ESTIMATION OF INCOME OBTAINED BY TREE ALGORITHMS USING DRUG SALES DATA

Öz

Drugs, which play a key role in improving people's deteriorating health balance, are now increasingly being purchased. It is important to know the buying behavior of these drugs. The aim of this study is to predict subsequent situations using data for drug purchase in a region. In this way, the storage status of drugs can be controlled through the types of drugs consumed locally. In this study one year 108525 Total pharmaceutical sales data between a pharmacy in Turkey in March 2019 with the month of May 2018 were analyzed. In this context, sales amounts were tried to be estimated according to patient types, drug writing institution and drug group. In the estimations made with the Weka program, the tree algorithms DecisionStump, M5P, RandomForest, RandomTree and REPTree were used. The mean absolute error, root mean squared error and correlation coefficient values ​​of these algorithms were compared to find the most successful estimation model. While the purchase amount was estimated according to the drug group and the purchase amounts according to the patient types, the correlation coefficients of 0,53 and 0,58 were very low and a successful estimate was not obtained. However, high successful estimates were obtained with a correlation coefficient of 0,83 obtained from the drug issuing institution.

Anahtar Kelimeler

• Drug Prediction,Tree Algorithms,Data Mining

İlaç Satış Verileri Kullanılarak Ağaç Algoritmaları İle Elde Edilen Gelirin Tahmin Edilmesi

Öz

İnsanların bozulan sağlık dengelerinin iyileştirilmesinde kilit rolleri bulunan ilaçlar, günümüzde artan bir oranda satın alınmaktadır. Bu ilaçlara yönelik satın alınma davranışlarının bilinmesi önemlidir. Bu çalışmanın amacı, bir bölgedeki ilaç satın alımına yönelik veriler kullanılarak sonraki durumların tahminlenmesini sağlamaktır. Bu sayede bölgesel olarak tüketilen ilaç türleri üzerinden ilaçların depolanma durumları da kontrol altına alınabilir. Bu çalışmada Türkiye’deki bir eczanenin 2018 Mayıs ayı ile 2019 Mart ayı arasındaki bir yıllık 108.525 adet ilaç satış verileri analiz edilmiştir. Bu kapsamda hasta türlerine, ilaç yazan kuruma ve ilaç grubuna göre satış tutarları tahmin edilmeye çalışılmıştır. Weka programı ile yapılan tahminlerde ağaç algoritmalarından olan DecisionStump, M5P, RandomForest, RandomTree ve REPTree kullanılmıştır. Bu algoritmaların ortalama mutlak hata, hata karelerinin karekökü ve korelasyon katsayısı değerleri karşılaştırılarak en başarılı tahmin modeli bulunmaya çalışılmıştır. İlaç grubuna göre satın alma tutarı ile hasta türlerine göre satın alma tutarları tahmin edilirken 0,53 ve 0,58 korelasyon katsayıları çok düşük çıkmış ve başarılı bir tahmin elde edilememiştir. Fakat ilaç yazan kurumdan elde edilen satın alma tutarları 0,83 korelasyon katsayısı ile yüksek başarılı tahminler elde edilmiştir.

