Grouping the departments providing outpatient services in Pamukkale University Hospitals according to patient characteristics by using cluster analysis method

Abstract

Purpose: In recent years, the multidisciplinary approach services expected from tertiary hospitals in the health
sector for diagnosis and treatment have been increasing. This situation requires applying to more than one unit in
hospitals, which causes patients to lose excessive time in reaching the result and delays in diagnosis / treatment.
One of the first and easy ways to shorten this process is to position similar and collaborative departments close
to each other. In this study, it is aimed to reveal the hospital departments that show differences and similarities in
Pamukkale University Hospitals according to patient groups, diagnoses and types of procedures, and to define
solution proposals according to their identified needs.
Materials and methods: The study was carried out on a total of 717,771 patients who came to the hospital in
2019 with the cluster analysis method. A total of 9 cluster information was obtained by using 9 different variables
(number of patients, average age, ratio of cancer patients, ratio of blue card patients, ratio of patients included in the diagnosis group of musculoskeletal and connective tissue diseases, ratio of patients included in the
diagnosis group of circulatory system diseases, ratio of patients included in the diagnosis group of genitourinary
system diseases, patients who went to laboratory examination rate and rate of patients going to radiological
imaging) belonging to 29 departments.
Results: Nine clusters according to variables (Cluster 1 Endocrinology, Internal Medicine, Rheumatology,
Hematology; Cluster 2 Cardiovascular Surgery, Cardiology; Cluster 3 Urology, Nephrology; Cluster 4
Neurosurgery, Physical Medicine and Rehabilitation, Orthopedics; Cluster 5 Pediatric Surgery, Pediatrics, General
Surgery, Obstetrics and Gynecology, Cluster 6 Interventional Radiology, Medical Genetics, Ophthalmology,
Otolaryngology, Plastic Surgery; Cluster 7 Chest Diseases, Thoracic Surgery; Cluster 8 Infectious Diseases,
Gastroenterology, Family Medicine, Dermatology, Neurology; Cluster 9 Radiation Oncology, Medical Oncology)
were obtained, and it was observed that 8 other clusters, except for Cluster 3, were fully or partially compatible
with the existing hospital layout.
According to the results, only one of the four clusters with high patient numbers is currently located near the
entrance. In the other three clusters, it is observed that some of the cluster elements are placed on the lower
or upper floor in order to balance the number of patients, and this can be interpreted as making the analysis
results suitable for the architectural structure. In the current practice, deficiencies have been identified in the
settlements of clusters where cancer patients and pediatric patients are concentrated.
Conclusion: It has been determined that the existing physical settlement is in good agreement with the analysis
results, although not completely. Considering the limitations stated, there is no obstacle to using the findings as
decision support data in other regional or university hospitals.

Keywords

• Data mining
• patient profile
• cluster analysis
• healthcare management
• outpatient location

Kümeleme analiz yöntemi kullanılarak Pamukkale Üniversitesi Hastaneleri'nde poliklinik hizmeti veren bölümlerin hasta özelliklerine göre gruplanması

