Yatarak tedavi gören hastaların ölüm ve doktor tavsiyesine rağmen taburcu edilmelerini tahmin etmek için zaman serisi modellerinin karşılaştırmalı değerlendirmesi

Hastane sayıların neden önemli olduğu

Bir hastaneye girdiğimizde, doktorların ve hemşirelerin bizi güvende tutmak için ellerinden geleni yapacaklarına güveniriz. İşlerin ters gittiğine dair iki uyarı işareti, hastanede kaç hastanın öldüğü ve kaçının doktorların kalmaları yönündeki uyarılarına rağmen ayrıldığıdır. Bu sayıların birkaç ay öncesine kadar tahmin edilebilmesi, hastanelerin sorunları erken tespit etmesine, yeterli personel ve yatak hazırlamasına ve problemler büyümeden önce bakım kalitesini iyileştirmesine yardımcı olabilir.

İki hastane, iki uyarı sinyali

Bu çalışma, Çin’in farklı bölgelerindeki iki büyük sevk hastanesine odaklandı. Araştırmacılar her bir hastanede 2018–2024 döneminde aylık olarak iki temel çıktıyı izledi: yatış sırasında ölen hastalar ve doktor tavsiyesine rağmen erken ayrılanlar (hekim uyarılarına rağmen ayrılmayı seçen hastalar). Bu ölçütler, bakım kalitesi ve sistem baskısının göstergeleri olarak yaygın şekilde kullanılır. Araştırma ekibi, tahminlerin hastane yöneticilerinin gerçekte gördüğü dağınık, gerçek dünya bilgilerini yansıtması için kasıtlı olarak yoğun veri temizliği veya düzeltmelerden kaçındı.

Tahmin araçlarını teste sokmak

Yazarlar, istatistik ve yapay zekâda sıkça tartışılan altı farklı tahmin yöntemini karşılaştırdı. ARIMA ve Grey Model gibi bazıları geleneksel istatistik araçlarıdır. NNETAR ve LSTM gibi diğerleri ise geçmiş verilerden desen öğrenmeye çalışan sinir ağlarını kullanır. Prophet, yıllık döngüler gibi trendleri ve mevsimsel dalgalanmaları modelleyen bir yaklaşımdır. En yeni katılımcı Chronos ise, çok büyük zaman serisi koleksiyonlarından önceden öğrenmiş büyük bir ön eğitimli modeldir ve az ayarlama ile yeni problemlere uygulanabilir. Tüm altı yöntem 2018–2023 verileriyle eğitildi ve ardından 2024’te gerçekte olanı tahmin etmeleri istendi; doğruluk, tahminlerin gerçek aylık sayılardan ne kadar saptığına göre değerlendirildi.

En iyi ne zaman işe yaradı

Her iki hastanede de Chronos, yatış sırasında ölümler için en güvenilir tahminleri verdi. Hataları diğer yaklaşımlardan daha küçüktü ve bu kazançların tesadüfe bağlı olma olasılığı, özellikle popüler bir derin öğrenme modeli olan LSTM ile karşılaştırıldığında, istatistiksel testlerle doğrulandı. Doktor tavsiyesine rağmen taburcular söz konusu olduğunda tablo daha ince ayrımlıydı. Bu tür taburcuların sık ve zaman içinde nispeten istikrarlı olduğu hastanede Chronos yine en iyi performansı gösterdi. Ancak bu taburcuların daha az yaygın ve aylara göre düzensiz dalgalandığı hastanede, daha basit bir sinir ağı olan NNETAR, daha karmaşık modellerden daha doğru tahminler üretti.

Sadelik her zaman ikinci planda değildir

Çalışmadan çıkarılan çarpıcı derslerden biri, karmaşıklığın daha iyi tahmin garantisi olmadığıdır. Teoride güçlü fakat birçok ayarlanabilir bileşeni olan LSTM, burada mevcut nispeten küçük veri setleriyle zorlandı ve sıklıkla aşırı uyum (overfit) göstererek gürültüyü gerçek örüntü yerine yakaladı. Buna kıyasla Chronos, diğer zaman serileri üzerinde ön eğitim sırasında edindiği geniş deneyimden faydalanarak, her hastanenin sadece birkaç yıllık veri sağlaması durumunda bile dayanıklı kalabildi. Aynı zamanda, dalgalı ve düşük hacimli taburcu verilerindeki NNETAR başarısı, bazı durumlarda daha az varsayım yapan hafif modellerin dengesiz, düşük hacimli sinyalleri yönetmede daha iyi olabileceğini gösteriyor.

Bu hastalar ve hastaneler için ne anlama geliyor

Konunun uzmanı olmayanlar için çıkarılacak sonuç basit: daha akıllı tahmin araçları hastanelerin ileriyi görmesine yardımcı olabilir. Verilerinin yapısına uyan modelleri seçerek—istikrarlı göstergeler için Chronos gibi ön eğitimli sistemler ve sayılar az ve düzensiz olduğunda NNETAR gibi daha basit ağlar—hastane yöneticileri artan ölümler veya doktor tavsiyesine rağmen hastaların ani ayrılışları hakkında daha erken uyarılar alabilir. Bu tahminler birer kristal küre değildir, özellikle küçük ve değişken sayılar söz konusu olduğunda, ancak değerli gösterge panelleridir. Bilinçli kullanıldıklarında bakım uygulamalarının daha yakından incelenmesini, personel ve yatak yönetiminde daha çevik kararları ve ortaya çıkan sorunlara daha hızlı yanıtları teşvik ederek nihayetinde hastalar için daha güvenli, daha güvenilir bakım desteklerler.

Atıf: Pang, C., Jiayong, D., Jiang, D. et al. A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice. Sci Rep 16, 6607 (2026). https://doi.org/10.1038/s41598-026-37913-0

Anahtar kelimeler: hastane tahmini, yatarak hasta ölümleri, doktor tavsiyesine rağmen taburcu, zaman serisi modelleri, sağlık hizmeti kalitesi