Öngörmek üzerine…

öngörmek

Bir işin ilerisini kestirmek veya bir işin nasıl bir yol alacağını önceden anlayabilmek ve ona göre davranmak

Tarih boyunca insanoğlunun en büyük hayallerinden biri, geleceği görebilmek olmuştur kuşkusuz. Edebiyat dünyasında bu kavrama bir şekilde dokunan yüz binlerce ürün yayınlanmıştır desek abartmış olmayız. Herhalde böyle bir “güç”, bütün denklemleri yerinden oynatır, tarihin çok daha farklı bir seyir izlemesine yol açabilirdi.

Dünya şartlarında, gelecekte olacakları “görebilmek” mümkün değil. Ancak “öngörmek” ve buna göre pozisyon almak mümkün, hatta çeşitli alanlarda her gün uygulanıyor. Otobüsün kaç dakika sonra geleceğini, gelecek hafta havanın nasıl olacağını, gelecek çeyrekte döviz kurunun nasıl değişeceğini, gelecek yıl hangi ürünün ne kadar satacağını, gelecek 5 yılda kuzey manyetik kutbunun nasıl değişeceğini tahmin etmenin mümkün olduğunu hepimiz biliyoruz.

Peki herkes, her konuyu öngörmeye çalışırken, biz Acil Tıp camiası olarak neredeyiz?

İşin doğrusu, Acil Servis Yoğunluğu konusuna gereken önemin verildiğini söylemek zor. “Sene olmuş 2019”, hala acil servislerin ortalama günlük hasta sayılarına bakarak personel planlaması yapılıyor. Bir çok hastanede; pazartesileri, kış ayları, Bayramlar gibi özel dönemlerde personel planlamasında değişiklik yapılmıyor. Mesela yaz mevsimlerinde bölge nüfusunun azaldığı, her gün 5 acil hekiminin çalıştığı bir acil servis, en yoğun çalışacağı ocak ayında da 5 hekimle çalışıyor; en rahat çalışacağı temmuz ayında da…

Acil Servis Yoğunluğu ne olacak ki?  bir şekilde idare etmiyor muyuz? Doğrusu başarıyla idare ediyoruz. Ancak artmış hasta yükünün; kişisel sağlığımız, hasta memnuniyeti, şiddet, kaynakların etkin kullanımı gibi bir çok alanda ister istemez sorunlara yol açtığının da hepimiz farkındayız.

Ancak Acil Servis yoğunluklarını değerlendirme konusunda bile çeşitli sıkıntılarla yüzleşebiliyoruz. Nöbetin ne kadar yoğun ve zorlayıcı geçtiği ile ilgili algı; kişinin mesleğine, çalıştığı noktaya ve saat aralığına kadar bir çok faktörden etkileniyor.

Bütün tıp bölümleri düşünüldüğünde, Acil Tıbbı bir kenara ayırmamız gerekiyor. Bir Dahiliye polikliniği, randevulu 50 hastasına baktıktan sonra kapısını kapatabilir. Bir Göz kliniği, gün içinde 5 operasyon yaptıktan sonra paydos verebilir. Bir Nöroloji servisi, 40 yatak kapasitesini doldurduğunda, “Bu kadarı bana yeter” diyerek 41. hastayı alamayacağını söyleyebilir. Dolayısıyla standart personel sayısı ile çalışabilmeleri ve gelecek tahminlerine çok ihtiyaç duymamaları doğal.

Acil Tıp böyle mi? Bitmek bilmeyen yeşil alan yoğunluğunun yanında, kırmızı alana 10 dakika içinde 8-10 ambulans gelebilir. Yataklarınızın dolmuş olması, hastalarınızın koridora taşmış olması kimseyi çok da ilgilendirmez; feryatlarınız arasında ambulanslar hastalarını bir şekilde bırakır, saatlerdir bekleten “ilgili konsültan bölümler” hastalardan bir şekilde sıyrılır. Toz duman dağıldığında ve herkes evine yollandığında, geride yaşlı gözlerle Acil Tıpçılar kalır.

Fark etmişsinizdir: Bazı günler “bir başka” geçer. Günde 1-2 SVO gelen bir acile, bir günde 10-15 SVO gelir. Bazı geceler hiç MI görmezsiniz, bazı geceler MI sayısı 10’u geçer. Bütün bunlar tesadüf müdür? Yoksa kişisel şanssızlıklarla açıklanabilir mi?

