Kamu Sağlık Kurumlarında Tıbbi İşlem Verileri Üzerinden Yapay Zekâ Destekli ve Risk Tabanlı Bir Denetim Modeli

Abstract

Bu çalışmada, kamu sağlık kurumlarında gerçekleştirilen tıbbi işlemlerin denetimine yönelik yapay zekâ destekli ve risk tabanlı bütünleşik bir analitik model geliştirilmiştir. Araştırmanın temel amacı, yüksek hacimli sağlık verileri üzerinde olağandışı işlem örüntülerini belirleyerek denetim süreçlerinde erken uyarı, risk önceliklendirme ve karar destek mekanizmalarının oluşturulmasına katkı sağlamaktır. Bu doğrultuda, bir Ağız ve Diş Sağlığı Merkezine ait, 2024–2025 dönemini kapsayan ve kimlik bilgileri anonimleştirilmiş toplam 42174 tıbbi işlem kaydı analiz edilmiştir. Modelleme süreci; veri ön işleme, gözetimsiz anomali tespiti, kümeleme analizi ve sınıflandırma aşamalarını içeren çok katmanlı bir yapıda kurgulanmıştır. Anomali tespiti aşamasında İzolasyon Ormanı (Isolation Forest) ve Yerel Uzaklık Faktörü (Local Outlier Factor) algoritmaları kullanılmış; sırasıyla 2109 ve 1745 işlem potansiyel anomali olarak belirlenmiştir. Kümeleme analizlerinde k-Ortalamalar (k-Means) yöntemi veri setini üç anlamlı işlem segmentine ayırırken, Yoğunluk Tabanlı Uzamsal Kümeleme (DBSCAN) yöntemi veri yapısı içerisindeki lokal yoğunluk farklılıklarını ve aykırı kümelenme örüntülerini ortaya koymuştur. Sınıflandırma aşamasında, gözetimsiz öğrenme yöntemleriyle elde edilen risk etiketleri hedef değişken olarak kullanılarak Rastgele Orman (Random Forest) ve Gradyan Artırma (Gradient Boosting) modelleri geliştirilmiştir. Performans değerlendirme sonuçlarına göre Rastgele Orman modeli, AUC=0.999 ve doğruluk oranı=0.992 değerleriyle en yüksek sınıflandırma başarısını göstermiştir. Elde edilen yüksek AUC değeri, modelin normal işlem örüntüleri ile potansiyel riskli işlemleri ayırt etme kapasitesinin oldukça güçlü olduğunu ortaya koymaktadır. Gerçekleştirilen değişken önem analizleri, olağandışı işlem davranışlarının özellikle güvence türü, kronik hastalık bilgisi, işlem kodları ve mali göstergeler ile güçlü ilişkiler taşıdığını göstermiştir. Sonuç olarak geliştirilen yapay zekâ destekli risk tabanlı denetim modeli; kamu sağlık kurumlarında denetim kaynaklarının etkin kullanımı, riskli işlemlerin önceliklendirilmesi ve veri temelli erken uyarı mekanizmalarının oluşturulması açısından uygulanabilir bir karar destek çerçevesi sunmaktadır. Çalışmanın, sağlık denetimi alanında proaktif, analitik ve veri odaklı denetim yaklaşımlarının geliştirilmesine önemli katkılar sağlayacağı değerlendirilmektedir.

Keywords

• kamu sağlık kurumu
• tıbbi veri
• risk tabanlı denetim
• yapay zekâ
• anomali tespiti.

An AI-Driven and Risk-Based Audit Model Based on Medical Procedure Data in Public Health Institutions

Abstract

This study develops an AI-powered, risk-based integrated analytical model for monitoring medical procedures performed in public healthcare institutions. The main objective of the research is to contribute to the creation of early warning, risk prioritization, and decision support mechanisms in monitoring processes by identifying unusual procedure patterns on high-volume healthcare data. To this end, a total of 42174 medical procedure records from a Dental and Oral Health Center, covering the period 2024–2025 and with anonymized identifying information, were analyzed. The modeling process was designed in a multi-layered structure including data preprocessing, unsupervised anomaly detection, clustering analysis, and classification stages. In the anomaly detection stage, the Isolation Forest and Local Outlier Factor algorithms were used; 2109 and 1745 procedures were identified as potential anomalies, respectively. In clustering analyses, the k-Means method divided the dataset into three meaningful transaction segments, while the Density-Based Spatial Clustering (DBSCAN) method revealed local density differences and outlier clustering patterns within the data structure. In the classification phase, Random Forest and Gradient Boosting models were developed using risk labels obtained through unsupervised learning methods as target variables. According to the performance evaluation results, the Random Forest model showed the highest classification success with AUC=0.999 and accuracy rate=0.992. The high AUC value obtained reveals that the model has a very strong capacity to distinguish between normal transaction patterns and potentially risky transactions. Variable significance analyses showed that unusual transaction behaviors have strong relationships, especially with assurance type, chronic disease information, transaction codes, and financial indicators. Consequently, the developed AI-supported risk-based audit model offers a viable decision support framework for the effective use of audit resources in public healthcare institutions, prioritization of risky processes, and the creation of data-driven early warning mechanisms. It is assessed that this study will make significant contributions to the development of proactive, analytical, and data-driven audit approaches in the field of healthcare auditing.

Keywords

• public health institution
• medical data
• risk-based audit
• artificial intelligence
• anomaly detection.