Anahtar Kelimeler

• İlaç Tahmin,Ağaç Algoritmaları,Veri Madenciliği

Kaynakça

1. Albayrak, A. S. ve Yılmaz, Ş. K. (2009). Veri Madenciliği: Karar Ağaç Algoritmaları ve İMKB Verileri Üzerine Bir Uygulama. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14(1), 31-52.
2. Angamo, M. T., Wabe, N. T. ve Raju, N. J. (2011). Assessment of Patterns of Drug Use by Using World Health Organization's Prescribing, Patient Care and Health Facility İndicators in Selected Health Facilities in Southwest Ethiopia. Journal of Applied Pharmaceutical Science, 1(7), 62-66.
3. Arinaminpathy, N., Batra, D., Khaparde, S., Vualnam, T., Maheshwari, N., Sharma, L., Nair, S., A. ve Dewan, P. (2016). The number of privately treated tuberculosis cases in India: an estimation from drug sales data. The Lancet Infectious Diseases, 16(11), 1255-1260.
4. Aydemir, E. (2018). Weka ile Yapay Zekâ. Seçkin Yayınevi. Ankara
5. Barutçu, İ. A., Tengilimoğlu, D. ve Naldöken, Ü. (2017). Vatandaşların akılcı ilaç kullanımı, bilgi ve tutum değerlendirmesi: Ankara ili metropol ilçeler örneği. Gazi Universitesi Iktisadi ve Idari Bilimler Fakultesi Dergisi, 19(3), 1062.
6. Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.
7. Chien, C. F. ve Chen, L. F. (2008). Data Mining to Improve Personnel Selection and Enhance Human Capital: A Case Study in High-Technology Industry. Expert Systems with Applications, 34 (1), 280-290.
8. Fan, W., Wang, H., Yu, P. S. ve Ma, S. (2003, November). Is random model better? on its accuracy and efficiency. In Third IEEE International Conference on Data Mining (pp. 51-58). IEEE.

9. Gargano, M. L. ve Raggad, B. G. (1999). Data mining-a powerful information creating tool. OCLC Systems & Services: International digital library perspectives, 15(2), 81-90.
10. Hay, J. W., Smeeding, J., Carroll, N. V., Drummond, M., Garrison, L. P., Mansley, E. C. ve Shi, L. (2010). Good research practices for measuring drug costs in cost effectiveness analyses: issues and recommendations: the ISPOR Drug Cost Task Force Report—part I. Value in Health, 13(1), 3-7.
11. İlaç Endüstrisi İşverenler Sendikası (2019). Temel Göstergeler: Türkiye İlaç Pazarı. Erişim Temmuz 2019 < http://www.ieis.org.tr/ieis/tr/indicators/33/turkiye-ilac-pazari>.
12. Mollahaliloğlu, S., Alkan, A., Özgülcü, Ş., Öncül, H. G. ve Akıcı, A. (2011). Hekimlerin Akılcı Reçeteleme Yaklaşımı. T.C. Sağlık Bakanlığı, Refik Saydam Hıfzıssıhha Merkezi Başkanlığı Hıfzıssıhha Mektebi Müdürlüğü, Ankara.
13. Onan, A. (2015). Şirket iflaslarının tahmin edilmesinde karar ağacı algoritmalarının karşılaştırmalı başarım analizi. Bilişim Teknolojileri Dergisi, 8(1), 9-19.
14. Öztürk, E. (2012). Görüntü sıkıştırma yöntemlerinin etkinliğini arttıran dönüşüm ve bölümlendirme işlemleri (Master's thesis, Trakya Üniversitesi Fen Bilimleri Enstitüsü).
15. Pirinçci, E. ve Bozan, T. (2016). Bir Üniversite Hastanesinde Çalışan Hemşirelerin Akılcı İlaç Kullanım Durumları. Fırat Tıp Dergisi, 21(3).
16. Şantaş, F. ve Demirgil, B. (2017). Akılcı İlaç Kullanımına İlişkin Bir Araştırma. İşletme Bilimi Dergisi, 5(1), 35-48.
17. Van Boeckel, T. P., Gandra, S., Ashok, A., Caudron, Q., Grenfell, B. T., Levin, S. A. ve Laxminarayan, R. (2014). Global antibiotic consumption 2000 to 2010: an analysis of national pharmaceutical sales data. The Lancet Infectious Diseases, 14(8), 742-750.
18. Witten, I. H. ve Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, 2. Baskı, San Elsevier, Francisco.
19. Zhao, Y. ve Zhang, Y. (2008). Comparison of decision tree methods for finding active objects. Advances in Space Research, 41(12), 1955-1959.