Her şeyden öte, bu böyle devam mı etmeli? Veri işlemenin, yapay zekanın bu kadar yaygınlaştığı ve kolaylaştığı günümüzde;  “Bugün de yoğun geçti.”, “Bu aralar hasta yoğunluğu da arttı nedense…” demekle mi yetineceğiz, yoksa “En iyi savunma, hücumdur” diyerek önümüzdeki günlerde/aylarda acil servisimizin ne kadar yoğun olacağını öngörmeye mi çalışacağız?

(Yazı içeriğinde bağlantılar şeklinde 40’dan fazla kaynak yer alıyor. Yararlanılabileceğini umuyorum.)

Haydi Öngörelim!

“Geleceği öngörmenin en güvenilir yolu, içinde bulunulan ânı anlamaya çalışmaktır.” – John Naisbitt

Öngörü (Forecasting), geçmiş ve anlık verilere dayanarak geleceğe yönelik öngörülerde bulunma işlemidir. En yaygın olarak eğilimlerin analizi yoluyla yapılır. Mesela belirli bir gelecek tarihte, bir değişkenin ne olacağının tahmini, bir öngörüdür. Zaman serileri, kesitsel veya uzunlamasına veriler kullanan resmi istatistiksel yöntemlere veya alternatif olarak yargılama yöntemlerine atıfla hesaplanabilir.

Risk ve belirsizlik öngörüde temel ögelerdir. İyi bir öngörüde, tahminlere ilişkin belirsizliğin derecesinin belirtilmesi beklenir. Her durumda, tahminin mümkün olduğunca doğru olması için verilerin güncel olması gerekir. Bazı durumlarda, ilgili değişkeni tahmin etmek için kullanılan verilerin kendileri de tahminler sonucunda elde edilmekte olabilir (1).

Öngörme Yöntemleri

Öngörmede çeşitli yöntemler kullanılabilir. Bunlar temelde Kalitatif Yöntemler ve Kantitatif Yöntemler olarak ikiye ayrılabilirler.

Kalitatif Yöntemler: Görüş ve yargılara dayanan, çoğunlukla verilerin olmadığı veya az olduğu durumlarda veya geçmiş verilerin geleceği öngörmede duyarlı olmayacağı düşünülen durumlarda kullanılan yöntemlerdir. Örnek olarak bir bölgeye ilk defa hastane kurulacaksa veya bir hastaneye ilk defa BT cihazı alınıyorsa, talep öngörmesinde kalitatif yöntemlerden yararlanmak gerekecektir. Uzman görüşü, Delphi metodu, pazar araştırması, yaşam eğrilerinin benzeşimi örnek olarak verilebilir.

Kantitatif Yöntemler: Geçmiş dönemlerdeki verileri esas alan matematiksel modellere dayanır. Objektif ve açıktır. Geleceğin, geçmişteki eğilimler ile benzer olacağı varsayımı üzerinden hareket eder. Çoğunlukla sayısal veriler elde edilemez. Ortalama Yaklaşımı, Basit Yaklaşım, Zaman Serisi Modelleri (Hareketli Ortalamalar, Üssel Düzeltim, Trend Projeksiyonu), İlişkilsel Modeller (Doğrusal Regresyon) örnek olarak verilebilir.

Öngörme Üzerine Temel Kurallar

1. Öngörüler nadiren mükemmeldir.
2. Öngörüler, tek değişken için yapılırsa daha doğru olur.
3. Kısa dönem öngörüler uzun döneme oranla daha doğru ve geçerlidir.
4. Tek bir yöntem yerine yöntemlerin birleştirilmesi veya sonuçlarının ortalanması doğruluk derecelerini artırır.

Öngörme Üzerine Çalışmalar

Buraya kadar neden öngörme konusuna kafa yormamız gerektiğinden ve kendisi başlı başına bir eğitim konusu olan “öngörü” kavramından kısaca bahsettik. İsterseniz yazımızın kalan bölümünde, Acil Serviste hasta yoğunluğunu öngörme üzerine yapılmış çalışmalara yer vererek, bu işin yapılabilirliğini sorgulayalım.

Öncelikle bir noktayı hatırlatmakta fayda var: Dünyanın her yerinde acil servislerde “yoğunluğu” oluşturan temel şey, Yeşil Alan hastaları. Hastanenin toplam acil servis başvurularında yeşil alan başvuruları her zaman önemli bir yer tutuyor. Daha da önemlisi, başvuru sayılarındaki dalgalanmalar temelde yeşil alan hastalarından kaynaklanıyor.

