Geleneksel makine öğrenmesi ve derin öğrenme yöntemleriyle acil servis triyaj tahminlemesi

Bu çalışma, geleneksel makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak Türkiye'deki acil servislerde triyaj seviyelerinin tahmin edilmesini ele almaktadır. Türk sağlık sisteminin ve dilinin karmaşıklığı, bu tür tahmin modelleri için zorluklar oluşturmaktadır. Bu zorlukları aşmak için çeşitli makine öğrenimi modelleri, metin vektörü teknikleri ve ardışık veri tahminlerini kapsayan kapsamlı bir metodoloji kullanılmıştır. Lojistik Regresyon, Rastgele Orman ve XGBoost gibi geleneksel makine öğrenimi modellerinin performansının yanında Basit Sinir Ağı ve CNN-LSTM-Attention derin modeli ile inceleyerek başlamıştır. Bu modeller, acil servis ziyaretlerinden elde edilen yapılandırılmış ve yapılandırılmamış verilerden oluşan bir veri seti kullanılarak değerlendirilmiştir. Yapılandırılmamış veriler, özellikle başvuru şikayetleri, çeşitli vektör dönüşüm yöntemleri kullanılarak işlenmiştir; bunlar arasında Türkçe metin için özel olarak hazırlanmış BoW, Word2Vec ve BERT tabanlı vektör dönüşümleri bulunmaktadır. Çalışmanın önemli bir yönü, önceki ziyaretler ve teşhis edilen hastalıklar hakkındaki verilerin modellere dahil etmesidir. Farklı girdile tipleri kullanabilen Tekrarlayan Sinir Ağları ve Uzun Kısa Süreli Hafıza ağlarını kullanan gelişmiş bir model de incelendi. Ayrıca hata türlerine farklı ağırlıklar verilerek hesaplanan ayarlanabilir F1 skoru isimli yeni bir performans ölçüm metriği inşa ettik. Sonuç olarak, XGBoost - Word2Vec, kapsamlı bir özellik seti kullanıldığında en etkili model oldu. Çeşitli girdileri kullanan derin öğrenme modeli, belirli senaryolarda üstün performans gösterdi. Çalışma, acil servis verilerindeki karmaşık desenleri anlayabilmek için daha sofistike modellere ihtiyaç duyulduğunu vurgulayarak gelecekteki araştırmalar için önerilerle sona ermektedir.