dc.contributor.advisor | Kaya, Sıdıka | |
dc.contributor.advisor | Zor, İbrahim | |
dc.contributor.author | Akdoğan, Zeyneb | |
dc.date.accessioned | 2017-07-14T13:20:10Z | |
dc.date.available | 2017-07-14T13:20:10Z | |
dc.date.issued | 2017 | |
dc.date.submitted | 2017-06-12 | |
dc.identifier.uri | http://hdl.handle.net/11655/3710 | |
dc.description.abstract | The high levels of rehospitalization is a sign of deficient providence of the necessary health
services at the hospitals. Unplanned rehospitalization cause unnecessary expenses in the health
sector and also impact the quality of the patient negatively. Due to these reasons, the health
managers have been trying to develop policies to reduce those unplanned rehospitalizations.
With this study, the prediction of the factors that cause the rehospitalization of the patients who
had to be rehospitalized at the Health Sciences University Ümraniye Training and Research
Hospital within 30 days of being discharged by using data mining application. The researcher
has worked with the data of a total of 400 people composed of 200 patients who had been
hospitalized at the Ümraniye Training and Research Hospital between the dates of 29.08.2008
and 10.04.2014 and had to be rehospitalized within 30 days after their discharge from the
hospital, and 200 patients who had not been rehospitalized within 30 days after their discharge
from the hospital. The patient background data used in the study are the following: Age, gender,
their level of calcium, urea, creatinine, potassium and sodium, comorbidity, their number of
outpatient clinic visits in the last year, and number of emergency service visits.
The application section of this study has been made with the Weka Program which is one of the
package programs used in relation to machine learning. The model has been formed by the J.48
Algorithm of the decision tree which is one of the classification methods of data mining. According
to the prediction of the created model, the number of correct predictions out of 400 is 299
(74.75%). The number of correct predictions with the rehospitalized 200 patients is 147, and with
the non-rehospitalized patients is 152. The values of validity and reliability of the model is found
to be 74.8%. | tr_TR |
dc.description.tableofcontents | KABUL VE ONAY………………………………………………………...….….i
BİLDİRİM…………………………………….……………………….…………..ii
YAYIMLAMA VE FİKRİ MÜLKİYET HAKLARI BEYANI…..……………....iii
ETİK BEYAN………………………………………..…...………………………iv
İTHAF……...………………………………………………………………………v
TEŞEKKÜR …………………........……………………………………………..vi
ÖZET………………….……………………..………………………..................vii
ABSTRACT………………..…………………………………………………….viii
İÇİNDEKİLER……….………………….…………………………………...……ix
KISALTMALAR DİZİNİ…………………………...……….…..……………….xiii
TABLOLAR DİZİNİ………………………………………………...……………xv
ŞEKİLLER DİZİNİ……….……………………..………………………….……xvi
GİRİŞ…………………………………………………………………………...…..1
1. BÖLÜM: GENEL BİLGİLER………………………………………………....3
1.1. Hastaneye Yeniden Yatış…………………………………….….3
1.1.1. Hastaneye Yeniden Yatış Kavramı………………….…...3
1.1.2. Hastaneye Yeniden Yatışın Maliyeti……………….…….4
1.1.3. Önlenebilen Yeniden Yatışlar……………………............6
