Kısıtlı veride geri yayılım sinir ağı kullanılarak kısa vadeli hastane maske talebi tahmininin uygulanabilirliği

Krizde maske planlamasının önemi

Yeni bir bulaşıcı hastalık ortaya çıktığında, hastaneler tıbbi maskeler gibi basit ama hayati malzemelerde kıtlığa düşebilir. Çok az maske sipariş etmek doktorları ve hemşireleri korumasız bırakırken, çok fazla sipariş etmek para ve depo alanını bağlar. Bu makale, yalnızca birkaç günlük geçmiş verinin bulunduğu durumlarda bile küçük, veri açısından tutumlu bir bilgisayar modelinin hastanelere yarın için maske ihtiyacına dair daha iyi kısa vadeli tahminlerde bulunmada yardımcı olup olamayacağını sorguluyor.

Hastanedeki maske kullanımını gün gün izlemek

Araştırmacılar, bir salgın döneminde Çin’deki büyük bir hastanedeki maske kullanımını yalnızca 24 gün boyunca incelediler. Her veri noktası, o gün hastanenin tamamı tarafından kullanılan toplam maske sayısıydı; bireysel hastalara dair hiçbir bilgi yoktu. Bu çok kısa kayıt, yöneticilerin hızla hareket etmek zorunda olduğu ancak yol gösterici çok az geçmişe sahip olduğu yeni bir salgının ilk günlerini yansıtıyor. Bu günlerdeki talep keskin biçimde yükselip düştü; hasta yükü, personel davranışı ve kontrol önlemlerindeki değişimler nedeniyle basit doğrusal tahminler güvenilir olmaktan çıktı.

Kısa geçmişi öğrenme problemine dönüştürmek

Bu 24 günlük sayımı bilgisayarın öğrenebileceği bir şeye dönüştürmek için ekip kaydırmalı pencere (sliding window) yaklaşımını kullandı. Ardışık dört günlük maske kullanımını “girdi” olarak gruplayıp modelden beşinci günün maske kullanımını “çıktı” olarak tahmin etmesini istediler. Bu pencereyi zaman çizelgesi boyunca kaydırmak 20 örnek üretti. İlk 17 gün modelleri eğitmek için kullanıldı, son üç gün ise gerçek anlamda görülmemiş gelecek talebi ne kadar iyi tahmin edebileceklerini test etmek için ayrıldı; bu, bir hastanenin böyle bir aracı gerçek zamanlı nasıl kullanacağına benziyor.

Basit bir sinir ağı ile tanıdık yöntemlerin karşılaştırılması

Test edilen ana araç, verilerdeki eğrileri ve düğümleri yakalayabilen mütevazı bir bağlı düğüm yığını olan yüzeysel (shallow) bir geri yayılım sinir ağıydı. Ağ bir gizli katmana sahipti ve tüm değerleri aynı aralığa ölçeklendirmek ve küçük bir doğrulama kümesindeki performans düzelmeyi bıraktığında eğitimi erken durdurma gibi yaygın eğitim yöntemlerini kullandı. Görevi, son dört gündeki maske kullanımı ile bir sonraki gün arasındaki bağı öğrenmekti. Çalışma bu ağı üç standart alternatifle karşılaştırdı: sadece dünkü değeri tekrarlayan naif yöntem, klasik ARIMA zaman serisi modeli ve uzun-kısa dönemli bellek (LSTM) derin öğrenme modeli.

Modeller gerçek maske kullanımını ne kadar izledi

Çok küçük veri kümesine rağmen, yüzeysel sinir ağı hızla yakınsadı ve kararlı tahminler üretti. Gerçek maske sayılarına geri dönüştürüldüğünde, ortalama hatası günlük yaklaşık 415 maske ve karekök ortalama kare hatası yaklaşık 519 maske idi. Bu deneyde bu sonuçlar hem ARIMA hem de LSTM modellerini yendi ve özellikle talepteki ani düşüşler ve sıçramalar sırasında naif “yarın bugündür” tahminine göre açıkça iyileşme sağladı. Tahmin edilen ve gerçek değerleri karşılaştıran kontroller, eğitim ve doğrulama verilerinde güçlü uyum, test günlerinde ise kabul edilebilir ama daha zayıf uyum gösterdi; bu da modelin kısa vadeli eğilimleri izleyebildiğini fakat en ani değişimlerle hâlâ zorlandığını gösteriyor.

Gerçek hastaneler için uyarı ve sonraki adımlar

Yazarlar modellerinin kullanıma hazır bir araçtan ziyade uygulanabilirlik kanıtı olduğunu vurguluyor. Tek bir hastaneden sadece 24 günlük veri ile ağın bu kısa serinin tuhaflıklarını genel kurallar olarak kısmen öğrenme riski gerçektir ve bazı aşırı uyum (overfitting) işaretleri mevcuttu. Yine de çalışma, veriler kıt olduğunda basit bir sinir ağının birkaç yaygın alternatife göre daha kullanışlı kısa vadeli rehberlik sağlayabileceğini gösteriyor. Hastane planlayıcıları için bu, hafif modellerin salgının erken aşamalarında maske stoklarını yönetmek için hızlı, geçici yardımcılar olarak hizmet edebileceğini; daha sonra daha uzun ve zengin veriler ile birden çok hastaneden gelen veri sağlandıkça bu modellerin değiştirilmesi veya rafine edilmesi gerektiğini öneriyor.

Atıf: Wang, Y., Han, Y., Wang, S. et al. Feasibility of short-term hospital mask demand forecasting using a backpropagation neural network under data scarcity. Sci Rep 16, 14904 (2026). https://doi.org/10.1038/s41598-026-44754-4

Anahtar kelimeler: hastane malzemeleri, maske talebi, sinir ağı, epidemi planlaması, zaman serisi tahmini