PPP modeliyle yönetilen hastanelerde çok boyutlu hizmet performansı tahmini: Makine öğrenmesi tabanlı bir değerlendirme

Abstract

Kamu-Özel İş Birliği (PPP) modeliyle işletilen entegre sağlık kampüslerinde sunulan tesis yönetimi (Facility Management – FM) hizmetlerinin çok boyutlu performansını, veri odaklı ve yapay zekâ destekli bir değerlendirme çerçevesiyle incelemek hedeflenmiştir. Beş kampüsten derlenen kapsamlı operasyonel kayıtlar temelinde; Teknik Hizmetler (bakım-onarım, altyapı), Operasyonel Destek Hizmetleri (temizlik, güvenlik, yemek) ve Miktara Bağlı Hizmetler eksenlerinde kurumsal performans göstergeleri bütüncül biçimde ele alınmış; sınıflandırma modelleri ve açıklanabilirlik araçları kullanılarak hizmet düzeylerinin karşılaştırmalı olarak değerlendirilmesi amaçlanmıştır. Bu yaklaşım, karar vericilere hem kategori bazında güçlü ve zayıf yönleri görme hem de iyileştirme önceliklerini kanıta dayalı biçimde belirleme olanağı sunar. Yöntemsel akışta, gösterge seti tip uyumlaştırma ve ML(Makine öğrenmesi)-tabanlı eksik değer tamamlama sonrasında alan/yatak/çalışan başına normalize edilmiş oranlarla zenginleştirilmiş; alan bilgisine dayalı doğrusal ve U-şekilli ağırlıklandırma ile bileşik bir performans skoru fonksiyonu türetilmiş ve yüzdelik eşikler üzerinden 0/1/2 sınıfları atanmıştır. XGBoost, LightGBM, CatBoost, Rastgele Orman ve Lojistik Regresyon modelleri katmanlı 5-kat doğrulama ile değerlendirilmiş; GridSearchCV üzerinde aday ayar seti taranmış; rastgele başlangıç değeri 42 olarak sabitlenmiş; standartlaştırma yalnız Lojistik Regresyon için uygulanmıştır. Değerlendirme, Doğruluk, Dengeli Doğruluk, Kesinlik, Duyarlılık, F1, MCC ve ROC-AUC metrikleri üzerinden yürütülmüş; model davranışının şeffaflığı için gömülü önem ölçümleri ve uygun olduğunda SHAP dağılımları kullanılmıştır. Bulgular, Teknik Hizmetler için CatBoost'un üstün performans sergilediğini (F1=0,9804; doğruluk=0,9805; MCC=0,9685; ROC-AUC=0,9984), Operasyonel Destek Hizmetleri için XGBoost'un öne çıktığını (F1=0,9587; doğruluk=0,9587; MCC=0,9333; ROC-AUC=0,9963) ve Miktara Bağlı Hizmetler için LightGBM'in en iyi sonucu verdiğini (F1=0,9609; doğruluk=0,9609; MCC=0,9367; ROC-AUC=0,9976) göstermektedir. Açıklanabilirlik analizleri planlı bakım oranı, ceza yoğunluğu ve alan/yatak/çalışan başına üretkenlik oranlarının ayırıcı etkisini doğrulamaktadır. Son aşamada, her kategori için "iyi" sınıf olasılıkları, ağırlıklar (Teknik 0,35; Operasyonel Destek 0,30; Miktara Bağlı 0,35) ile birleştirilerek 0–1 ölçekli FM Başarı Endeksi oluşturulmuş ve kurumlar arası kıyaslamalar üretilmiştir.