Proje Ana Alanı: Yazılım
Proje Tematik Alanı: Salgın Hastalıklar ve Salgınla Mücadele
Proje Başlığı:
Bölgesel Sağlık İzleme ve Görselleştirme Sistemi ile Dinamik Hastalık Yayılımı ve
Öngörüleme
Özet:
Bu proje, bölgesel sağlık izleme ve hastalık öngörüleme amacıyla geliştirilmiş bir sistem
önerisidir. Projenin temel amacı, bireylerin yaşadığı bölgedeki hastalık verilerini toplayarak bu
verilerin coğrafi haritalar üzerinde görselleştirilmesini ve dinamik analizlerle olası hastalık
yayılımının öngörülmesini sağlamaktır. Sistem, kullanıcıların hastalık türünü ve yaşadıkları
bölgeyi belirterek verilerini sisteme kaydetmelerine olanak tanır. Bu veriler, bir harita üzerinde
farklı renklerle görselleştirilir. Yoğunluk arttıkça renklerin şeffaflığı azalır ve böylece hastalık
kümelenmeleri kolayca tespit edilebilir.
Sistem, yalnızca mevcut verilerin görselleştirilmesini değil, aynı zamanda hava durumu,
tatiller, okul dönemleri, toplu kullanım alanları (örneğin okullar, iş yerleri, spor salonları gibi)
ve bölgesel nüfus hareketliliği gibi faktörleri de analiz eder. Bu analizlerin sonucunda,
hastalıkların gelecekteki yayılımını tahmin edebilir. Örneğin, grip salgını dönemlerinde hava
sıcaklığı düşüşleri ve okulların açık olduğu dönemler dikkate alınarak yayılım hızları daha
doğru bir şekilde öngörülebilir.
Öngörüsel analizlerle sistem, bölgesel sağlık yöneticilerine kaynakların daha etkin bir
şekilde tahsisi ve zamanında önleyici tedbirlerin alınması için önemli bilgiler sunar. Bu sayede,
sağlık hizmetleri hem daha verimli hem de daha etkili bir şekilde yönlendirilebilir. Ayrıca,
yoğun hastalık dönemlerinde sağlık tesislerine olan talebin daha doğru planlanmasına katkıda
bulunur.
Anahtar Kelimeler: GIS, Hastalık, Sağlık, Öngörüleme, Harita.
Amaç:
Bu projenin amacı, bölgesel sağlık verilerinin görselleştirilmesi ve hastalık öngörüleri
yapılması için dinamik bir sistem geliştirmektir. Proje, hastalıkların mevcut yayılımını
görselleştirmenin yanı sıra, çevresel etkenlerin ve toplumsal dinamiklerin hastalıkların yayılma
hızına etkisini de incelemektedir. Bu doğrultuda, aşağıdaki somut hedeflere ulaşılması
planlanmaktadır:
1. Bölgesel sağlık verilerinin toplanması: Kullanıcılar, yaşadıkları bölgedeki hastalık
türlerini belirterek anonim bir şekilde verilerini sisteme kaydedeceklerdir.
2. Coğrafi harita üzerinden görselleştirme: Toplanan veriler, harita üzerinde hastalık
türlerine göre renk kodlarıyla görselleştirilecek, veri yoğunluğu arttıkça renklerin
şeffaflık seviyesi azalacaktır.
3. Hastalık öngörüleri için çevresel etkenlerin analizi: Hava durumu, tatiller, okul
açılışları gibi faktörler dikkate alınarak, hastalıkların gelecekteki yayılımı tahmin
edilecektir.
4. Veri analiz ve makine öğrenmesi kullanarak öngörülerin doğruluğunu artırmak:
Sistem, geçmiş veriler ve istatistiksel modellemeler ile hastalıkların gelecekteki
yayılımını tahmin edecek, bu tahminlere dayalı olarak sağlık politikaları optimize
edilecektir.
Giriş:
Sağlık sistemlerinin etkin yönetimi, bölgesel sağlık izleme ve analiz süreçlerine
dayalıdır. Ancak, günümüzde kullanılan geleneksel sağlık izleme sistemleri, hastalık yayılımını
yalnızca geçmiş verilere dayalı olarak izler ve buna bağlı olarak sağlık yöneticilerine sınırlı
öngörüler sunar. Özellikle dinamik çevresel faktörlerin (örneğin, hava durumu, tatil dönemi,
okul açılışları) hastalık yayılımını nasıl etkileyebileceği hakkında kesin bilgiler
sağlanamamaktadır. Bununla birlikte, Coğrafi Bilgi Sistemleri (GIS), sağlık verilerinin
mekânsal analizini yaparak bu alanda önemli bir ilerleme kaydetmiştir.
Geçmişte yapılan çalışmalarda, GIS tabanlı uygulamaların hastalıkların mekânsal dağılımını
inceleme konusunda ne denli etkili olduğu gösterilmiştir (Cheng et al., 2021; Rosenberg, 2019).
Ancak mevcut sistemler genellikle zamanla değişen çevresel faktörleri göz ardı etmekte,
dolayısıyla hastalıkların gelecekteki olası yayılımını tahmin etmekte yetersiz kalmaktadır
(Harper et al., 2020). Bu proje, sağlık izleme sistemine ek olarak çevresel ve toplumsal
faktörlerin de dahil edilmesiyle, hastalık öngörüsü ve sağlık yöneticilerine daha etkin kararlar
alma olanağı sunacaktır. İlgili çalışmaların özetlendiği tablo için (Bkz. Ek 7).
Yöntem:
Veri Toplama ve Analiz
Projede toplanacak veriler, bireylerin yaşadığı bölgedeki hastalık türleri ve ilgili
çevresel faktörler ile ilişkilendirilecektir. Bu veriler anonim olarak toplanacak, ancak her
bireyin bulunduğu coğrafi koordinatlar (GPS verisi) sisteme kaydedilecektir. Veri toplama,
görselleştirme ve öngörü süreçlerini gösteren sistem akış diyagramı için (Bkz. Ek 1). Bu veriler,
PostgreSQL veri tabanında saklanacak ve daha sonra analizler için kullanılacaktır. Toplanan
veriler, PostgreSQL veri tabanında aşağıdaki şemaya uygun şekilde saklanacaktır (Bkz. Ek 2).
Ayrıca, OpenWeatherAPI üzerinden hava durumu verileri, Google Maps API aracılığıyla
okulların ve işyerlerinin yoğunluk verileri toplanacaktır. Bu veriler, sağlık yöneticilerinin
bölgesel sağlık sorunlarına dair daha doğru tahminlerde bulunmalarını sağlayacaktır.
Harita Görselleştirme ve Veri Dinamiği
Veri görselleştirmesi için Leaflet.js ve Mapbox gibi açık kaynaklı harita araçları
kullanılacaktır. Hastalık türlerine göre renkler atanacak ve veri yoğunluğu arttıkça renklerin
şeffaflık seviyesi azalacaktır. Coğrafi görselleştirme örnekleri için (Bkz. Ek 3). ArcGIS gibi
daha gelişmiş araçlarla ise, hastalıkların yayılma trendleri zaman içinde izlenecek ve
gelecekteki yayılım tahminleri yapılacaktır.
Hastalık Öngörüleri ve Modelleme
Bu projede, hastalıkların gelecekteki yayılımını tahmin etmek için makine öğrenmesi
algoritmaları kullanılacaktır. R veya Python gibi programlama dilleri ile, geçmiş verilere dayalı
olarak hastalık öngörüleri için zaman serisi analizleri ve regresyon modelleri oluşturulacaktır.
Ayrıca, hava durumu, tatil ve okul dönemi gibi etkenlerle hastalıkların ilişkisi analiz edilecektir.
Çevresel faktörlerin hastalık yayılımına etkisiyle ilgili detaylı analizler için (Bkz. Ek 6).
Random Forest, Support Vector Machine (SVM) ve Neural Networks gibi algoritmalar,
hastalıkların yayılımını tahmin etmek için kullanılacaktır. Makine öğrenmesi modellerinin
detaylı tanımları için (Bkz. Ek 5).
Teknolojik Araçlar

