PREDICTABILITY IN HEALTHCARE FACILITY MANAGEMENT THROUGH A MACHINE LEARNING APPROACH

Creative Commons License

Salkı A. K., Kapısız A.

19th QPS'25 International Congress On Quality in Healthcare Accreditation and Patient Safety, 2nd NPS'25 International Patient Safety in Nursing Services, Antalya, Turkey, 21 - 24 May 2025, vol.1, pp.42, (Summary Text)

  • Publication Type: Conference Paper / Summary Text
  • Volume: 1
  • City: Antalya
  • Country: Turkey
  • Page Numbers: pp.42
  • Gazi University Affiliated: Yes

Abstract

PREDICTABILITY IN HEALTHCARE FACILITY MANAGEMENT THROUGH A MACHINE LEARNING APPROACH SALKI Ali Kemal, Trabzon İl Sağlık Müdürlüğü, Trabzon, TÜRKİYE KAPISIZ Alparslan, Trabzon Fatih Devlet Hastanesi, Trabzon, TÜRKİYE Abstract: Introduction: Energy efficiency and waste management in healthcare facilities are of critical importance in terms of operational sustainability and reducing environmental impacts. In this study, two separate machine learning models were developed to predict electricity consumption and medical waste generation based on daily datasets from a public hospital. Objectives: The aim of this study is to contribute to decision support processes in hospital management by enabling daily-level predictions of electricity consumption (kWh) and medical waste production (kg) based on historical data. Methods: For the electricity consumption model, 30 months of daily electricity consumption data were used. Independent variables included daily weather parameters (temperature, humidity, wind speed, precipitation), and public holiday or weekend indicators. For the medical waste prediction model, 36 months of medical waste data and similar temporal variables including holidays were used as input. In both models, the XGBoost (Extreme Gradient Boosting) algorithm, a decision tree-based method known for high accuracy, was employed. The data underwent cleaning and preprocessing stages, and models were evaluated using train-test splits. Results: The electricity consumption model was evaluated using mean absolute error (MAE), root mean square error (RMSE), and coefficient of determination (R²), with the R² found to be 0.89. For the medical waste model, an R² value of 0.85 was obtained, indicating successful prediction performance. Variable importance analysis revealed that outdoor temperature, holiday status, and date parameters were key influencing factors. Conclusion: Prediction models based on the XGBoost algorithm yielded highly accurate forecasts for both electricity consumption and medical waste production. This study presents an innovative approach to data-driven resource management and sustainability planning in healthcare facilities. In the future, the models are planned to be applied to different hospitals and integrated into real-time systems. Keywords: machine learning, artificial intelligence

MAKİNE ÖĞRENİMİ YAKLAŞIMIYLA SAĞLIK TESİSİ YÖNETİMİNDE ÖNGÖRÜLEBİLİRLİK SALKI Ali Kemal, Trabzon İl Sağlık Müdürlüğü, Trabzon, TÜRKİYE KAPISIZ Alparslan, Trabzon Fatih Devlet Hastanesi, Trabzon, TÜRKİYE Giriş: Sağlık tesislerinde enerji verimliliği ve atık yönetimi, operasyonel sürdürülebilirlik ve çevresel etkilerin azaltılması açısından kritik öneme sahiptir. Bu çalışmada, bir kamu hastanesine ait günlük veri setleri üzerinden, elektrik tüketimi ve tıbbi atık üretiminin tahminine yönelik iki ayrı makine öğrenimi modeli geliştirilmiştir. Amaç: Çalışmanın amacı, geçmiş verilere dayalı olarak elektrik tüketimi (kWh) ve tıbbi atık üretimi (kg) miktarlarının ileriye yönelik günlük düzeyde tahminini sağlayarak, hastane yönetiminde karar destek süreçlerine katkı sunmaktır. Yöntem: Elektrik tüketimi modeli için 30 aylık, günlük elektrik tüketim verileri kullanılmıştır. Bağımsız değişkenler arasında günlük hava durumu parametreleri (sıcaklık, nem, rüzgar hızı, yağış miktarı), hafta sonu veya resmi tatil bilgisi yer almaktadır. Tıbbi atık tahmin modelinde ise 36 aylık tıbbi atık üretim verisi ile benzer şekilde zamansal değişkenler ve tatil bilgileri girdi olarak kullanılmıştır. Her iki modelde de karar ağacı tabanlı, yüksek doğruluk sağlayan XGBoost (Extreme Gradient Boosting) algoritması tercih edilmiştir. Veriler, temizleme ve ön işleme adımlarından geçirilmiş ve modeller, eğitim-test ayrımı yapılarak değerlendirilmiştir. Bulgular: Elektrik tüketimi modeli, ortalama mutlak hata (MAE), kök ortalama kare hata (RMSE) ve determinasyon katsayısı (R²) metrikleri ile test edilmiş ve R² değeri 0.89 olarak bulunmuştur. Tıbbi atık modeli için elde edilen R² değeri ise 0.85 olup, atık miktarının ve enerji tüketiminin tahminlerinde modellerin başarılı olduğunu göstermektedir. Değişken önem sıralaması analizinde dış ortam sıcaklığı, tatil durumu ve tarih parametresi önemli etkenler olarak öne çıkmıştır. Sonuç: XGBoost algoritmasına dayalı tahminleme modelleri ile hem elektrik tüketimi hem de tıbbi atık üretimi için yüksek doğrulukla öngörüler elde edilmiştir. Bu çalışma, sağlık tesislerinde veri temelli kaynak yönetimi ve sürdürülebilirlik planlamaları açısından yenilikçi bir yaklaşım sunmaktadır. Gelecekte, modellerin farklı hastaneler üzerinde uygulanması ve gerçek zamanlı sistemlere entegrasyonu planlanmaktadır. Anahtar Kelimeler: makine öğrenimi, yapay zeka, model, enerji, atık, tahmin