References

1. Albayrak, M. (2022). Türkiye’de sağlık harcamaları ile yolsuzluk arasındaki dinamik ilişkinin ARDL yaklaşımıyla incelenmesi. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (51), 339–355.
2. Arslan Kurtuluş, S. (2021). Sağlık hizmetlerinde kontrol. Cumhuriyet Üniversitesi Fen-Edebiyat Fakültesi Sosyal Bilimler Dergisi, 45(2), 77–100.
3. Bilgin, T. T., & Çamurcu, Y. (2005). DBSCAN, OPTICS ve K-Means kümeleme algoritmalarının uygulamalı karşılaştırılması. Politeknik Dergisi, 8(2), 139–145.
4. Cumhurbaşkanlığı Strateji ve Bütçe Başkanlığı. (2025). 2025 yılı genel bütçeli idareler ekonomik kod icmali ile 2026–2027 gider tahminleri. Ankara, Türkiye.
5. Demir, H., & Kurt, M. E. (2017). Yolsuzluk ve katastrofik sağlık harcamaları. Dicle Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 7(14), 363–384.
6. Dikbaş, Ü., & Ebegil, M. (2025). Makine öğrenmesi ile kentsel kiralık bisiklet verilerinde anomali tespiti: Konya ili örneği. The Journal of International Scientific Researches, 10(3), 496–509.
7. Efe, A., & Tunçbilek, M. (2023). Yapay zekâ algoritmaları ile dönüşen denetim araçları üzerine bir değerlendirme. Denetişim, (27), 72–102.
8. Eşidir, K. A. (2025). Makine öğrenimi modelleri ile yetişkin eğitimi analizi: Modellerin karşılaştırmalı performansı. Elektronik Sosyal Bilimler Dergisi, 24(2), 946–964.

9. Güley, A. Ö., & Bozdemir, E. (2024). Sağlık Bakanlığı döner sermaye işletmeleri Sayıştay denetim raporlarının muhasebesel incelenmesi. Denetişim, (30), 172–187.
10. Gür, Y. E., Eşidir, K. A., & Şimşek, A. İ. (2024). Sağlık istatistiklerinin veri madenciliği teknikleri ile analizi: Makine öğrenmesi algoritmaları kullanılarak genel sağlık durumunun sınıflandırılması. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 24(6), 1364–1381.
11. Karagöz, N., & Yaman, E. (2019). Sağlık kuruluşlarında uygulanan iç denetim ve dış denetimin çalışanlar üzerindeki etkileri. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 5(2), 165–183.
12. Kılınç, S., & Boztosun, D. (2024). Sağlık işletmelerinde medikal muhasebe perspektifinde faturalandırılamayan işlemlere yönelik tahakkuklar. Denetişim, (29), 35–46.
13. Koçak, A., & Ergün, P. M. A. (2023). Sağlıkta veri kalitesi ve veri madenciliği uygulamaları. Disiplinlerarası Yenilik Araştırmaları Dergisi, 3(1), 23–30.
14. Korkmaz, E., & Coşkun, G. (2022). Pandemi döneminde sağlık sektöründe uzaktan iç denetim: Nitel bir araştırma. Hacettepe Sağlık İdaresi Dergisi, 25(4), 761–774.
15. Koyuncugil, A., & Özgülbaş, N. (2010). Veri madenciliği: Tıp ve sağlık hizmetlerinde kullanımı ve uygulamaları. Bilişim Teknolojileri Dergisi, 2(2).
16. Küçük, A. (2023). Sağlık hizmet ödemelerinde usulsüzlük türleri ve mücadele stratejileri. Sayıştay Dergisi, 33(127), 585–607.
17. Liu, F. T., Ting, K. M., & Zhou, Z.-H. (2008). Isolation forest. In Proceedings of the 2008 IEEE International Conference on Data Mining (ICDM) (pp. 413–422). Pisa, Italy.
18. Mandalas, M., & Can, E. N. (2020). Kurumsal risk yönetimi kapsamında risk odaklı iç denetim analizi: Marmara bölgesindeki devlet üniversitelerine yönelik bir araştırma. Denetişim, (20), 78–95.
19. Nazlıoğlu, B. (2020). Sağlık işletmelerinde muhasebe sistemi perspektifinde medikal muhasebe. Ankara Hacı Bayram Veli Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 533–550.
20. Sağlık Bakanlığı Teftiş Kurulu Başkanlığı. (2024). Risk esaslı denetim sistemi koordinatörlüğü yönergesi. Ankara, Türkiye.
21. T.C. Resmî Gazete. (2003). 5018 sayılı kamu malî yönetimi ve kontrol kanunu (No. 25326, 24 Aralık 2003).
22. Türedi, H., Zor, Ü., & Gürbüz, F. (2015). Risk odaklı iç denetim. Muhasebe ve Finansman Dergisi, (66), 1–20.
23. Veranyurt, Ü., Deveci, A., Esen, M. F., & Veranyurt, O. (2020). Makine öğrenmesi teknikleriyle hastalık sınıflandırması: Rastgele Orman, K-Nearest Neighbour ve AdaBoost algoritmaları uygulaması. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 6(2), 275–286.
24. Yarat, S., & Orman, Z. (2023). Elektrik güç dağıtımında akıllı sayaç verileri için anomali tespiti ve tahminleme. Bilgisayar Bilimleri ve Teknolojileri Dergisi, 3(2), 72–85.