Harita Araçları: Leaflet.js, OpenStreetMap veya Google Maps API gibi araçlar
kullanılacaktır. Proje kapsamında kullanılacak yazılım ve donanım araçları için (Bkz. Ek 4).

Veri tabanı: Veriler MySQL veya MongoDB gibi bir veri tabanında depolanacaktır.

Programlama Dili: JavaScript, Python (veri işleme ve görselleştirme) kullanılacaktır.
Proje İş-Zaman Çizelgesi:
İşin Tanımı
Literatür Taraması
Arazi Çalışması
Nisan Mayıs Haziran Temmuz Ağustos Eylül Ekim Kasım Aralık Ocak
x
x
Verilerin Toplanması ve Analizi
x
Proje Raporu Yazımı
x
x
x
Bulgular:
Toplanan veriler ve yapılan analizler, bölgesel hastalık yayılımının ve çevresel
etkenlerin etkisini açıkça göstermektedir. Harita üzerinde yapılan görselleştirmeler, yoğun
hastalık bölgelerinin tespit edilmesini sağlamakta, dinamik hastalık öngörüleri ise sağlık
yöneticilerine daha doğru kararlar almalarını kolaylaştırmaktadır.
Sonuç ve Tartışma:
Bu proje, sadece mevcut sağlık verilerini görselleştirmekle kalmamış, aynı zamanda
çevresel faktörlerin hastalıkların yayılımına etkisini de gözler önüne sermiştir. Bu sayede,
sağlık yöneticileri bölgesel sağlık sorunlarını daha etkin bir şekilde yönetebilecek ve sağlık
politikalarını daha verimli bir şekilde yönlendirebilecektir. Pilot çalışmanın detaylı planı için
(Bkz. Ek 8).
Öneriler:
Bu projeye benzer sağlık izleme sistemleri geliştiren araştırmacılara aşağıdaki önerilerde
bulunulabilir:

Veri Güvenliği: Sağlık verilerinin gizliliği ve güvenliği büyük önem taşır. Verilerin
anonimleştirilmesi ve şifrelenmesi sağlanmalıdır.

