Hastane Operasyon Yönetiminde Dijital İkiz Yazılım Seçimi

Öz

Artan hasta yükü, sınırlı kaynaklar ve operasyonel karmaşıklık gibi zorluklar, sağlık sektöründe dijital dönüşüm ihtiyacını artırmış ve dijital ikiz çözümlerini stratejik bir araç haline getirmiştir. Dijital ikiz teknolojisi, fiziksel hastane sistemlerinin dinamik dijital kopyalarını oluşturarak gerçek zamanlı veri analizi, senaryo simülasyonları ve performans izleme imkânı sunmakta; böylece yöneticilere süreç iyileştirme ve daha etkin karar verme olanağı sağlamaktadır. Bu çalışma, hastane operasyon yönetiminde dijital ikiz teknolojisinin etkin kullanımını sağlamak amacıyla en uygun yazılım alternatifinin belirlenmesini amaçlamaktadır. Bu kapsamda, yazılım seçimi için teknik, ekonomik ve kullanıcı odaklı toplam yedi kriter belirlenmiş ve Yazılım 1, Yazılım 2, Yazılım 3 ve Yazılım 4 alternatif yazılımlar olarak değerlendirilmiştir. Kriter ağırlıkları Analitik Hiyerarşi Süreci (AHP) yöntemiyle hesaplanmış ve Gerçek Zamanlı Veri İşleme Yeteneği en önemli kriter olarak öne çıkmıştır. Ardından, TOPSIS ve PROMETHEE yöntemi uygulanarak alternatifler performanslarına göre sıralanmış ve en uygun yazılım alternatifi belirlenmiştir. Çalışma, hastane yöneticilerine sistematik ve bilimsel temelli bir karar modeli sunarak operasyonel verimlilik, hasta akışı yönetimi ve kaynak kullanımının optimize edilmesine katkı sağlamayı hedeflemektedir. Ayrıca önerilen model, sağlık sektöründe benzer teknoloji seçim problemlerine uygulanabilir niteliktedir.

Anahtar Kelimeler

• Dijital İkiz
• Hastane Operasyon Yönetimi
• AHP–TOPSIS
• Yazılım Seçimi
• PROMETHEE

Digital Twin Software Selection In Hospital Operations Management

Öz

Increasing patient load, limited resources, and operational complexity have intensified the need for digital transformation in the healthcare sector and made digital twin solutions a strategic tool. Digital twin technology creates dynamic digital replicas of physical hospital systems, enabling real-time data analysis, scenario simulations, and performance monitoring, thereby supporting more effective managerial decision-making and process improvement. This study aims to determine the most suitable software alternative to ensure the effective use of digital twin technology in hospital operations management. In this context, a total of seven technical, economic, and user-oriented criteria were defined, and Software 1, Software 2, Software 3, and Software 4 were evaluated as alternative software solutions. The criteria weights were calculated using the Analytical Hierarchy Process (AHP), and Real-Time Data Processing Capability emerged as the most important criterion. Subsequently, the alternatives were ranked using the TOPSIS and PROMETHEE method, and the most suitable software alternative was determined. The study aims to provide hospital managers with a systematic and scientifically grounded decision-making model to optimize operational efficiency, patient flow management, and resource utilization. Furthermore, the proposed model can be adapted to similar technology selection problems in the healthcare sector.

Anahtar Kelimeler

• Digital Twin
• Hospital Operations Management
• AHP–TOPSIS
• Software Selection
• PROMETHEE

