Sağlık Teknolojisi Değerlendirmede Çok Kriterli Karar Verme Yaklaşımları Üzerine Bir Derleme Çalışması
Bibliographic record
Abstract
Sağlık sektöründe yer alan ilaçlar, tıbbi tedavi prosedürleri, tıbbı cihazlar, cerrahi teknikler ve sağlık sistemleri Sağlık Teknolojisi Değerlendirme (STD) kapsamında değerlendirilmektedir. Bu tip sağlık teknolojilerinin çeşitli yönlerden ele alınarak belirlenen kriterler ve istenen hedef doğrultusunda değerlendirilmesinde STD gittikçe popülerleşen bir yöntemdir. Sağlık sektöründe kaynakların kısıtlı olması ve maliyetlerin son yıllarda artış göstermesi, bu sektördeki karar vericileri etkili, güvenilir ve rasyonel adımlar atmaya itmiş ve STD’ye olan ilgiyi artırmıştır. STD’ye olan ilginin artmasıyla beraber kapsamı da çok kriterli ve paydaşlı olacak şekilde genişlemiştir. Çok Kriterli Karar Verme (ÇKKV) yöntemleri birden fazla kriter altında alternatifler arasından en iyi alternatifin seçilmesinde önemli rol oynar. Sağlık sektöründe yaşanan gelişmeler, sağlıkta eniyileme ve kanıta dayalı tıp uygulamalarının yaygınlaşması STD çalışmalarında ÇKKV yöntemlerine olan ilgiyi her geçen gün artırmaktadır. Bu derleme çalışmasında, literatürde son 10 yılda yapılan STD çalışmaları ve ÇKKV yaklaşımlarıyla yapılan STD çalışmaları kapsamlı bir biçimde özetlenmiş ve sınıflandırılmıştır. Ayrıca derleme çalışmasının sonucunda, STD çalışmalarında ÇKKV yöntemlerinin kullanımının 2008 yılından sonra hızlı bir şekilde arttığı gözlemlenmiştir. En sık kullanılan ÇKKV yöntemlerinin ise AHP (Analitik Hiyerarşi Prosesi), EVIDEM (Evidence and Value: Impact on DecisionMaking) ve ağırlıklı çarpım olduğu sonucuna ulaşılmıştır.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.016 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".