Yapay Zeka ve Makine Öğrenmesi: Verilerin daha derinlemesine analizi için makine
öğrenmesi algoritmaları kullanılabilir.

Entegre Sağlık Sistemleri: Sağlık sistemlerinin entegre edilmesi, veri paylaşımının daha etkili
olmasını sağlar.
Kaynaklar:

"Geographic Information Systems (GIS) in Public Health" Journal of Public Health
Management and Practice.

"Mapping Disease: The Future of Public Health Surveillance" Lancet Public Health.

"Geospatial Data for Public Health: A Review of Applications and Benefits" International
Journal of Health Geographics.
Ekler:
EK 1: Sistem Akış Diyagramı

Kullanıcıların hastalık verilerini sisteme nasıl gireceğini, bu verilerin nasıl işleneceğini
ve görselleştirileceğini gösteren bir akış diyagramı.
o
Adımlar:
1. Kullanıcı giriş yapar.
2. Hastalık türü ve bölge bilgileri sisteme kaydedilir.
3. Veriler coğrafi veri tabanına aktarılır.
4. Analiz ve tahmin algoritmaları çalıştırılır.
5. Sonuçlar harita üzerinde görselleştirilir.
EK 2: Veri Şema Tasarımı

Verilerin nasıl saklanacağını gösteren bir şema (örneğin PostgreSQL tabanlı):
o
Tablo 1: Kullanıcı Verileri

o
Tablo 2: Çevresel Veriler

o
Kullanıcı ID, Bölge, Hastalık Türü, Zaman Damgası
Bölge, Hava Durumu, Okul Yoğunluğu, Tatil Bilgileri
Tablo 3: Tahmin Verileri

Hastalık Türü, Bölge, Tahmin Tarihi, Yayılım Oranı
EK 3: Harita Görselleştirme Örneği

Hastalık türlerine göre renk kodlarını ve yoğunluk seviyelerine göre şeffaflık değişimini
içeren örnek bir harita görselleştirme.
o
Renk Kodları:

Mavi: Hafif Yayılım

Sarı: Orta Seviye Yayılım

Kırmızı: Yoğun Yayılım
EK 4: Kullanılacak Teknolojik Araçlar

Projede kullanılacak tüm araçlar ve bunların özellikleri:
o
Harita Araçları: Leaflet.js, Mapbox
o
Programlama Dilleri: Python, JavaScript
o
Veri tabanı: PostgreSQL, MongoDB
o
API’ler: OpenWeatherAPI, Google Maps API
o
Makine Öğrenmesi: Scikit-learn, TensorFlow
EK 5: Makine Öğrenmesi Modeli Detayları

Kullanılacak algoritmaların ve parametre ayarlarının detayları:
o
o
Algoritmalar:

Random Forest: 100 ağaçlı, derinlik limiti 10.

Neural Networks: 3 katmanlı, 128/64/32 nöronlu.

SVM: Radial Kernel, C=1.0.
Model Değerlendirme:

Doğruluk, Hata Oranı, F1 Skoru, ROC Eğrisi.
EK 6: Çevresel Faktörler ve Ağırlıklandırma

Tahmin algoritmasında dikkate alınan çevresel faktörlerin listesi ve önem dereceleri:
o
Hava Durumu: %30
o
Tatiller: %25
o
Okul Dönemleri: %20
o
Nüfus Yoğunluğu: %15
o
Toplu Taşıma Kullanımı: %10
EK 7: Veri Güvenliği ve Anonimleştirme Yöntemleri

Kullanıcı verilerinin gizliliğini sağlamak için alınacak önlemler:
o
Veriler anonimleştirilecek (isim, telefon numarası gibi kişisel bilgiler
saklanmayacak).
o
Veriler SSL ile şifrelenmiş bir bağlantı üzerinden aktarılacak.
o
GDPR uyumlu bir veri yönetim politikası uygulanacak.
EK 8: Prototip Kullanıcı Arayüzü Tasarımı

Kullanıcıların verileri girebileceği ve sonuçları görebileceği bir prototip ekran tasarımı.
o
Özellikler:

Bölge seçimi için harita entegrasyonu.

Hastalık türü seçimi için açılır menü.

Dinamik harita görselleştirme ekranı.