1.1.4. Yeniden Yatışa Neden Olan Faktörler……………..........7
1.1.5. Yeniden Yatışın Önlenmesine Yönelik Projeler…….....10
1.1.6. Türkiye’de Yeniden Yatışı Önleme Çalışmaları…….....13
1.2. Kalp Yetersizliği…………………………………….…………...14
1.2.1. Maliyeti…………..…………………………….…………...16
1.2.2. Kalp Yetersizliğinin Yeniden Yatışlara Etkisi….………..16
1.3. Veri Madenciliği……………………….………….……………....19
1.3.1. Veri Madenciliği Tanımı………………………..………....19
1.3.2. Veri Madenciliğinin Diğer Disiplinlerle İlişkisi………......20
1.3.3. Veri – Enformasyon – Bilgi – Bilgelik Piramidi………....25
1.3.4. Veri Tabanından Bilgi Keşfi…………….……………......27
x
1.3.5. Veri Madenciliğinin Kullanım Alanları…………………..27
1.3.6. Model Kurulumu…………………………………………..28
1.3.7. Veri Madenciliği Modelleri……………………………….30
1.3.7.1. Değer Tahmin Modelleri……………………....30
1.3.7.2. Veri Tabanı Kümeleme Modelleri……………30
1.3.7.3. Birliktelik Analizi………………………………..30
1.3.7.4. Fark Sapmaları………………….....................31
1.3.8. Karar Ağaçları…………………………………………….35
1.3.9. Veri Madenciliği ile Hastaneye Yeniden Yatışları
İncelenmesi…....................................................37
1.3.9.1. Risk – O – Meter……………………………….37
1.3.9.2. INTCare………………………………..............38
1.3.9.3. SWIFT…………………………………………..39
1.3.9.4. En İyi Modelleme Tahmini…………………....39
1.3.9.5. Karar Ağacıyla Uygulama………………….…39
2. BÖLÜM: GEREÇ VE YÖNTEM……………………………………………..40
2.1. Araştırmanın Amacı……………………………………………….40
2.2. Araştırmanın Yeri ve Zamanı…………………………………….40
2.3. Hastaların Seçimi……………………………………………….….40
2.4. Sınırlılıklar…………………………………………………………...40
2.5. Etik İzni……………………………………………………………....41
2.6. Çalışma Dışı Bırakılan Hastalar………………………………....41
2.7. Hasta Verilerinin Seçimi…………………………………………..41
2.8. Verilerin Hazırlanması ve Özellikleri……………………….……43
2.9. Verilerin Analizi………………………………………………..……43
3. BÖLÜM: BULGULAR………………………………………………………...47
3.1. Yeniden Yatış Hızı…………………………………………….........47
3.2. Verilerin Dağılımı……………………………………………….......48
3.2.1. Yaşa Göre Dağılım……………………………………….50
3.2.2. Cinsiyete Göre Dağılım…………………………………..52
3.2.3. Kalsiyum Değerine Göre Dağılım…………………….....53
3.2.4. Üre Değerine Göre Dağılım……………………………...55
xi
3.2.5. Kreatinin Değerine Göre Dağılım………………………..57
3.2.6. Potasyum Değerine Göre Dağılım……………………....58
3.2.7. Sodyum Değerine Göre Dağılım…………………...……60
3.2.8. Komorbidite Sayısına Göre Dağılım……………………62
3.2.9. Hastanede Yatış Süresine Göre Dağılım……………....64
3.2.10. Polikliniğe Geliş Sayısına Göre Dağılım………....….....66
3.2.11. Acil Servise Geliş Sayısına Göre Dağılım………….…..67
3.3. Karar Ağacı Yöntemi ile Sınıflandırma…………………….........69
3.4. Veri Kümesinin Bölünmesi………………………………………..70
3.5. Karar Ağacı Modelinin Değerlendirilmesi………………………70
3.6. Karar Ağacı Kuralları…………………………………………..........7
4. BÖLÜM: TARTIŞMA………………………………………………….……..77
4.1. Yeniden Yatış Hızı ile Değerlendirmeler……………..………77
4.2. Karar Ağacı Kurallarına Göre Değerlendirmeler……..........78
4.2.1. Hastaneye Yatış Süresi Faktörü…………...…………....78
4.2.2. Üre Faktörü…………………………………………….…..80
4.2.3. Yaş Faktörü…………………….......…………….…….….81
4.2.4. Cinsiyet Faktörü…..……………………………….……...82