Literatürde yaptığım tarama da, öngörü çalışmalarının ya hastaneye ait eski verilerden istatistiksel sonuçlar çıkarmaya dayalı olduğunu, ya da temelde yeşil alan başvurularının tahminine yönelik olduğunu gösteriyor. Kişisel fikrim de bunun oldukça mantıklı olduğu yönünde.

Hastane Verileri

Her gün dünya genelinde hastane acillerine milyonlarca insan başvuruyor. Hastanelerin çoğu, ICD (International Classification of Diseases) kodlarına göre hasta tanılarını kaydediyor. Bu verilerin işlenmesi ile mevsimler, aylar, günler ve saatler için istatistik modelleri kurgulamak mümkün değil mi? Elbette mümkün. Literatürde bu konuda yapılmış çok sayıda çalışma var.

Önceki modeller; sıklıkla, meteorolojik verileri ve takvimsel değişiklikleri tahmin faktörleri olarak kullanan lineer regresyon veya zaman serileri modellerinden yararlanmışlar. Bu çalışmaların çoğunda, Acil Servis başvuruları açısından, haftanın günü, en güçlü prediktör değer olarak görülmüş (Elbette pazartesi listemizin tepesinde yer buluyor).

Brezilya’da, 4 farklı matematiksel öngörü metodu kullanılarak acil servis başvuru sayıları değerlendirilmiş. Modeller takvim ve hava sıcaklıklarını esas alıyor. Sonuçlar olumlu. Yine Brezilya’da aynı temel verilerle Acil Servis başvuru sayılarının öngörülebilirliği değerlendirilmiş ve başarılı olunmuş.

2012’de Delphi Yöntemi kullanılarak yapılan bir çalışmada; uzman görüşleri alınarak, Acil Servislerin aşırı yoğun olduğunu gösterecek 8 ana faktör belirlenmiş. Bunlar: (1) ambulansların hasta bırakabilme oranı; (2) Görülmeden veya tedavi edilmeden ayrılan hastalar; (3) triyaja kadar geçen zaman; (4) Acil Servis doluluk oranı; (5) hastaların Acil Servis’deki toplam kalış süresi; (6) bir doktor tarafından görülme zamanı; (7) Yatış süresi; ve (8) Acil Servisde yatan hasta sayısı.

2 hastanenin 5 yıllık verileri incelenerek yılın günlerine göre hasta başvuru sayılarının değerlendirildiği bir çalışmada oluşturulan model, 27 hastanenin hasta yoğunluklarını öngörmede başarılı bulunmuş. Yine 3 hastane acil servisinin yatak doluluk oranlarının anlık değerlendirilmesi ile yoğunluğun 4-12 saat önce tahmin edilebildiği ve bunun klasik yöntemlerden daha başarılı sonuç verdiği gösterilmiş. Farklı yöntemlerle yapılan  benzer çalışmalarda da başarılı sonuçlardan bahsedilmiş. 2002’de yapılan bir çalışmada, bir hastanenin Acil Servis yatak doluluğunu öngörebilen bir model geliştirilmiş. Modelde, Hava sıcaklığı ve Halk Sağlığı Kurumu’nun bulaşıcı hastalık verileri temel alınmış.

Yakın zamanda yayınlanan bir yazıda; bir hastanenin Büyük Veri’si (Big Data) kullanılarak, yapay zeka ile İnfluenza yoğunluğunun başarılı şekilde tespit edilebildiği görülmüş (Üstelik sonuçlar Fransa’nın bütününü de temsil edebilmiş).

2001 yılında yapılan bir çalışmada, 1998-1999 acil servis verileri ışığında hazırlanan öngörme modeline göre personel dağılımları belirlenmiş ve muayene olmadan acil servisten ayrılan hasta sayısında %50 oranında düşüş görülmüş.

İnternet Sonuçları

İnternet yaygınlaştıkça, internet verilerinin hayatın diğer alanlarında kullanımı ile ilgili çok sayıda çalışma yapılıyor. Arama motorlarının ve sosyal medyanın ücretsiz olarak kullanılabilmeleri, bu hizmetleri kullanan kişilerin topluma oranının artmasına yol açıyor. Peki, bu verilerin kullanımı ile Acil Servis başvuruları öngörülebilir mi?