Öz

Amaç: Son yıllarda sağlık sektöründe üçüncü basamak hastanelerden tanı ve tedaviye yönelik beklenen
multidisipliner yaklaşım hizmetleri giderek artmaktadır. Bu durum hastanelerde birden fazla birime müracaat
gerektirmekte, bu da hastaların sonuca ulaşmada aşırı zaman kaybetmelerine ve tanı/tedavilerde gecikmelere
neden olmaktadır. Bu sürecin kısaltılmasının ilk ve kolay yöntemlerinden birisi benzerlik gösteren ve iş birliği
gerektiren bölümlerin birbirlerine yakın konumlandırılmasıdır.
Bu çalışmada Pamukkale Üniversitesi Hastanelerinde hasta gruplarına, tanılara ve işlem türlerine göre farklılık
ve benzerlik gösteren hastane bölümlerinin ortaya konulması, belirlenen ihtiyaçlarına göre de çözüm önerilerinin
tanımlanması amaçlanmıştır.
Gereç ve yöntem: Çalışma kümeleme analizi yöntemiyle 2019 yılında hastaneye gelmiş olan toplam 717.771
hasta üzerinden gerçekleştirilmiştir. Yirmi dokuz bölüme ait 9 farklı değişken (hasta sayısı, ortalama yaş, kanser
hastaları oranı, mavi kart hasta oranı, kas iskelet sistemi ve bağ dokusu hastalıkları tanı grubuna dâhil hasta
oranı, dolaşım sistemi hastalıkları tanı grubuna dâhil hasta oranı, genitoüriner sistem hastalıkları tanı grubuna
dâhil hasta oranı, laboratuvar incelemesine giden hasta oranı ve radyolojik görüntülemeye giden hasta oranı)
bilgisi kullanılarak toplam 9 adet küme bilgisi elde edilmiştir.
Bulgular: Değişkenlere göre dokuz küme (Küme 1 Endokrinoloji, İç Hastalıkları, Romatoloji, Hematoloji; Küme
2 Kalp Damar Cerrahisi, Kardiyoloji; Küme 3 Üroloji, Nefroloji; Küme 4 Beyin Cerrahi, Fizik Tedavi, Ortopedi;
Küme 5 Çocuk Cerrahi, Çocuk Hastalıkları, Genel Cerrahi, Kadın Doğum; Küme 6 Girişimsel Radyoloji, Tıbbi
Genetik, Göz Hastalıkları, Kulak Burun Boğaz, Plastik Cerrahi; Küme 7 Göğüs Hastalıkları, Göğüs Cerrahi; Küme
8 Enfeksiyon Hastalıkları, Gastroenteroloji, Aile Hekimliği, Dermatoloji, Nöroloji; Küme 9 Radyasyon Onkolojisi,
Tıbbi Onkoloji) elde edilmiş olup, Küme 3 haricinde diğer 8 kümenin mevcut hastane düzenine tamamen veya
kısmen uyumlu olduğu görülmüştür.
Sonuçlara göre hasta sayısı yüksek olan dört kümeden sadece biri mevcut durumda hastane girişine yakın
lokasyonda bulunmaktadır. Diğer üç kümede ise hasta sayısının dengelenmesi amacıyla, küme elemanlarından
bazılarına bir alt veya üst katta yer aldığı gözlenmektedir. Bu durum elde edilen analiz sonuçlarının mimari
yapıya uygun hale getirilmesi şeklinde yorumlanabilir. Mevcut uygulamada, kanser tanılı ve çocuk hastaların
yoğun bulunduğu kümelere karşılık gelen yerleşimlerde eksiklikler tespit edilmiştir.
Sonuç: Mevcut fiziksel yerleşimin analiz sonuçlarıyla tam olarak olmasa da büyük ölçüde uyum gösterdiği
belirlenmiştir. Elde edilen bulguların belirtilen sınırlılıklar göz önünde bulundurularak diğer bölge veya üniversite
hastanelerinde karar-destek verisi olarak kullanılmasının faydalı olacağını düşünmekteyiz.

Anahtar Kelimeler

• Veri madenciliği
• hasta profili
• kümeleme analizi
• sağlık yönetimi
• poliklinik yerleşimi