4.2.5. Kalsiyum Faktörü………………………………………….83
4.2.6. Kreatinin Faktörü…...……………………………….…....83
4.2.7. Potasyum Faktörü………………………………………...84
4.2.8. Sodyum Faktörü……………………………….………….85
4.2.9. Komorbidite Faktörü………………………………….…..85
4.2.10. Poliklinik ve Acil Servise Geliş Sayısı Faktörü………...86
SONUÇ VE ÖNERİLER…………………………………………………….……89
KAYNAKÇA………………………………………………………………….……92
Ek 1: Orjinallik Raporu (Türkçe)………………………………..……….…...105
Ek 2: Orijinallik Raporu (İngilizce)…………………………………………...106
xii
Ek 3: İdari İzin…………………………………………………………………...107
EK 4: İdari İzin (Devamı)………………………………………..………….…..108
EK 5: Etik İzin…………………………………………………………………....109
EK 6: Karar Ağacı (Liste Şeklinde)………………........................................110
ÖZGEÇMİŞ……………………………………………………………………….112 | tr_TR |
dc.language.iso | tur | tr_TR |
dc.publisher | Sosyal Bilimler Enstitüsü | tr_TR |
dc.rights | info:eu-repo/semantics/openAccess | tr_TR |
dc.subject | Veri Madenciliği | tr_TR |
dc.subject | Yeniden Yatış | |
dc.title | Kalp Yetersizliği Olan Hastaların Hastaneye Yeniden Yatışı İle İlgili Faktörlerin Veri Madenciliği Teknikleri İle İncelenmesi | tr_TR |
dc.type | info:eu-repo/semantics/masterThesis | tr_TR |
dc.description.ozet | Yeniden yatış hızının yüksek olması hastanelerde gerekli sağlık hizmetlerinin yeterli verilmediğini
gösterebilir. Planlanmamış yeniden yatışlar sağlık sektöründe yapılan gereksiz harcamalara
neden olurken hastanın yaşam kalitesini de olumsuz etkilemektedir. Bu nedenlerle sağlık
yöneticileri gereksiz/planlanmamış yeniden yatışları azaltmak amacıyla politikalar geliştirmeye
çalışmaktadır. Bu araştırmayla, Sağlık Bilimleri Üniversitesi Ümraniye Eğitim ve Araştırma
Hastanesine yatan ve taburcu olduktan sonra 30 gün içinde yeniden hastaneye yatmak zorunda
kalan kalp yetersizliği olan hastaların yeniden yatışları ile ilgili faktörlerin veri madenciliği
uygulaması ile incelenmesi amaçlanmaktadır. Ümraniye Eğitim ve Araştırma Hastanesine
29.08.2008 - 10.04.2014 tarihleri arasında kalp yetersizliğinden yatan ve taburcu olduktan sonra
30 gün içinde hastaneye yeniden yatmak zorunda kalan 200 hastanın ve taburcu olduktan sonra
30 gün içinde hastaneye yeniden yatmayan 200 hastanın olmak üzere toplam 400 hastanın
verileriyle çalışılmıştır. Yaş, cinsiyet, kalsiyum, üre, kreatinin, potasyum ve sodyum değerleri,
komorbidite sayısı, son bir senede polikliniğe geliş sayısı, son bir senede acile geliş sayısı.
Bu çalışmanın uygulama kısmı makine öğrenmesi konusunda kullanılan paketlerden biri olan
Weka programıyla yapılmıştır. Veri madenciliğinin sınıflandırma metotlarından karar ağaçlarının
J.48 algoritmasıyla model oluşturulmuştur. Oluşan modelin yaptığı tahmine göre, toplam 400
hastada yapılan doğru tahmin sayısı 299’tur (%74.75). Yeniden yatan 200 hastada yapılan doğru
tahmin sayısı 147, yeniden yatmayanlarda ise 152’dir. Modelin duyarlılık ve kesinlik oranları
%74.8 olarak bulunmuştur. Hasya Üre, kreatinin, sodyum değerleri, yaş ve komorbidite sayısı da
yeniden yatışla ilişkili faktörler olarak bulunmuştur. | tr_TR |
dc.contributor.department | Sağlık Kurumları Yönetimi | tr_TR |
dc.contributor.authorID | 10152442 | tr_TR |