INVESTIGATION OF SEASONAL DRUG SALES DATA BY ASSOCIATION ANALYSIS

Yıl 2019, , 23 - 30, 28.06.2019

Emrah Aydemir , Mehmet Yavuz

https://doi.org/10.33461/uybisbbd.582061

Cited By: 2

Öz

As data storage is
easier to store in digital environments, data recordings alone are worthless. Data mining, which is the result of
being processed and turned into meaningful for a specific purpose, is applied
to various fields. Finance, marketing, insurance, banking, electronic commerce,
communication, stock exchange, industry, science and engineering, risk
analysis, education and health are some of these areas, but it can
be said that the benefits of applications in the field of health are numerous.
In this study, an annual drug sales data of a pharmacy located in Turkey
regulated and examined by association analysis. As a result of seasonal
analyzes, it is aimed to determine the most commonly sold drugs. The results of
the study are affected by many factors such as the location of the pharmacy,
proximity to health institutions, time and epidemic. At the end of the study,
it will give an idea about the diseases in the region and will give an idea
about the drugs needed for pharmacies. In the future studies, it will be useful
to evaluate the pharmacy data in different regions with the data at different
times and compare the results separately.

Anahtar Kelimeler

Data mining, Association analysis, Drug, Prescription

MEVSİMLERE GÖRE İLAÇ SATIŞ VERİLERİNİN BİRLİKTELİK ANALİZİ İLE İNCELENMESİ

Öz

Dijital ortamlarda
saklanması kolaylaştıkça artan veri kayıtları tek başına değersizdir. Belirli
bir amaç doğrultusunda işlenip anlamlı bir hale dönüştürülmesi sonucu ortaya
çıkan veri madenciliği çeşitli alanlara uygulanmaktadır. Finans, pazarlama,
sigortacılık, bankacılık, elektronik ticaret, iletişim, borsa, sanayi, bilim ve
mühendislik, risk analizi, eğitim ve sağlık bu alanlardan bir kısmı olmakla
birlikte özellikle sağlık alanındaki uygulamalarının faydalarının sayısız
olduğu söylenebilir. Bu çalışmada Türkiye’de yer alan bir eczanenin bir yıllık
ilaç satış verileri düzenlenmiş ve birliktelik analizi ile incelenmiştir.
Mevsimlere göre yapılan analizler sonucu en çok birlikte satılan ilaçların
belirlenmesi amaçlanmıştır. Çalışma sonuçları eczanenin bulunduğu yer, sağlık
kuruluşlarına yakınlık, zaman ve salgın hastalık gibi birçok etkenden
etkilenmektedir. Çalışma sonucunda bölgedeki hastalıklar hakkında fikir sahibi
olunmakla birlikte eczaneler için ihtiyaç duyulan ilaçlar hakkında da fikir
verecektir. Yapılacak ileriki çalışmalarda farklı bölgelerdeki eczane
verilerinin yine farklı zamanlardaki verileri ile ayrı ayrı değerlendirilerek
sonuçların karşılaştırılması yararlı olacaktır.

