MACHINE LEARNING MODELS FOR INPATIENT FALL PREDICTION: A RETROSPECTIVE STUDY USING ELECTRONIC HEALTH RECORD DATA IN TÜRKİYE
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Fen Bilimleri Enstitüsü, İstatistik Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: VEYSEL KARANİ BARIŞ
Danışman: Burcu Hüdaverdi
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Hastanelerde en sık görülen advers olaylardan birisi hasta düşmeleridir ve bu durum önemli fiziksel, psikolojik ve ekonomik sonuçlara yol açmaktadır. Bu çalışmanın amacı, Türkiye'deki bir üniversite hastanesindeki hasta düşmelerini öngörmek için elektronik sağlık kayıtları verilerine dayalı makine öğrenimi modelleri geliştirmek ve doğrulamaktır. Retrospektif olgu-kontrol araştırmasına 2017–2023 yılları arasında hastanede yatan 3.639 yetişkin hasta dahil edilmiştir (518 düşen hasta ve 3.121 düşmeyen hasta). Tahmin değişkenleri, literatür ve klinik uzmanlık ışığında seçilmiş olup demografik veriler, Charlson Komorbidite İndeksi, düşme riski yüksek ilaç kullanımı ve laboratuvar değerlerini kapsamaktadır. Sınıf dengesizliği (düşenler = %14,2) SMOTE-NC yöntemiyle düzeltilmiştir. Yedi yöntem test edilmiştir: Destek Vektör Makineleri, Rastgele Orman, XGBoost, Lojistik Regresyon, Karar Ağacı, Yapay Sinir Ağı ve Rastgele Orman Kantitatif Sınıflandırıcısı (RFQ). Modeller arasında RFQ en yüksek performansı göstermiştir (AUC: 0,863; doğruluk: 0,863; duyarlılık: 0,806; özgüllük: 0,805) ve hem SMOTE-NC tabanlı modellerden hem de geleneksel Rastgele Orman algoritmasından daha iyi sonuç vermiştir. Diğer yöntemler daha düşük ayırt edicilik göstermiştir (AUC: 0,543–0,784). Özellik önemlilik analizinde en güçlü öngördürücüler Charlson Komorbidite İndeksi, eozinofil sayısı, yaş ve yüksek riskli ilaç sayısı olarak belirlenmiş; bazofil sayısı, sodyum, kan-üre-azotu ve kırmızı-kan-hücresi sayısı da ek katkı sağlamıştır. Bu çalışma, RFQ'nun yatan hasta düşmelerinin öngörülmesinde ilk uygulamasını ortaya koyarak geleneksel yeniden örnekleme yaklaşımlarına güçlü bir alternatif sunmaktadır. Rutin olarak mevcut elektronik sağlık verilerinden yararlanılması sayesinde RFQ, hem ölçeklenebilir hem de hemşire iş yükünü artırmadan otomatik risk değerlendirmesi yapılmasına imkân tanımaktadır. Böyle ML modellerinin hastane sistemlerine entegrasyonu, yüksek riskli hastaların erken tanımlanmasını kolaylaştırabilir ve hasta güvenliği girişimlerini güçlendirebilir.