Forecasting of the Dental Workforce with Machine Learning Models

Basit Öğe Kaydı
dc.authoridAtalan, Abdulkadir / 0000-0003-0924-3685
dc.contributor.authorAtalan, Abdulkadir
dc.contributor.authorŞahin, Hasan
dc.date.accessioned2025-01-27T19:36:40Z
dc.date.available2025-01-27T19:36:40Z
dc.date.issued2024
dc.departmentÇanakkale Onsekiz Mart Üniversitesi
dc.description.abstractThe aim of this study is to determine the factors affecting the dental workforce in Turkey to estimate the dentists employed with machine learning models. The predicted results were obtained by applying machine learning methods; namely, generalized linear model (GLM), deep learning (DL), decision tree (DT), random forest (RF), gradient boosted trees (GBT), and support vector machine (SVM) were compared. The RF model, which has a high correlation value (R2=0.998) with the lowest error rate (RMSE=656.6, AE=393.1, RE=0.025, SE=496115.7), provided the best estimation result. The SVM model provided the worst estimate data based on the values of the performance measurement criteria. This study is the most comprehensive in terms of the dental workforce, which is among the healthcare resources. Finally, we present an example of future applications for machine learning models that will significantly impact dental healthcare management.
dc.description.abstractBu çalışmanın amacı, Türkiye'deki diş hekimleri işgücünü etkileyen faktörleri belirleyerek makine öğrenimi modelleri kullanarak istihdam edilen diş hekimlerini tahmin etmektir. Makine öğrenimi yöntemleri olan genelleştirilmiş lineer model (GLM), derin öğrenme (DL), karar ağacı (DT), rastgele orman (RF), gradyan artırılmış ağaçlar (GBT) ve destek vektör makinesi (SVM) uygulanarak tahmin edilen sonuçlar karşılaştırıldı. En yüksek korelasyon değerine (R2=0.998) ve en düşük hata oranına (RMSE=656.6, AE=393.1, RE=0.025, SE=496115.7) sahip olan RF modeli, en iyi tahmin sonucunu sağlamıştır. SVM modeli, performans ölçütü değerlerine dayanarak en kötü tahmin verilerini sağlamıştır. Bu çalışma, sağlık kaynakları arasında olan diş hekimleri işgücü açısından en kapsamlı olanıdır. Son olarak, diş sağlığı yönetimini önemli ölçüde etkileyecek makine öğrenimi modelleri için gelecekteki uygulamaların bir örneği sunulmuştur.
dc.identifier.doi10.46387/bjesr.1455345
dc.identifier.endpage132
dc.identifier.issn2687-4415
dc.identifier.issue1
dc.identifier.startpage125
dc.identifier.trdizinid1232761
dc.identifier.urihttps://doi.org/10.46387/bjesr.1455345
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1232761
dc.identifier.urihttps://hdl.handle.net/20.500.12428/16908
dc.identifier.volume6
dc.indekslendigikaynakTR-Dizin
dc.language.isoen
dc.publisherBandırma Onyedi Eylül Üniversitesi
dc.relation.ispartofMühendislik bilimleri ve araştırmaları dergisi (Online)
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TRD_20250125
dc.subjectDental Workforce
dc.subjectMachine Learning
dc.subjectForecasting
dc.subjectHealthcare Management
dc.subjectDiş Hekimleri İşgücü
dc.subjectMakine Öğrenimi
dc.subjectTahmin
dc.subjectSağlık Yönetimi
dc.titleForecasting of the Dental Workforce with Machine Learning Models
dc.title.alternativeDiş Hekimliği İşgücünün Makine Öğrenmesi Modelleri ile Tahmin Edilmesi
dc.typeArticle

Dosyalar

Orijinal paket
Listeleniyor 1 - 1 / 1
Küçük Resim
İsim:
Abdulkadir Atalan_Makale.pdf
Boyut:
1 MB
Biçim:
Adobe Portable Document Format
İndir

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu
Endüstri Mühendisliği Bölümü Koleksiyonu