Kaynakça

1. Huang, Y., & Zhang, L. (2024). Operational challenges in healthcare: A review of increasing patient load and resource optimization. Healthcare Management Review, 49(2), 145–159. https://doi.org/10.1097/HMR.0000000000000345
2. Shanthababu, V. (2024). Enhancing ICU management using digital twin technology. International Journal of Healthcare Technology and Management, 23(1), 45–58. https://doi.org/10.1504/IJHTM.2024.10047076
3. Pandian, R. (2024). Application of digital twin technology for surgical risk assessment in hospitals. Journal of Clinical Engineering, 49(1), 12–20. https://doi.org/10.1097/JCE.0000000000000183
4. Fuller, A., Fan, Z., Day, C., & Barlow, C. (2020). Digital twin: Enabling technologies, challenges and open research. IEEE Access, 8, 108952–108971. https://doi.org/10.1109/ACCESS.2020.2998358
5. Panch, T., Mattie, H., & Celi, L. A. (2019). The “inconvenient truth” about AI in healthcare. NPJ Digital Medicine, 2, 77. https://doi.org/10.1038/s41746-019-0155-4
6. Lee, S., Kim, J., & Park, H. (2019). Software selection for healthcare digital twins using AHP and TOPSIS. Journal of Medical Systems, 43(5), 123. https://doi.org/10.1007/s10916-019-1234-x
7. Ishizaka, A., & Nemery, P. (2013). Multi-criteria decision analysis: Methods and software. Wiley.
8. Saaty, T. L. (1980). The analytic hierarchy process. McGraw-Hill.

