Abstract:Giriş ve Amaç: Sağlık verilerinin işlenmesinde farklı bilgi sistemi kullanılmaktadır. Bu bilgi sistemleri model, veri ve insan ilişkili birçok hataya açıktır. Sağlık bilgi sistemlerindeki hataların sonuçları insan yaşamına mal olabilir. Veride olabilecek aykırı sapmaların tespiti bu anlamda büyük önem taşımaktadır. Bu nedenle aykırı değer tespiti için bu çalışmada bir çözüm önerilmiştir. Çalışmada istatistiksel zaman serisi (ARMA) yaklaşımı kullanılmıştır.
Gereç ve Yöntem: Box-Jenkins modelini kullanan bir yazılım geliştirilmiş ve aykırı değerler bu yazılım ile tespit edilmiştir. 2 saatlik zaman dilimlerinde alınan kimyasal örneklerdeki aykırılıklar tespit edilmeye çalışılmıştır. Bulgular: Bu işlem sonucunda 43 ve 64. pozisyonlarda aykırılıklar tespit edilmiştir. 43. pozisyondaki aykırı veri, bu verinin girişini yapan kişi veya ölçüm cihazından kaynaklı olabilir. 64. pozisyondaki aykırı veri ise doğal durum olarak karşımıza çıkmaktadır. Sonuç ve Öneriler: Hastanelerde elektronik kayıtlar ile hastalara en etkili ve en verimli sağlık hizmeti en kısa sürede verilmeye çalışılmaktadır. Bu hizmetler sırasında kişilerden veya ölçüm cihazlarından kaynaklı hatalar söz konusu olabilmektedir. Bu hataların tespiti için çalışmamızdaki gibi yöntemler kullanılabilir. Kullandığımız yöntem ile aykırı değerler tahmini verilerle değiştirilmiş ve sonucunda ortalama hata karelerinde iyileşme, varyansta azalma gözlemlenmiştir. Bu sonuçlar, önerilen yöntemin zaman serisi verilerindeki hataları tespit etmede ve bu verileri tahmini verilerle değiştirmede başarılı olduğunu göstermektedir. Önerilen yöntemin Covid-19 semptomlarının tespit sistemi gibi sağlık bilgi sistemlerine uygulanmasıyla aykırı veri değerlerinin neden olduğu sorunların azaltılabileceği belirlendi.
Introduction and aim: Different information systems are used in the processing of health data. These information systems are susceptible to many model, data and human related errors. The consequences of errors in health information systems can cost human life. In this sense, the detection of outliers has great importance. For this reason, a solution has been proposed in this study for outlier detection. Method: The statistical time series (ARMA) approach was used in the study. A software using Box-Jenkins model was developed and outliers were detected with this software. Outliers in chemical samples taken within 2 hours were tried to be identified. Findings: As a result of this process, outliers were determined in the 43rd and 64th positions. Outlier data in position 43 may originate from the officer creates this data or the measuring device. The contrary data in the 64th position appears as a natural state. Conclusion and Suggestions: With electronic records in hospitals, the most effective and efficient health service is tried to be provided to patients as soon as possible. During these services, errors may arise from people or measurement devices. Methods like in our study can be used to detect these errors. An improvement in mean squares of error and a reduction in variance were observed as a result of replacing outliers with estimated data by using the method. These results depict that the proposed method is successful in detecting the errors in time series data and replacing such data with estimated data. It was determined that problems induced by data outliers can be reduced by applying the proposed method to health information systems such as detection system of Covid-19 symptoms. Keywords:Covid-19 symptoms, Time series, outlier analysis, Innovational Outlier(IO), Additive Outlier (AO), Kovid-19 semptomları, Zaman serileri, aykırı değer analizi, Yenilikçi Aykırı Değer (IO), Eklemeli Aykırı Değer (AO)
