Alican DOĞAN
Bandırma Onyedi Eylül Üniversitesi Sağlık Bilimleri ve Araştırmaları Dergisi - 2026;8(2):441-455
Amaç: Bu çalışma, yapılandırılmış yatan hasta verilerini kullanarak 30 günlük yeniden yatış riski taşıyan hastaları belirleyebilecek öngörüsel modeller geliştirmeyi ve değerlendirmeyi amaçlamaktadır. Gereç ve Yöntem: Analizler, gerçek dünyadaki klinik verilerin karmaşıklığını yansıtırken kişisel sağlık bilgilerinin gizliliğini korumak amacıyla oluşturulmuş tamamen sentetik bir veri kümesi üzerinde gerçekleştirilmiştir. Veri kümesi, hasta demografisi, tanı kodları, laboratuvar anormallikleri, uygulanan işlem sayısı, hastanede kalış süresi ve risk skorları gibi yatan hasta bakımına ilişkin temel özellikleri içermektedir. Etiketleme, veri dengesinin sağlanması ve normalizasyon gibi kapsamlı bir ön işleme yapılmıştır. Veri ön işleme aşamasında kategorik değişkenler kodlanmış, sınıf dengesizliği SMOTE yöntemi ile giderilmiş ve Logistic Regression, Random Forest ve XGBoost modelleri uygulanmıştır. Bulgular: Sonuçlara göre Random Forest modeli en yüksek performansı göstermiş; %92'nin üzerinde doğruluk ve 0.95 AUC değeri elde edilmiştir. Özellik önem analizi, risk skoru, yatış süresi ve işlem sayısının yeniden yatış riskini belirlemede en etkili değişkenler olduğunu ortaya koymuştur. Bulgular, öngörücü analitik yaklaşımların sağlık yönetiminde erken müdahale planlaması ve kaynak optimizasyonu açısından önemli katkılar sağlayabileceğini göstermektedir. Sonuç: Önerilen modelleme yaklaşımı, erken müdahale planlaması ve hastane kaynaklarının optimize edilmesine katkı sağlayabilirken, önlenebilir yeniden yatışların azaltılmasına yönelik veri odaklı stratejileri de desteklemektedir.
