FORECASTING DEMAND OF MEDICAL MATERİAL AT HOSPITALS: AN EXAMPLE APPLICATION OF CONSUMPTION ON SERUM SET

Yıl 2016, Cilt: 5 Sayı: 4, 207 - 222, 01.10.2016

Vahit Yiğit

Öz

The aim of this study is to analyse consumption of serum set by quantitative estimating method at Suleyman Demirel University Hospital and to estimate the consumption of serum set by determining the most appropriate forecasting model. In this study, moving average, exponential smoothing, Winters Holt- and linear regression forecasting methods that are demand estimate have been used. Mean Absolute Percent Error(MAPE) and Mean Absolute Deviation (MAD) have been used for the measurement of the accuracy of forecast results. Also, in the study comparisons have been made among methods in order to determine the method that estimates best at serum set consumption. According to research results, the lowest MAPE is value of 5 and the lowest MAD is value of 971 as occurred in Holt-Winter's additive method.According to this method and the analysis, it has been estimated that the next 12 months serum set consumption could be of 335.556 units at the hospital. When hospital managers estimate the need of medicines and medical supplies, they must certainly benefit from the quantitative forecasting methods besides qualitative forecasting methods. Thus, by more accurately estimating medical materials and medication needs, it is going to be positive impact on the hospital's efficiency, profitability, financial performance and sustainability

Anahtar Kelimeler

Estimate, Serum Set, Medical Material, Hospital

HASTANELERDE TIBBİ MALZEME TALEP TAHMİNİ: SERUM SETİ TÜKETİMİ ÜZERİNDE ÖRNEK BİR UYGULAMA

Öz

Bu araştırmanın amacı Süleyman Demirel Üniversitesi Hastanesinin serum seti tüketiminin kantitatif tahmin yöntemleri ile analiz edilmesi ve en uygun tahmin modelinin belirlenerek gelecek dönemlere ait serum seti tüketimi tahmininin yapılmasıdır. Araştırmada talep tahmin yöntemlerinden hareketli ortalama, üstel düzeltme, Holt- Winters ve doğrusal regresyon tahmin yöntemleri kullanılmıştır. Tahmin sonuçlarının doğrululuğunun ölçümünde ortalama mutlak hata yüzdesi (Mean Absolute Percent Eror-MAPE) ve ortalama mutlak hata (Mean Absolute DeviationMAD) kullanılmıştır. Ayrıca araştırmada serum seti tüketiminde en iyi tahmini veren yöntemi tespit edebilmek için yöntemler arası karşılaştırmalar yapılmıştır. Araştırma sonucuna göre en düşük MAPE değeri 5 ve en düşük MAD değeri 971 olarak Holt-Winter’ın toplamsal tahmin yönteminde gerçekleşmiştir. Bu yönteme göre yapılan analizde hastanenin gelecek 12 aylık dönemde serum seti tüketiminin 335.556 adet olabileceği tahmin edilmiştir. Hastane yöneticileri ilaç ve tıbbi malzeme ihtiyaç tahmini yaparken kalitatif tahmin yöntemleri yanında mutlaka kantitatif tahmin yöntemlerinden de yararlanmalıdır. Böylece tıbbı malzeme ve ilaç ihtiyaçları daha doğru tahmin edilerek hastanenin verimliliği, kârlılığı, finansal performansı ve sürdürülebilirliği üzerinde olumlu etki sağlayabilecektir

