Hastane içi taşımacılık problemi: İki aşamalı bayesyen derin pekiştirmeli öğrenme çerçevesi

Hastane içi taşımacılık talebindeki hızlı artış, artan hasta akışları ve operasyonel karmaşıklığın etkisiyle hastane lojistik sistemleri üzerinde önemli bir baskı oluşturmu-ştur. Zaman hassasiyetine sahip hasta taşımalarından tıbbi malzeme ve ekipman teslimatına kadar uzanan taşıma taleplerinin, hem insan kaynağı kısıtları hem de gelişmekte olan otomasyon teknolojileri göz önünde bulundurularak yüksek güvenilir-likle karşılanması gerekmektedir. Bu tez, Real-Time Intra-Hospital Transportation Problem (RIHTP) üzerine odaklanmakta ve dinamik olarak gelen, heterojen özellikler taşıyan taşıma talepleri altında insan portörler ile servis robotlarının atama ve rotalama kararlarının optimize edilmesini amaçlamaktadır. İlk olarak, robotlar için şarj gereksinimleri, görev uyumluluğu kısıtları, iş yükü dengesi ve aciliyet bazlı gecikme cezaları gibi unsurları içeren ayrıntılı bir problem formülasyonu geliştirilmiştir. Statik ortam için problem, Dial-a-Ride Problem (DARP) olarak modellenmiş ve çözüm kalitesini değerlendirmek amacıyla Mixed Integer Linear Programming (MILP) formülasyonu ile çözülmüştür. Dinamik ortamda ise iki aşamalı yenilikçi bir çözüm yöntemi önerilmiştir: Birinci aşamada, gerçek zamanlı ve belirsizlik altındaki atama kararlarını vermek üzere Bayesian Deep Reinforcement Learning çerçevesi kullanılmaktadır. İkinci aşamada ise, rota oluşturma ve birleştirme işlemleri için Best Insertion sezgiseli uygulanmakta, ardından Adaptive Variable Neighborhood Search (AVNS) yöntemi kullanılmaktadır. Gerçekçi hastane senaryoları kullanılarak yürütülen hesaplamalı dene-yler, önerilen Bayesyen tabanlı atama politikasının, hastane içi taşıma sistemlerinin heterojen yapısında mevcut temel politikalara kıyasla üstün performans gösterdiğini ve mevcut hastane politikasına göre %9.26 oranında iyileşme sağladığını ortaya koymaktadır. Ayrıca, önerilen iki aşamalı çözüm yaklaşımı, literatürde yaygın olarak kullanılan tek aşamalı yeniden optimizasyon yöntemine kıyasla toplam amaç fonksiyonu değerinde %10.88 azalma sağlarken, ortalama çözüm süresini 954.97 saniyeden 299.56 saniyeye düşürmektedir. Buna ek olarak, farklı operasyonel ve taktik kararları inceleyen deneyler, taşıma sistemine servis robotlarının entegre edilmesinin önemli kazanımlar sağladığını göstermektedir: İnsan portörlerin ortalama iş yükü yaklaşık %15 oranında azalmakta, gecikme cezaları %85'e varan oranlarda düşmekte ve toplam amaç fonksiyonu değeri %13 oranında iyileşmektedir. Elde edilen bulgular, önerilen çerçevenin gerçek zamanlı hastane lojistiğinde duyarlılık, adalet ve verimlilik bakımından etkili ve ölçeklenebilir olduğunu göstermektedir. Geliştirilen yöntemlerin farklı operasyonel koşullar, talep geliş hızları, taşıyıcı filo yapıları ve robot uygunluğu senaryoları, altında da başarılı performans sergilediği gözlemlenm-iştir. Ayrıca bu çerçeve, atama politikaları, rota optimizasyonu ve otomasyon entegrasyonu arasındaki karmaşık etkileşimi dikkate alarak taşıyıcı koordinasyonu ve iş yükü yönetimine dair değerli çıkarımlar sunmaktadır. Sonuç olarak bu tez, gerçek zamanlı hastane içi taşımacılık için ölçeklenebilir, maliyet etkin ve politika duyarlı çözümler sunmakta; akıllı hastane lojistiği, otomasyon planlaması ve öğrenme tabanlı karar destek sistemlerinin sağlık hizmetlerine entegrasyonu için uygulanabilir öneriler ortaya koymaktadır.