Makine öğrenmesi tabanlı modelleri ile cerrahi ve iyileşme sürelerinin sınıflandırılması: Koç Üniversitesi Hastanesi vaka çalışması

Ameliyathane (OR) planlamasının etkin yönetimi; hasta bekleme sürelerini azaltmak, kaynak kullanımını optimize etmek ve maliyetleri düşürmek açısından kritik öneme sahiptir. Ancak cerrahi ve postoperatif iyileşme sürelerinin doğru tahmini, hasta özelliklerindeki farklılıklar, cerrahi prosedürlerin karmaşıklığı ve veri kısıtlılığı nedeniyle zordur. Bu çalışma, sürekli süre verilerini kategorik aralıklara dönüştürerek küçük veri kümeleri için uygun sınıflandırma tabanlı makine öğrenmesi yöntemlerini uygulamayı amaçlamaktadır. Koç Üniversitesi Hastanesi'nden elde edilen verilerle Lojistik Regresyon, Rastgele Orman, Gradyan Artırma, Destek Vektör Makineleri, K-En Yakın Komşu, Karar Ağaçları ve ansambl modeller; Rastgele Aşırı Örnekleme ve SMOTE stratejileri altında değerlendirilmiştir. Bulgular, ansambl modellerin bireysel sınıflandırıcılara göre üstün olduğunu göstermiştir. Cerrahi süre tahmininde en iyi ansambl model 0.71 doğruluk ve 0.698 F1 skoru elde ederken, iyileşme süresi tahmininde Rastgele Orman algoritması 0.79 doğruluk ve 0.768 F1 skoru ile en iyi performansı göstermiştir. SMOTE yöntemi sınıf dengesizliğini azaltmada ve performans metriklerini iyileştirmede etkili olmuş, özellik gruplandırma yaklaşımı ise modelin yorumlanabilirliğini artırmıştır. Bu çalışma, sınırlı veri geçmişine sahip hastaneler için veri odaklı, uygulanabilir bir çerçeve sunmaktadır. Cerrahi ve iyileşme sürelerinin güvenilir kategorik tahminleri, kaynak tahsisini geliştirmeye ve hasta sonuçlarını iyileştirmeye katkı sağlayabilir. Anahtar Kelimeler: cerrahi ve iyileşme süresi tahmini, makine öğrenmesi, sınıflandırma yöntemleri, SMOTE, ansambl modeller, sağlık hizmeti kaynak optimizasyonu