Anahtar Kelimeler

Tahmin, Serum Seti, Tıbbi Malzeme, Hastane

Kaynakça

• Aboagye-Sarfo, P., Mai, Q., Sanfilippo, F. M., Preen, D. B., Stewart, L. M. ve Fatovich, D. M. (2015). A comparison of multivariate and univariate time series approaches to modelling and forecasting emergency department demand in Western Australia. Journal of Biomedical Informatics, 57, 62–73.
• Akdağ, R., Tosun, N., Çinal, A., Yeşilyurt, H., Şencan, İ., Koç, O. ve Vd. (2011). Türkiye’de Özellikli Planlama Gerektiren Sağlık Hizmetleri: 2011-2023. Sağlık Bakanlığı Yayın No: 836, Ankara.
• Akmut Ö., Aktaş R. Binay, S. (1999) Öngörü Teknikleri Ve Finans Uygulamaları, Ankara Üniversitesi Siyasal Bilgiler Fakültesi Yayını: 584, Ankara
• Antelo, M., Santias, F. R. ve Calvo, A. M. (2015). Bed capacity and surgical waiting lists: a simulation analysis. European Journal of Government and Economics, 4(2), 118–133.
• Benli, Y. K. ve Yıldız, A. (2014). Altın Fiyatının Zaman Serisi Yöntemleri ve Yapay Sinir Ağları İle Öngörüsü. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 42(2), 213–224.
• Bergs, J., Heerinckx, P. ve Verelst, S. (2014). Knowing what to expect, forecasting monthly emergency department visits: A time-series analysis. International Emergency Nursing, 22(2), 112–115.
• Cheng, C.-H., Wang, J.-W. ve Li, C.-H. (2008). Forecasting the number of outpatient visits using a new fuzzy time series based on weighted-transitional matrix. Expert Systems with Applications, 34(4), 2568–2575.
• Çelik Y. (2011). Sağlık Ekonomisi, Siyasal Kitabevi, Ankara
• Çelik, Ş. (2013). Zaman Serileri Analizi ve Trafik Kazası Verilerine Uygulanması. Iğdır Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 3(4), 43–51.
• Demir, M.H., Gümüşoğlu S. (2003). Üretim Yönetimi, Beta Bas. Yay. Dağ. A.Ş., İstanbul.
• Filho, O. S. S., Carvalho, M. A., Cezarino, W., Silva, R. ve Salviano, G. (2013). Demand Forecasting for Blood Components Distribution of a Blood Supply Chain. IFAC Proceedings Volumes, 46(24), 565–571.
• Filho, O. S. S., Cezarino, W. ve Salviano, G. R. (2012). A Decision-making Tool for Demand Forecasting of Blood Components. IFAC Proceedings Volumes, 45(6), 1499–1504.
• Garson, C., Hollander, J. E., Rhodes, K. V., Shofer, F. S., Baxt, W. G. ve Pines, J. M. (2008). Emergency Department Patient Preferences for Boarding Locations When Hospitals Are at Full Capacity. Annals of Emergency Medicine, 51(1), 9–12.e3.
• Hadavandi, E., Shavandi, H., Ghanbari, A. ve Abbasian-Naghneh, S. (2012). Developing a hybrid artificial intelligence model for outpatient visits forecasting in hospitals. Applied Soft Computing, 12(2), 700–711.
• Jones, S. S., Thomas, A., Evans, R. S., Welch, S. J., Haug, P. J. ve Snow, G. L. (2008). Forecasting daily patient volumes in the emergency department. Academic Emergency Medicine, 15(2), 159–170.
• Karaatli, M., Helvacioğlu, C., Ömürbek, N. ve Tokgöz, G. (2012). Yapay Sı̇nı̇r Ağları Yöntemı̇ ile Otomobı̇l Satiş Tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87–100.
• Karahan, M. (2015). Turizm Talebinin Yapay Sinir Ağaları Yöntemiyle Tahmin Edilmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(2), 195–209.
• Kaynar, O. ve Taştan, S. (2009). Zaman serisi analizinde MLP yapay sinir ağları ve ARIMA modelinin karşılaştırılması. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 33, 161–172.
• KİK, 2016. Kamu İhale Genel Tebliği, http: //www.mevzuat.gov.tr/Metin.Aspx? Erişim tarihi 01.05.2016
• Kobu B. (2006). Üretim Yönetimi, Beta Basım Yayım Dağıtım A.S.,İstanbul.
• Kobu, B.,(2010). Üretim Yönetimi, Beta Basım Yayım Dağıtım A.S.,İstanbul
