Yapay zekâ tabanlı makine öğrenmesi yöntemleri ile iş kazalarının tahmin edilmesi; Türkiye'de 2016–2024 SGK verileri üzerinden 2025–2033 projeksiyonu

Bu çalışmanın temel amacı, 2016–2024 dönemi SGK iş kazası verilerinden hareketle 2025– 2033 dönemi için geçici iş göremezlik ve ölümlü iş kazası eğilimlerini tahmin etmek, geleceğe dönük proaktif projeksiyonlar üretmek ve farklı algoritmaların performanslarını karşılaştırmaktır. Metodoloji kapsamında veri seti, yaralanma türü kodları temelinde düzenlenmiş; erkek ve kadın çalışanlar için 1, 2, 3, 4 ile 5 gün ve üzeri geçici iş göremezlik değişkenleri ile ölen erkek ve kadın değişkenlerini içerecek şekilde çoklu hedefli olarak yapılandırılmıştır. Veri ön işleme ve gecikme (lag) öznitelikleri üretme adımlarının ardından; Random Forest, XGBoost ve LightGBM algoritmaları test edilmiş, model performansları MAE ve RMSE metrikleri ile değerlendirilmiştir. Elde edilen bulgulara göre, karşılaştırılan modeller arasında en düşük hata değerlerini Random Forest modeli (MAE: 387.81, RMSE: 933.77) üretmiştir. Bu ana modele göre, 2025 yılında 400.604 olması beklenen yıllık toplam iş kazasının %59,7 artışla 2033 yılında 639.786 seviyesine ulaşacağı hesaplanmıştır. En yüksek hacmi "5 gün ve üzeri" raporlu vakalar (2025'te 248.007'den 2033'te 395.207'ye) oluştururken, 2025-2033 dönemi için toplam 63.432 çalışanın yaşamını yitireceği ve bu mortalite öngörüsünün 61.871 vaka ile büyük ölçüde erkek çalışanlarda yoğunlaşacağı tespit edilmiştir. Sonuç olarak, Random Forest algoritmasının veri temelli risk analizi için güçlü bir karar destek aracı sunduğu kanıtlanmış olup, özellikle beş gün ve üzeri süreli yaralanmalar ile erkek çalışan mortalitesinin İSG politikalarında öncelikli müdahale alanı olması gerektiği saptanmıştır.