Eritrosit envanter yönetiminde derin pekiştirmeli öğrenme
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: İstanbul Medipol Üniversitesi, Fen Bilimleri Enstitüsü, ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: AHMED ARİF ŞENGİL
Eş Danışman: TOZAN Hakan, KÖSE Kevser Banu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Dünya çapında en yaygın olarak uygulanan tedavi yöntemlerinden birisi kan transfüzyonudur. Sağlığın korunmasında ve hayatların kurtarılmasında kan ürünlerinin doğru bir şekilde temini çok önemli bir rol oynamaktadır. Her yıl, güvenli ve taze eritrosit erişimi sayesinde yüz binlerce hastanın hayatı kurtarılmaktadır. Dolayısıyla, kan kıtlığı sorununu çözebilmek ve kan talebinin ihtiyaçlarını karşılayabilmek için hastane düzeyinde de verimli bir kan ürünleri talep ve arz yönetimi sağlamak ve kan tedarik düzeyini yükseltmek ciddi bir ihtiyaçtır. Dünya çapında hastanelerin ortak hedefi, hizmet verilebilen hasta sayısını en üst düzeye çıkararak ve kan israfını azaltarak mevcut kan birimlerini daha iyi kullanmaktır. Kanı yönetmek zordur çünkü kan ürünleri bozulabilir ürünlerdir, arz stokastiktir ve talepler oldukça belirsiz bir şekilde gerçekleşmektedir. Ek olarak, eritrositler farklı gruplara ayrılmaktadırlar ve hasta uyumluluğu gerektirmektedirler. Pekiştirmeli öğrenme, dinamik ortamlarda sıralı karar verme problemlerini çözmek için geliştirilmiştir ve envanter yönetimi için ilgi çekici bir yöntemdir. Ölçeklendirilebilir, karmaşık problemlerde dahi optimal politikalara yakınsayabiliyor olmaları sebebiyle pekiştirmeli öğrenme metodları arasından yalnızca derin pekiştirmeli öğrenme yöntemleri dikkate alınmıştır. Son zamanlarda, derin pekiştirmeli öğrenme, birçok disiplinde sıralı karar verme problemleri için büyük potansiyel göstermiştir. Derin pekiştirmeli öğrenme, geleneksel yaklaşımlar kullanılarak elde edilmesi zor olan optimuma yakın politikalar geliştirmek için kullanılabilmektedir. Ancak, Boute ve diğerlerinin (2021) kanıtladığı gibi, derin pekiştirmeli öğrenme algoritmaları, geleneksel yöntemlerle elde edilmesi zor, veya hatta bazı durumlarda imkansız olan optimuma yakın politikalar geliştirmek için kullanılabilmelerine rağmen, envanter kontrol alanında yeterli düzeyde uygulanmamışlardır. Bu çalışma, hastane düzeyinde kan envanteri yönetimini iyileştirmek için pekiştirmeli öğrenme ve derin öğrenmedeki son gelişmelerden yararlanmaktadır. Kan bankası envanter yönetiminde derin pekiştirmeli öğrenme yöntemlerinden yararlanılıp yararlanılamayacağı, veya nasıl yararlanabileceği araştırılmıştır. Bu doğrultuda, İstanbul'da bulunan büyük ölçekli özel bir hastane örnek olarak ele alınarak eritrosit envanter yönetimi farklı kan grupları için derin pekiştimeli öğrenme yöntemi ile modellenmiştir. Kullanılan Proksimal Politika Optimizasyonu [1] algoritmasının tüm kan gruplarında optimale yakın seviyelerde performans gösterebilecek sipariş politikaları yakınsayabildiği gözlemlenmiştir. Derin pekiştirmeli öğrenme yöntemi kullanılarak kan ürünleri envanter yönetiminden sorumlu uzmanlara sipariş kararları konusunda destek olabilecek modeller kurulabileceği tespit edilmiştir.