Cilt 14 Sayı 3 (2026): Business & Management Studies: An International Journal
Makaleler

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

PDF
  • Ercan Çulha,
  • Abdullah Mısırlıoğlu,
  • Refika Sultan Doğan
Ercan Çulha
Sivas Cumhuriyet Üniversitesi, Sosyal Bilimler Enstitüsü, Sağlık Kuruluşları Yöneticiliği Doktora Programı, Sivas, Türkiye
Abdullah Mısırlıoğlu
Dr. Öğr. Üyesi, Sivas Cumhuriyet Üniversitesi, Sağlık Bilimleri Fakültesi, Sağlık Yönetimi Bölümü, Sivas, Türkiye
Refika Sultan Doğan
Dr., Abdullah Gül Üniversitesi, Yaşam ve Doğa Bilimleri Fakültesi, Biyomühendislik Bölümü, Kayseri, Türkiye

Yayınlanmış 25.09.2026

Anahtar Kelimeler

  • Tıbbi Sarf Malzeme; Makine Öğrenmesi, Tüketim Tahmini
  • Medical Consumables; Machine Learning, Consumption Forecasting

Nasıl Atıf Yapılır

Acil serviste kullanılan tıbbi sarf malzemelerinin makine öğrenmesi yöntemleriyle tüketim tahmini: Bir özel hastane örneği. (2026). Business & Management Studies: An International Journal, 14(3), 1572-1586. https://doi.org/10.15295/bmij.v14i3.2788

Telif Hakkı (c) 2026 Ercan Çulha- Abdullah Mısırlıoğlu- Refika Sultan Doğan

Creative Commons License

Bu çalışma Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License ile lisanslanmıştır.

Nasıl Atıf Yapılır

Acil serviste kullanılan tıbbi sarf malzemelerinin makine öğrenmesi yöntemleriyle tüketim tahmini: Bir özel hastane örneği. (2026). Business & Management Studies: An International Journal, 14(3), 1572-1586. https://doi.org/10.15295/bmij.v14i3.2788

Öz

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.

PDF

Referanslar

  1. Ali, M. K. M., Rabiu, S., & Ismail, M. T. (2025). Analytical inventory management and optimization: Theories, methods and applications (1st ed.). CRC Press. https://doi.org/10.1201/9781003534860
  2. Altin, F. G., Budak, İ., & Özcan, F. (2023). Predicting the amount of medical waste using kernel-based SVM and deep learning methods for a private hospital in Turkey. Sustainable Chemistry and Pharmacy, 33, Article 101060. https://doi.org/10.1016/j.scp.2023.101060
  3. Asheim, A., Bjørnsen, L. P. B. W., Næss-Pleym, L. E., Uleberg, O., Dale, J., & Nilsen, S. M. (2019). Real-time forecasting of emergency department arrivals using prehospital data. BMC Emergency Medicine, 19, Article 42. https://doi.org/10.1186/s12873-019-0256-z
  4. Ayer, T., White, C. C., & Zhang, C. (2023). Healthcare inventory management. In J. J. Song (Ed.), Research handbook on inventory management (pp. 431–454). Edward Elgar Publishing. https://doi.org/10.4337/9781800377103.00027
  5. Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). ACM. https://doi.org/10.1145/2939672.2939785
  6. Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems (2nd ed.). O’Reilly Media.
  7. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
  8. Hoerl, A. E., & Kennard, R. W. (1970). Ridge regression: Biased estimation for nonorthogonal problems. Technometrics, 12(1), 55–67. https://doi.org/10.1080/00401706.1970.10488634
  9. Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688. https://doi.org/10.1016/j.ijforecast.2006.03.001
  10. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning: With applications in R. Springer. https://doi.org/10.1007/978-1-4614-7138-7
  11. Jones, S. S., Thomas, A., Evans, R. S., Welch, S. J., Haug, P. J., & Snow, G. L. (2008). Forecasting daily patient volumes in the emergency department. Academic Emergency Medicine, 15(2), 159–170. https://doi.org/10.1111/j.1553-2712.2007.00032.x
  12. Khokhar, S. A. (2023). The challenges of inventory management in medical supply chain. South Asian Journal of Operations and Logistics, 2(2), 1–17. https://doi.org/10.57044/SAJOL.2023.2.2.2306
  13. Kuhn, M., & Johnson, K. (2013). Applied predictive modeling. Springer. https://doi.org/10.1007/978-1-4614-6849-3
  14. Landry, S., & Beaulieu, M. (2013). The challenges of hospital supply chain management, from central stores to nursing units. In B. T. Denton (Ed.), Handbook of healthcare operations management: Methods and applications (pp. 465–482). Springer. https://doi.org/10.1007/978-1-4614-5885-2_18
  15. Langabeer, J. R., & Helton, J. (2021). Health care operations management: A systems perspective. Jones & Bartlett Learning.
  16. Leys, C., Ley, C., Klein, O., Bernard, P., & Licata, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. Journal of Experimental Social Psychology, 49(4), 764–766. https://doi.org/10.1016/j.jesp.2013.03.013
  17. Liu, P. (2020). Intermittent demand forecasting for medical consumables with short life cycle using a dynamic neural network during the COVID-19 epidemic. Health Informatics Journal, 26(4), 3106–3122. https://doi.org/10.1177/1460458220954730
  18. Montero-Manso, P., & Hyndman, R. J. (2021). Principles and algorithms for forecasting groups of time series: Locality and globality. International Journal of Forecasting, 37(4), 1632–1653. https://doi.org/10.1016/j.ijforecast.2021.03.004
  19. Saha, E., & Ray, P. K. (2019). Modelling and analysis of inventory management systems in healthcare: A review and reflections. Computers & Industrial Engineering, 137, Article 106051. https://doi.org/10.1016/j.cie.2019.106051
  20. Sayın, H. C. (2016). Envanter yönetimi. In D. Paşaoğlu (Ed.), Depolama & envanter yönetimi (pp. 116–139). Anadolu Üniversitesi Yayınları.
  21. Tuominen, J., Lomio, F., Oksala, N., Palomäki, A., Peltonen, J., Huttunen, H., & Roine, A. (2022). Forecasting daily emergency department arrivals using high-dimensional multivariate data: A feature selection approach. BMC Medical Informatics and Decision Making, 22, Article 134. https://doi.org/10.1186/s12911-022-01878-7
  22. Türkiye İstatistik Kurumu. (2024). Sağlık harcamaları istatistikleri, 2023 [Haber bülteni]. https://data.tuik.gov.tr/Bulten/Index?p=Saglik-Harcamalari-Istatistikleri-2023-53561
  23. Vollmer, M. A., Glampson, B., Mellan, T., Mishra, S., Mercuri, L., Costello, C., Klaber, R., Cooke, G., Flaxman, S., & Bhatt, S. (2021). A unified machine learning approach to time series forecasting applied to demand at emergency departments. BMC Emergency Medicine, 21(1), Article 9. https://doi.org/10.1186/s12873-020-00395-y