References

1. 1. İleri Y. Sağlık kurumlarında yönetimsel etkinlik ve yerleşim planının önemi. Konya: Eğitim Yayınevi, 2018.
2. 2. Türkmen NA. Hastane iş akış ve yerleşim değerlendirmesi. Yüksek Lisans Tezi. Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Adana, 2007.
3. 3. Uysal FN, Ersöz T, Ersöz F. Türkiye’deki illerin yaşam endeksinin çok değişkenli istatistik yöntemlerle incelenmesi. EBD 2017;9:49-65.
4. 4. Tekin B. Covıd-19 pandemisi döneminde ülkelerin covid-19, sağlık ve finansal göstergeler bağlamında sınıflandırılması: hiyerarşik kümeleme analizi. FESA Dergisi 2020;5:336-349. https://doi.org/10.29106/fes a.738322
5. 5. Yaz HF. Çok değişkenli istatistiksel yöntemlerden kümeleme analizi; spss ile bir uygulama. Available at: https://www.acade mia.edu/7276743/çok_değişkenli_istatistiksel_yöntemlerden_kümeleme_analizi_spss_ile_bir_uygulama. Erişim tarihi 08 Nisan 2021.
6. 6. Kalaycı Ş. Spss uygulamalı çok değişkenli istatistik teknikleri. 5 th ed. Ankara: Asil Yayın Dağıtım, 2010.
7. 7. Çelik Ş. Kümeleme analizi ile sağlık göstergelerine göre türkiye’deki illerin sınıflandırılması. Doğuş Üniversitesi Dergisi 2013;14:175-194.
8. 8. Haşıloğlu SB. Algı haritalarının değerlendirilmesi için kümeleme algoritmalarına dayalı yeni bir model geliştirilmesi. Yüksek Lisans Tezi. Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Denizli, 2017.

9. 9. Sonğur C. Sağlık göstergelerine göre ekonomik kalkınma ve işbirliği örgütü ülkelerinin kümeleme analizi. SGD 2016;6:197-224.
10. 10. Öz B, Taban S, Kar M. Kümeleme analizi ile türkiye ve ab ülkelerinin beşeri sermaye göstergeleri açısından karşılaştırılması. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi 2008;30.
11. 11. Kokoç M. Acil servis yerleşim planlamasında veri madenciliği yaklaşımı: kırıkkale üniversitesi tıp fakültesi hastanesi’nde bir uygulama. Yüksek Lisans Tezi. Kırıkkale Üniversitesi Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, Kırıkkale, 2017.
12. 12. Çetik MO, Oğulata SN. Hastane hizmet birimleri arasında iş akışının ergonomik açıdan düzenlenmesi. Standart Ekonomik ve Teknik Dergi 2002;41:28-35.
13. 13. Alptekin N. Health indicators by using fuzzy clustering analysis. IJSR 2014;4:68-74.
14. 14. Tekin B. Temel sağlık göstergeleri açısından türkiye’deki illerin gruplandırılması: bir kümeleme analizi uygulaması. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi 2015;5:389-416.
15. 15. Bjertnaes O, Skudal KE, Iversen HH. Classification of patients based on their evaluation of hospital outcomes: cluster analysis following a national survey in norway. BMC Health Services Research 2013;13:1-8.
16. 16. Bircan H, Çam S. Veri madenciliğinde kümeleme analizi ve sağlık sektöründe bir uygulaması. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi 2016;17:85-96.
17. 17. Öz S, Karagöz R, Altındiş S, Aslan FG, Atasoy AR, Şimşir İ, İnci MB. (2019). Icd-10 tanı kodlama sistemine aile hekimlerinin bakışı. Kocaeli Üniversitesi Sağlık Bilimleri Dergisi 2019;5:1-4. https://doi.org/10.30934/kusbed. 444479
18. 18. Sağlık Bakanlığı. Icd-10-trm hastalık ve sağlık girişimi sınıflandırma sistemleri geliştirilmesi. Available at: https://shgmsgudb.saglik.gov.tr/ tr,6220/icd-10-trm-hastalik-ve-saglik-girisimi-siniflandirma-sistemleri-gelistirilmesi.html. Erişim tarihi 01 Ekim 2021.
19. 19. Özer A, Öztürk M, Kaya A. İşletmelerde etkinlik ve performans ölçmede vza, kümeleme ve topsis analizlerinin kullanımı: imkb işletmeleri üzerine bir uygulama. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi 2010;14:233-260.
20. 20. Gençoğlu P. Türkiye’de illerin gelişmişlik düzeyi dikkate alınarak sağlık hizmetlerinin kümeleme analizi aracılığıyla değerlendirilme si. ERÜ İİBFD 2018;52:301-324. https://doi. org/10.18070/erciyesiibd.323409
21. 21. Koh HC, Tan G. Data mining applications in healthcare. JHIM 2011;19:64-72.