9. Hwang, C.-L., & Yoon, K. (1981). Multiple attribute decision making: Methods and applications. Springer-Verlag.
10. Singh, A., Kumar, P., & Gupta, V. (2022). Multi-criteria decision making for digital twin software selection in healthcare. IEEE Transactions on Engineering Management, 69(3), 1234–1245. https://doi.org/10.1109/TEM.2021.3098745
11. Tao, F., Zhang, H., Liu, A., & Nee, A. Y. C. (2021). Digital twin driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing, 67, 102080. https://doi.org/10.1016/j.rcim.2020.102080
12. Glatt, M., et al. (2020). Modeling and implementation of a digital twin of material flows based on physics simulation. Journal of Manufacturing Systems, 1–15.
13. Gopinath, V., Srija, A., & Sravanthi, C. N. (2019). Re-design of smart homes with digital twins. Journal of Physics: Conference Series (Vol. 1, pp. 1–9). IOP Publishing.
14. Bal, A., Gevrek, H., & Demir, S. (2022). Kitlesel imalat sistemlerinde dijital ikiz kullanılarak Gerçek zamanlı üretim çizelgeleme ve tekstil sektöründe bir uygulama. International Journal of Advances in Engineering and Pure Sciences, 34(2), 328–336. https://doi.org/10.7240/jeps.1068970
15. Koçak, A., & Yıldız, A. (2022). Üretim planlama ve kontrol süreçlerinde dijital ikiz teknolojisinin kullanılması: Tekstil sektöründe bir uygulama. Gazi Üniversitesi Fen Bilimleri Dergisi Part C, 10(4), 711–732. https://doi.org/10.29109/gujsc.1170021
16. Yıkıcı, A. (2023). Dijital ikiz şehir fenomeni: Dünyadan örnekler ve Türkiye’deki yönelimler. Kent Akademisi, 16(1), 138–163. https://doi.org/10.35674/kent.1195553
17. Özsezer, G., & Mermer, G. (2024). Sağlık hizmetlerinde çığır açan uygulamalar: İnsan dijital ikizi ile geleceğe yolculuk. Bandırma Onyedi Eylül Üniversitesi Sağlık Bilimleri ve Araştırmaları Dergisi, 6(3), 648–665. https://doi.org/10.46413/boneyusbad.1440963
18. Cesur, E., Cesur, R., & Aydoğan, B. N. (2023). CNC tezgahlarının dijital ikiz modeli ile komut tamamlanma sürelerinin tahmin edilmesi. International Journal of 3D Printing Technologies and Digital Industry, 7(2), 303–321. https://doi.org/10.46519/ij3dptdi.1215353
19. Karaca, Ş., & Özkan Önem, E. (2023). Dijital ikiz teknolojisinin turizm sektöründe kullanım alanları ve etkileri. Kayseri Üniversitesi Sosyal Bilimler Dergisi, 5(2), 158–168. https://doi.org/10.51177/kayusosder.1374880
20. Alptekin, G., & Türkmen, D. (2023). Dijital ikiz üzerine yapılan araştırmaların dergi yayınlarındaki eğilimlerinin görselleştirilmesi. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 9(2), 1–30. https://doi.org/10.51948/auad.1309385
21. Ölmez, M. (2025). Yerel sürdürülebilirlikte dijital ikiz teknolojisi ve doğal afetleri önlemede etkisi: Japonya örneği. İşletme, 6(1), 103–127. https://doi.org/10.57116/isletme.1645771
22. Alay, D. (2024). Kişiselleştirilmiş tıp için dijital ikiz: Sistematik derleme. Sağlık Profesyonelleri Araştırma Dergisi, 6(1), 28–43. https://doi.org/10.57224/jhpr.1342561
23. Göçen, S. (2020). Açık ve uzaktan öğrenmede dijital ikiz teknolojisinin kullanımına ilişkin bir değerlendirme. Açıköğretim Uygulamaları ve Araştırmaları Dergisi, 6(4), 155–173.
24. Aynacı, İ. (2020). Dijital ikiz ve sağlık uygulamaları. İzmir Katip Çelebi Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(1), 70–79.
25. Ceylan, E. Z. (2019). Dijital ikizler ve inşaat sektöründeki yeri. Yapı Bilgi Modellemesi, 1(2), 53–61.
26. Kumaş, E., & Erol, S. (2021). Endüstri 4.0’da anahtar teknoloji olarak dijital ikizler. Politeknik Dergisi, 24(2), 691–701.
27. Nacak, A. (2024). Havacılık alanında dijital ikiz uygulamaları. Journal of Aerospace Science and Management, 2(1), 58–80.
28. Özen, A., & Gürel, F. N. (2020). Kamu denetiminde dijital dönüşüm: Dijital ikiz yöntemi. İzmir Sosyal Bilimler Dergisi, 2(1), 16–23.
29. Turan, R. A. (2013). Hastanelerde yöneylem araştırması: Kent Hastanesi ameliyathane ve yatak optimizasyonu uygulaması (Yüksek lisans tezi, Dokuz Eylül Üniversitesi).
30. Guo, D., et al. (2020). Digital twin-enabled graduation intelligent manufacturing system for fixed-position assembly islands. Robotics and Computer-Integrated Manufacturing, 63, 101917.
31. Josifovska, K., Yigitbas, E., & Engels, G. (2019). A digital twin-based multi-modal UI adaptation framework for assistance systems in Industry 4.0. In HCI International 2019 – Proceedings Part III, Springer.
32. Moyne, J., et al. (2020). A requirements driven digital twin framework: Specification and opportunities. IEEE Access, 8, 107781–107801.
33. Mirković, V., et al. (2019). Key characteristics of organizational structure that supports digital transformation. Strategic Management Conference.