Anahtar Kelimeler

Veri madenciliği, Birliktelik Analizi, İlaç, Reçete

Kaynakça

• Akpınar, E., Kasapbaşı, M. C. (2019).Sağlık Sigortacılığında Eczane–İlaç Üretici Firması Arasında İlişkilendirme Analizi. Haliç Üniversitesi Fen Bilimleri Dergisi, 2(1), 35-47.
• Albayrak M. (2017). Bilimsel araştırmalarda veri madenciliği kullanımı. IJSSER, 3(3): 752-756.
• Altıntaş, Y. (2010). Veri madenciliğinin tıpta kullanımı ve bir uygulama: hemodiyaliz hastaları için risk seviyelerine göre risk faktörlerinin etkileşimlerinin incelenmesi. Ulusal Tez Merkezi, 269710: 1-3.
• Aydemir, E. (2018). Weka ile Yapay Zekâ, Seçkin Yayınevi, Ankara.
• Bilen, Ö., Ökten, A., Gökalp, F. (2012). İstanbul'da Suçun Kentsel Sorun Algısındaki Yerinin Birliktelik Kuralları ile İncelenmesi. Megaron, 7(1), 26-35.
• Bramer, M. (2007). Principles of Data Mining. London:Springer
• Cao, Y., Zhu, J., Gao, F. (2016, September). An algorithm for mining moving flock patterns from pedestrian trajectories. In Asia-Pacific Web Conference (pp. 310-321). Springer, Cham.
• Chazard, E., Ficheur, G., Bernonville, S., Luyckx, M., Beuscart, R. (2011). Data mining to generate adverse drug events detection rules. IEEE Transactions on Information Technology in Biomedicine, 15(6), 823-830.
• Chen, Y., Thosar, S. S., Forbess, R. A., Kemper, M. S., Rubinovitz, R. L., Shukla, A. J. (2001). Prediction of drug content and hardness of intact tablets using artificial neural network and near-infrared spectroscopy. Drug development and industrial pharmacy, 27(7), 623-631.
• Cheng, F., Sutariya, V. (2012). Applications of artificial neural network modeling in drug discovery. Clin. Exp. Pharmacol, 2(3), 1-2.
• Delen, D., Walker, G., Kadam, A., (2005). ‘Predicting breast cancer survivability: a comparison of three data mining methods’, Artificial Intelligence in Medicine, 34 (1), 113-127.
• Delibaş, E. (2010). Birliktelik Analizi İle Reçeteli İlaç Satışları Üzerinde Bir Uygulama. Yayımlanmamış Yüksek Lisans Tezi, Cumhuriyet Üniversitesi Sosyal Bilimler Enstitüsü, Sivas.
• Dener, M., Dörterler, M., Orman, A. (2009). Açık kaynak kodlu veri madenciliği programları: WEKA’da örnek uygulama. Akademik Bilişim, 9, 11-13.
• Eme, O., CA, U. U., Uwazuruike, F. O., Ukpai, C. U. (2018). Computer–based Drug Sales and Inventory Control System and its Applications in Pharmaceutical Stores. International Journal of Education and Management Engineering, 8(1), 30.
• Erdem, S., Özdağoğlu, G. (2008). Ege Bölgesi’ndeki Bir Araştırma ve Uygulama Hastanesinin Acil Hasta Verilerinin Veri Madenciliği ile Analiz Edilmesi.
• Ertuğrul, İ., Organ, A., Şavlı, A. (2013). Veri madenciliği uygulamasına ilişkin PAÜ hastanesinde hasta profilinin belirlenmesi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 19(2), 97-103.
• Han, J. ve Kamber M., “Data Mining Concepts and Techniques”, Morgan Kaufmann Publishers, 2001.
• Hand, D., Mannila, H., Smyth, P. (2001). Principles Of Data Mining. Cambridge: MIT Press.
• Kalikov, A. (2006). “Veri Madenciliği ve Bir E-Ticaret Uygulaması”, Yüksek Lisans Tezi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü.
• Koyuncugil, A., Özgülbaş, N. (2009). Veri madenciliği: Tıp ve sağlık hizmetlerinde kullanımı ve uygulamaları. Bilişim Teknolojileri Dergisi, 2(2).
• Lavrač, N. (1999). Selected techniques for data mining in medicine. Artificial intelligence in medicine, 16(1), 3-23.
• Nishtala, P. S., Chyou, T. Y., Held, F., Le Couteur, D. G., Gnjidic, D. (2018). Association rules method and big data: Evaluating frequent medication combinations associated with fractures in older adults. Pharmacoepidemiology and Drug Safety, 27(10), 1123-1130.
• Oğuzlar, A. (2004). Veri Madenciliğinde Birliktelik Kuralları, Öneri, 6 (22), 315-321.
• Özbay, Ö. (2015). Veri madenciliği kavramı ve eğitimde veri Madenciliği uygulamaları. Uluslararası Eğitim Bilimleri Dergisi, (5), 262-272.
• Terzi, M. (2019). Data mining applications in health sector in Turkey. BSJ Health Sci, 2(2): 45-48.
• Uslu, M. (2018). Birliktelik Kuralları Analizi (Association Rules Analysis). Retrieved 05.06.2019, from https://www.veribilimi.co/associationrulesanalysis/
• Wasan, S. K., Bhatnagar, V., Kaur, H. (2006). The impact of data mining techniques on medical diagnostics. Data Science Journal, 5, 119-126.
• Yıldırım, P., Uludağ, M., Görür, A. (2008). Hastane Bilgi Sistemlerinde Veri Madenciliği. Çanakkale On Sekiz Mart Üniversitesi Akademik Bilişim.