Sağlık 4.0 bütüncül yaklaşım aşı talep tahmin örneği

Bu çalışmada Sağlık 4.0 açıklanarak, mevcut yöntemlerden farklı olarak, aşı kıtlığı ve fazlalığını önlemek için uygun aşı stokunu tahmin etmek amacıyla makine öğrenmesi yöntemleri uygulanmış ve başarıları karşılaştırılmıştır. Aşı talebi, artan nüfus hareketliliği ve salgınların yaygınlığı nedeniyle çeşitli ülkelerde önemli ölçüde artmaktadır. Bu çalışma hem aşı kıtlığını hem de aşırı arzı önlemeyi amaçlayarak en uygun aşı stok seviyelerini tahmin etmek için makine öğrenimi yöntemleri kullanmıştır ve bu tahminlerin etkinliğini karşılaştırmayı hedeflemiştir. Tahmin modellerinde kullanılan veriler, Hudut ve Sahiller Sağlığı Genel Müdürlüğü'nden temin edilmiştir. Bu çalışma, 2003 ile 2023 yılları arasında toplanan 21 yıllık geriye dönük bir veri setini analiz edilmektedir; bu veri seti aylık aşılanma kapsamı verilerini içermektedir. Yıllık aşı talebini tahmin etmek için literatürde yaygın olarak kullanılan dört farklı yöntem uygulanmaktadır. Bunlar arasında en yaygın kullanılan yöntem Otoregresif Entegre Hareketli Ortalama (ARIMA) olduğu tespit edilmektedir. Ayrıca, Mevsimsel Otoregresif Entegre Hareketli Ortalama (SARIMA), Doğrusal Regresyon ve XGBoost modelleri de kullanılmaktadır. COVID-19 pandemisi gibi belirli olaylar, veri setindeki kalıpları bozmuş-tur. Budama testlerinde, ham veri setindeki veri frekansındaki değişiklikler analiz edilmektedir. Modeller, Kök Ortalama Kare Hatası (RMSE) ve Ortalama Mutlak Hata (MAE) kullanılarak değerlendirilmektedir. Tüm veri seti, durağanlık sağlamak için dönüştürülmekte-dir. Mevsimselliğin ve beyaz gürültünün kaldırılmasının ardından modeller yeniden değer-lendirilmektedir. En doğru tahminleri veren modellere çapraz doğrulama uygulanmaktadır. Optimize edilmiş modelden elde edilen tahmin sonuçları, Değer Risk (VaR) modeline girdi olarak kullanılmaktadır. Gerçek, kestirim ve ortalama aşılanma sayıları, SARIMA, Doğrusal Regresyon ve XGBoost tahminlerine dayalı olarak %95 ve %99 güven aralıkları (kritik stok aralığı) ile sunulmaktadır. Aşı tahmin aralığı dengesi nedeniyle, XGBoost'un çıktıları Değer Risk (VaR) modeline girdi olarak alınmakta ve önümüzdeki günlerde ortaya çıkabilecek güvenli aşı stoku ile ilgili maliyet riski değerlendirilmektedir. Çalışma boyunca, modellerin etkili bir şekilde öğrenmeye devam edebileceği koşullar ile bu modellerin seçilme gerekçesi izlenebilmektedir.