Annals of Emergency Medicine’da yayınlanan, bu yazıdaki bana göre en ilginç çalışmada, Stockholm Health Care Guide isimli bir sitenin akşam 6 ile geceyarısı arasındaki ziyaretçi sayılarına bakılarak, ertesi gün olacak Acil Servis başvurularının önceden öngörülebilirliği Doğrusal Regresyon modeli ile test edilmiş. Üstelik bölge genelinde ve hastane bazında başarılı olunmuş.

Geleneksel Grip salgını sürveyansları 1-2 hafta gecikme ile salgını tanıyabiliyor. 2014 yılında yapılan bu çalışmada Google aramalarının anlık olarak salgınları gösterebildiği vurgulanıyor. Geçmiş yıllara ait salgın verileriyle birleştirildiğinde, Google verileri öngörü hatalarını anlamlı düzeyde azaltmış. Kanada’da 2009 H1N1 salgını sırasında Manitoba’da grip semptomları ile acil servise başvuran hasta sayıları ile Google’ın grip salgınlarını öngörebilmek için kendi arama sonuçlarını kullandığı modelin (Google Flu Trends) karşılaştırıldığı bir çalışma; Google verilerinin salgından 1-2 hafta önce acil servise başvuracak hasta sayılarını öngörmeyi sağlayabileceğini göstermiş. ABD’de, Google Flu Trends verileri ile Acil Servise grip şikayetiyle gelen hastaların karşılaştırıldığı bir başka çalışmada ise, veriler şehirler düzeyinde çok başarılı bulunmuş ve (tahminlerin aksine) düşük sosyoekonomik düzeyi olan vatandaşların sağlık aramalarında daha sık internete başvurduğu vurgulanmış. Latin Amerika’da 2017’de yayınlanan bir çalışma ise, o kadar sağlıklı sonuçlar vermemiş. Yine 2017’de Gerçek zamanlı Google Trends verileri kullanılarak Zika sıklığını başarıyla öngören bir model oluşturulmuş. Yine Zika salgınını ele alan bir çalışmada; geleneksel verilerin elde bulunmadığı durumlarda, web temelli servislerin salgın durumlarını göstermede güvenilir olduğu vurgulanıyor.

İnternet Google’dan ibaret mi, değil mi? Google, Twitter ve Wikipedia verilerini karşılaştıran bir çalışmada; üç servis arasında, Grip salgınlarını göstermede Google verilerinin daha güvenilir olduğu anlaşılmış.

Literatürde bu eksende oldukça ilginç çalışmalar da var. Biri, Subaraknoid kanamalarla ilgili Google aramalarına bakılarak, mevsimsel bir farklılık olup olmadığının değerlendirildiği bir çalışma. Başarılı olunamamış. Beyin kanaması geçiren birinin Google’da arama yapacağını düşünmek biraz anlamsız olmuş denilebilir. Ama 5 yıllık Google Insights verileri kullanılarak, ABD’nin eyaletlerinde inme prevalansının başarıyla tespit edilebileceğinin gösterilmiş olmasına ne demeli? Böbrek taşı da çalışmalardan payını almış. ABD’de bölgelere göre “böbrek taşı” aramaları ile hastalık oranları arasında ilişki bulunmuş.

Acil Servis Yoğunluğu Sonuç

Acil Servis yoğunluklarının öngörülebilirliği konusunda literatürde çok sayıda çalışma var. Hatta yoğunluğun, bir gün veya bir kaç saat önceden belirlenmesinin mümkün olduğunu iddia eden yayınlar bile mevcut. Bazı çalışmalar, bu öngörülere göre personel planlaması yapılmasının hem çalışan, hem de hasta memnuniyetini artırabileceğini gösteriyor. Ancak bu konuda yapılacak yeni çalışmalara çok ihtiyaç olduğu da bir gerçek.

Bir havayolu şirketi, gelecek ay kaç yolcunun İstanbul’dan Antalya’ya uçarken kendisini tercih edeceğini başarılı bir şekilde tahmin edebiliyor, bir süpermarket raflarına yerleştirdiği yeni ürünün gelecek ay ne kadar satacağını öngörebiliyorsa; neden köklü bir acil servis, gelecek ay kendisine başvuracak hasta sayısını öngöremesin?

Tek ihtiyacımız; bunun mümkün olduğuna ve önemli olduğuna inanmak.

… ve evet bolca veri ve bolca çalışma…

Kaynaklar

Wikipedia.org – “Forecasting” sayfası. https://en.wikipedia.org/wiki/Forecasting .