Acil serviste kullanılan tıbbi sarf malzemelerinin makine öğrenmesi yöntemleriyle tüketim tahmini: Bir özel hastane örneği

Çulha E., ABDULLAH M., DOĞAN R. S.

Business and Management Studies: An International Journal, cilt.14, sa.3, ss.1572-1586, 2026 (TRDizin)

Özet

Amaç: Bu çalışma, acil serviste kullanılan yüksek tüketimli tıbbi sarf malzemelerinin aylık tüketim miktarlarının makine öğrenmesi yöntemleriyle tahmin edilebilirliğini incelemeyi amaçlamaktadır. Yöntem: Ankara'da özel bir hastanenin 2022–2025 dönemine ait 10 malzemeye ilişkin 480 aylık gözlem kullanılarak altı makine öğrenmesi algoritması, hiperparametre optimizasyonu ile kronolojik ve ay düzeyinde gruplanmış çapraz doğrulama kapsamında karşılaştırılmıştır. En uygun model, yalnızca çapraz doğrulama sonuçlarına dayanan önceden belirlenmiş seçim kuralıyla seçilmiş; final test seti yalnızca bağımsız doğrulamada kullanılmıştır. Hasta başvuru sayısı veri sızıntısını önlemek amacıyla gecikmeli olarak modele alınmıştır. Bulgular: Random Forest en uygun model olarak belirlenmiş (çapraz doğrulama R²=0,792; SS=0,008) ve bağımsız test R² değeri 0,887 bulunmuştur. Değişken çıkarma analizi, hasta başvuru sayısının Random Forest modeline ölçülebilir bir artımlı katkı sağlamadığını; katkının ağırlıklı olarak doğrusal modellerde gözlendiğini göstermiştir. Sonuç: Hasta başvuru yoğunluğu ile toplu tüketim arasında potansiyel bir ilişki bulunmakla birlikte, bu ilişkinin ürün bazındaki ve artımlı katkı analizindeki karşılığı sınırlıdır. Model, toplu bütçeleme ve insan denetimli karar desteğinde kullanılabilir; ancak ürün bazlı otomatik sipariş kararları için tek başına yeterli değildir.
Objective: This study examines whether monthly consumption of high-volume medical consumables in an emergency department can be forecast using machine learning. Method: Six algorithms were compared using 480 monthly observations for 10 items from a private hospital in Ankara (2022–2025). Hyperparameters were tuned through chronological, month-grouped cross-validation. The best-performing model was selected solely from cross-validation results, while the held-out test set was used only for independent validation. Emergency-department visit volume was included in lagged form. Findings: Random Forest was selected as the best-performing model (cross-validation R²=0.792; SD=0.008) and achieved an independent test R² of 0.887. Ablation analysis showed no measurable incremental contribution of visit volume to Random Forest, although positive contributions were observed in linear models. Conclusion: The relationship between visit volume and consumption was limited at the product level. The model may support aggregate budgeting and human-supervised decision-making, but it is not sufficient as a standalone tool for automated product-level ordering.