar gibi durumlarda olaðanüstü artýþ göstermektedir. Sözkonusu talebin doðru bir þekilde tahmin edilmesi, acil servislere baþvuracak kiþi sayýsýnýn belirlenmesi ve ilgili kaynak planlamalarýnýn etkin þekilde gerçekleþtirilmesini saðlayacaðýndan olaðanüstü durumlar için kriz yönetim sürecinde kolaylýk saðlayacaktýr. Bu çalýþmada, bir acil servise baþvuru sayýsýnýn tahmini amaçlanmaktadýr. Ele alýnan, mevsimsel özelliklere sahip verilere yönelik olarak, zaman serisi analizi yöntemlerinden SARIMA, Holt-Winters ve ayrýþtýrma; makine öðrenmesi yöntemlerinden rastgele aðaç ve rastgele orman teknikleri kullanýlmýþtýr. Tahmin çalýþmasý için Ankara’ da yer alan bir hastanenin 396 günlük “baþvuran hasta sayýsý” verisi kullanýlmýþtýr. Her bir yöntemdeki tahminler, yedi, on beþ ve otuz günlük olarak yapýlmýþtýr. Talep tahmini yöntemlerinden en baþarýlý yöntemin belirlenebilmesi için korelasyon, düzeltilmiþ RKARE ve ortalama mutlak yüzde hatasý deðerlerinden faydalanýlmýþtýr. Yapýlan analizlerde SARIMA yönteminin, acil servise yapýlacak baþvuru sayýsýnýn tahmin edilmesinde diðer yöntemlere göre daha etkili sonuçlar verdiði görülmüþtür. Ayrýca, acil servislere yapýlan baþvurularýn sürekli deðiþen, dinamik bir yapýya sahip olmasýnýn bir sonucu olarak, tahmin edilen gün sayýsýndaki deðiþimin tahmin deðerleri üzerinde önemli etkisi olduðu da anlaþýlmýþtýr.

An application for forecasting the number of applications to the emergency department with time series analysis and machine learning methods

Today, the demands for emergency health services show an extraordinary increase in cases such as epidemics, earthquakes, natural disasters, and explosions. The accurate estimation of the demand in question will facilitate the crisis management process for extraordinary situations, as it will enable the determination of the number of people who will apply to the emergency services and the effective realization of the relevant resource planning. In this study, it is aimed to estimate the number of applications to an emergency department. For the seasonal data, SARIMA, Holt-Winters and decomposition, which are among the time series analysis methods; Random tree and random forest techniques from machine learning methods are used. For this forecasting study, 396-day "number of patients admitted" data of a hospital located in Ankara is used. Forecasts in each method are performed for seven, fifteen, and thirty days. Correlation corrected square root and average absolute percentage error values are used to determine the most successful one among demand forecasting methods. In the analyzes made, it is observed that SARIMA method gives more effective results than others in forecasting the number of applications to the emergency department. In addition, because of the constantly changing and dynamic nature of the applications made to the emergency services, it is understood that the change in the forecasted number of days has a significant effect on the resulting forecast values.