• Krajewski L.J., Ritzman, L.P., Malhotra, M. K. (2013). Operation Management: Processes and Supply Chains, Prentice Hall, Çeviri Editörü: Semra Birgün, 9. Baskı, Nobel Yayın, Ankara
• Kusters, R. J. ve Groot, P. M. A. (1996). Modelling resource availability in general hospitals design and implementation of a decision support model. European Journal of Operational Research (C. 88). doi: 10.1016/0377-2217(95)00201-4
• Lewis,. C.D. (1982). Industrial and Business Forecasting Methods. Londra: Butterworths Publishing
• Mai, Q., Aboagye-Sarfo, P., Sanfilippo, F. M., Preen, D. B. ve Fatovich, D. M. (2015). Predicting the number of emergency department presentations in Western Australia: A population-based time series analysis. EMA - Emergency Medicine Australasia, 27(1), 16–21. doi: 10.1111/1742-6723.12344
• McGowan, J. E., Truwit, J. D., Cipriano, P., Howell, R. E., VanBree, M., Garson, A. ve Hanks, J. B. (2007). Operating Room Efficiency and Hospital Capacity: Factors Affecting Operating Room Use During Maximum Hospital Census. Journal of the American College of Surgeons, 204(5), 865–871.
• Mielczarek, B. (2014). Simulation modelling for contracting hospital emergency services at the regional level. European Journal of Operational Research, 235(1), 287–299.
• Özcan, Yaşar.A. (2009). Quantitative Methods in Health Care Management: Techniques And Applications. Usa: Jossey – Bass.
• Özüdoğru, A. G. ve Görener, A. (2015). Sağlık Sektöründe Talep Tahmini Üzerine Bir Uygulama. İstanbul Ticaret Üniversitesi Sosyal Bilimleri Dergisi, 14(27), 37–53.
• Özüdoğru, A. G. ve Görener, A. (2016). Method Selection for Demand Forecasting : Application in a Private Hospital. International Journal of Decision Sciences & Applications, 1(1), 22–34.
• Sezgin, A. (1976). İşletmelerde Malzeme Akış Sistemi Analiz Ve Simülasyon Uygulaması, A.İ.T.İ.A. Yayın No.114, Ankara.
• Soysal, M. ve Ömürgönülşen, M. (2010). Türk Turizm Sektöründe Talep Tahmini Üzerine Bir Uygulama. Turizm Araştırmaları Dergisi, 21(1), 128–136.
• Tek, Ö.B. (1999). Pazarlama İlkeleri Global Yönetimsel Yaklaşım Türkiye Uygulamaları, İstanbul, Beta Yayıncılık
• Tengilimoğlu, D. (1996). Hastanelerde Malzeme Yönetim Teknikleri, Sader., Özkan Matbaası,Ankara.
• Tengilimoğlu, D. ve Yiğit, V. (2013). Sağlık İşletmelerinde Tedarik Zinciri ve Malzeme Yönetimi (2. bs.). Ankara: Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti.
• Ulucan, A., (2012). Sağlık Kurumlarında Operasyon Yönetimi, Sağlık Yönetiminde Öngörü, Anadolu Üniversitesi Açık Öğretim Fakültesi Yayınları, Eskişehir.
• Üreten, S. (2005). Üretim/İşlemler Yönetimi, 5. Baskı Gazi Kitapevi, Ankara.
• Wıtt, S.F., Wıtt, C.A. (2000), Modeling and Forecasting Demand in Tourism, Academic Press, Londra.
• Yi, P., George, S. K., Paul, J. A. ve Lin, L. (2010). Hospital capacity planning for disaster emergency management. Socio-Economic Planning Sciences, 44(3), 151–160. doi: 10.1016/j.seps.2009.11.002
• Yiğit, A. ve Erdem, R. (2016). Sağlık Teknolojisi Değerlendirme: Kavramsal Bir Çerçeve. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (23), 213–248.
• Yiğit, V. (2014). Hastanelerde Stok Kontrol Analizi̇: Akdeniz Üniversitesı̇ Hastanesinde Bir Uygulama. Sayıştay Dergisi, 93(Nisan-Haziran), 105–128.
• Yiğit, V. ve Yiğit, A. (2016). Üniversite Hastanelerinin Finansal Sürdürülebilirliği. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 8(16), 253. doi: 10.20875/sb.84868
• Yüksel, H. (2009). Üretim/İşlemler Yönetimi: Temel Kavramlar, Nobel Yayın Dağ. Tic. Ltd. Şti. Ankara.
• Zeren, F. ve Ergüzel, O.Ş. (2014). “Forecast Share Prices With Artificial Neural Network in Crisis Periods”, Journal of Business Research-Türk, 6/3(2014): 16-28.