Yüksek Lisans Adayı: Esin Yiğit

EABD: Biyoenformatik

Tarih: 13.01.2026 / 10:00

Yer: A-212

Özet: Cerrahi vaka sürelerinin doğru bir şekilde öngörülmesi, ameliyathane (OR) planlaması ve hastane kaynak yönetimi için kritik öneme sahiptir. Ancak birçok hastanenin düzeni hâlâ hatalar içerebilen ve doğru OR planlamasının bir parçası olamayan manuel olarak girilmiş ameliyat sürelerine dayanmaktadır. Bu tez, cerrahi süreleri daha doğru tahmin etmek için Radyo Frekansı ile Tanımlama (RFID) tabanlı operasyonel verileri kullanan bir makine öğrenimi (ML) çerçevesi önermektedir. Veri seti, pasif RFID etiketlerinin hastaların bileklerine takılarak toplanan, manuel müdahale olmayan otomatik zaman damgaları ile cerrah, anestezist, hasta demografisi ve ameliyat bilgileri gibi ek metaverileri içeren otuz binden fazla ameliyattan oluşmaktadır. Veri ön işleme aşamasında aykırı değer temizliği, kategorik değişkenlerin sayısal olarak kodlanması, frekans temelli kodlamalar ve tarihsel ortalama süre özelliğinin oluşturulması yapılmıştır. Dört adet tahmin modeli—Lineer Regresyon, CART, Random Forest ve XGBoost—MAE, MSE ve RMSE metrikleri kullanılarak eğitilmiş ve değerlendirilmiştir. Lineer Regresyon modeller arasında en sınırlı uygunluğa sahipken (MAE ~65 dakika), doğrusal olmayan modeller cerrahi iş akışlarındaki değişkenliği daha iyi yakalamıştır. CART MAE’yi ~52 dakikaya düşürürken, Random Forest MAE’yi ~46 dakikaya düşürmüş, XGBoost ise ~45 dakika ile en iyi performansı göstermiştir; ancak bu değer özellikle kısa süreli ameliyatlar için yeterince kesin değildir. Son olarak, stratifiye modelleme uygulanmış ve kısa ameliyatlar için ~11 dakika MAE ve genel ortalama olarak ~30 dakika MAE gibi önemli ölçüde daha doğru sonuçlar elde edilmiştir. Bulgular, RFID tabanlı operasyonel verilerle eğitilen ML modellerinin geleneksel tahmin yöntemlerinden daha iyi performans gösterdiğini ve daha güvenilir OR planlaması sağlayabileceğini ortaya koymaktadır. Bu çalışma, otomatik zaman yakalama sistemlerinin değerini vurgulamakta ve RFID verilerinin topluluk metodlarıyla birleştirilmesinin tahmin doğruluğunu artırarak perioperatif süreçlerdeki verimsizlikleri azaltabileceğini göstermektedir.