34. Santos, R., et al. (2019, July). Industrial IoT integrated with simulation – A digital twin approach to support real-time decision making. International Conference on Industrial Engineering and Operations Management.
35. Asoğlu, İ., & Eren, T. (2018). AHP, TOPSIS, PROMETHEE yöntemleri ile bir işletme için kargo şirketi seçimi. Yalova Sosyal Bilimler Dergisi, 8(16), 102-122.
36. Saaty, T. L. (1980). The analytic hierarchy process. McGraw-Hill.
37. Ishizaka, A., & Nemery, P. (2013). Multi-Criteria Decision Analysis: Methods and Software. Wiley.
38. Sindhu, S., Nehra, V., & Luthra, S. (2017). Investigation of feasibility study of solar farms deployment using hybrid AHP-TOPSIS analysis: Case study of India. Renewable and Sustainable Energy Reviews, 73, 496-511.
39. Shih, H. S., Shyur, H. J., & Lee, E. S. (2007). An extension of TOPSIS for group decision making. Mathematical and Computer Modelling, 45(7-8), 801–813.
40. Brans, J. P., & Vincke, P. (1985). A preference ranking organization method: The PROMETHEE method. Management Science, 31(6), 647–656.
41. Brans, J. P., & Mareschal, B. (2005). PROMETHEE methods. In: Multiple Criteria Decision Analysis: State of the Art Surveys. Springer.
42. Behzadian, M., Kazemzadeh, R. B., Albadvi, A., & Aghdasi, M. (2010). PROMETHEE: A comprehensive literature review. European Journal of Operational Research, 200(1), 198–215.
43. Riahi, V., Diouf, I., Khanna, S., Boyle, J., & Hassanzadeh, H. (2025). Digital Twins for Clinical and Operational Decision-Making: Scoping Review. Journal of Medical Internet Research, 27, e55015. https://doi.org/10.2196/55015
44. Manogaran, G., & Lopez, D. (2018). A survey of big data architectures for healthcare. Future Generation Computer Systems, 87, 254–268.
45. Shah, S., et al. (2019). Real‐time patient monitoring using wearable sensors and cloud computing. IEEE Access, 7, 144244–144254.
46. Rajkomar, A., et al. (2018). Scalable and accurate deep learning with electronic health records. npj Digital Medicine, 1(1), 18.
47. Riazi, H., Larijani, B., & Nejad, A. (2019). Predictive analytics in healthcare: Opportunities and challenges. Journal of Diabetes and Metabolic Disorders, 18, 903–910.
48. Zhang, J., & Walji, M. (2011). Human–computer interaction and medical informatics. Journal of Biomedical Informatics, 44(1), 3–4.
49. Agarwal, R., & Karahanna, E. (2000). Time flies when you're having fun: Cognitive absorption and beliefs about information technology usage. MIS Quarterly, 24(4), 665–694.
50. Mandel, J. C., et al. (2016). SMART on FHIR: A standards-based, interoperable platform for electronic health records. Journal of the American Medical Informatics Association, 23(5), 899–908.
51. Bender, D., & Sartipi, K. (2013). HL7 FHIR: An agile and RESTful approach to healthcare information exchange. 2013 IEEE EMBC, 8146–8149.
52. Holden, R. J. (2010). Physicians' beliefs about using EMR systems: A cognitive task analysis. Journal of Biomedical Informatics, 43(4), 605–613.
53. Carayon, P., et al. (2006). Work system design for patient safety: The SEIPS model. Quality & Safety in Health Care, 15(suppl 1), i50–i58.
54. Walker, R., & Brown, I. (2004). Total cost of ownership models for information systems. Health Informatics Journal, 10(4), 249–256.
55. Kaplan, R. S., & Porter, M. E. (2011). How to solve the cost crisis in healthcare. Harvard Business Review.
56. Greenhalgh, T., et al. (2017). Beyond adoption: A new framework for theorizing and evaluating nonadoption, abandonment, and challenges to health IT implementation. Journal of Medical Internet Research, 19(11), e367.
57. Kaplan, B. (2001). Evaluating informatics applications—clinical decision support systems. Methods of Information in Medicine, 40(1), 5–15.
58. Garanin, A. A., Aydumova, O. Y., & Kiselev, A. R. (2025). Digital twins in healthcare administration: A systematic review on novel approaches to Management and planning. Russian Open Medical Journal, 14, e0104. https://doi.org/10.15275/rusomj.2025.0104
59. Garanin, A. A., Aydumova, O. Y., & Kiselev, A. R. (2025). Digital twins in healthcare administration: A systematic review on novel approaches to Management and planning. Russian Open Medical Journal, 14, e0104. https://doi.org/10.15275/rusomj.2025.0104
60. Yang, J., Chesbrough, H., & Hurmelinna-Laukkanen, P. (2020). The rise, fall, and resurrection of YAZILIM 3 Watson Health.
61. Hugues, J., Yankel, J., Hudak, J., & Hristozov, A. (2022). Twinops: Digital twins meets devops.
62. Güven, E., Pınarbaşı, M., Alakaş, H. M., Eren, T. (2024). Organize Sanayi Bölgeleri’nin Natech Riskine Göre Değerlendirilmesi: Kocaeli İli İçin Bir Örnek. Resilience, 8(1), 13-30. https://doi.org/10.32569/resilience.1379980.