Tıpta Uzmanlık Hakkındaki Yürürlükteki Mevzuat

Sağlık Bakanlığı ve Bağlı Kuruluşların Teşkilat ve Görevleri Hakkında 663 sayılı K.H.K02.Kasım.2011

Sağlık Hizmetleri Temel Kanunu 15.Mayıs.1987

1219 sayılı Tababet ve Şuabatı San'atlarının Tarzı İcrasına Dair Kanun - 11.Nisan.1928

YDUS  Yandal Uzmanlık Sınavı Giriş Yönetmeliği. Resmi Gazete | Son Hali - 02.Şubat.2011

TUEY  Tıpta ve Diş Hekimliğinde Uzmanlık Eğitimi Yönetmeliği - 18.Temmuz.2009 (pdf dosyası)

YTKİY Yataklı Tedavi Kurumları İşletme Yönetmeliği - 13.1.1983

Sağlık Bakanlığının Teşkilat Ve Görevleri Hakkında KHK - 13/12/1983

Yükseköğretim Kanunu - 04.11.1981

Veri Zarflama Analizi ve Karar Verme

Bir karar verici için birden çok karar noktası varsa, bu karar noktalarının etkinliklerini tahminlemek ve kararını bu etkinlikler ölçüsünde şekillendirmek önem taşır. Gerçektende karar noktalarının etkinlik sıraması karar verici açısından önemlidir ve karar verici diğerlerine nazaran daha az etkin olan karar noktalarının etkinliklerinin arttırılmasını sağlayacak senaryoların kararın bütününün etkinliğini nasıl değiştireceğini bilmek ister.

Bu noktada Veri Zarflama Analizi, benzer girdiler kullanarak çıktı ya da çıktılar ortaya koymakla sorumlu karar noktalarının göreceli etkinliklerini değerlendirmek için kullanılan ve doğrusal programlama tabanlı bir yöntem olarak tanımlanabilir. Veri Zarflama Analizini benzer amaçlı diğer yöntemlerden ayıran temel özellik, çok sayıda girdi ve çıktının olduğu durumlarda değerlendirme yapılabilmesini sağlamasıdır. Analiz sonucunda, her karar noktasının etkinlik değeri, etkin olmayan karar noktalarının hangi girdi/çıktı oranlarında etkinliklerinin nasıl arttırılabileceği (senaryolar) ve referans olarak kullanılabilecek karar noktalarına ilişkin bilgiler elde edilir (Karakoç, 2003).

Veri Zarflama Analizi ilk kez 1957 yıllında  Farrell tarafından Ortalama Performans ölçütüne karşılık ortaya atılan Sınır Üretim Fonksiyonu önerisi ile şekillenmiş, Charnes, Cooper, Banker ve Rhodes’ in çalışmalarıyla bu günkü haline gelmiştir. Veri Zarflama Analizinde temel etkinlik ölçütü, çıktıların ağırlıklı toplamlarının girdilerin ağırlıklı toplamlarına bölümüdür. 

Karar verme süreçlerinizi bilimsel temellere dayandırmak amacı ile istatistiksel.com 'un uzman istatistikçilerimizin desteği ile çalışabilirsiniz.

Bayes Teoremi

Bayes teoremi, olasılık kuramı içinde incelenen önemli bir konudur. Bu teorem bir rassal değişken için olasılık dağılımı içinde koşullu olasılıklar ile marjinal olasılıklar arasındaki ilişkiyi gösterir. Bu şekli ile Bayes teoremi bütün istatistikçiler için kabul edilir bir ilişkiyi açıklar. Bu kavram için Bayes kuralı veya Bayes savı veya Bayes kanunu adları da kullanılır. Ancak bazı istatistikçiler için Bayes teoremi özel olarak değişik bir önem de taşır. Felsefi temelde olasılık değerlerinin nesnesel bir özellik değil, gözlemcinin meydana çıkardığı subjektif bir değer olarak kabul eden sübjektivist olasılık düşünürlerine göre Bayes teoremi, yeni kanıtlar ışığında olasılık değeri hakkındaki sübjektif inanışların güncelleştirilip değiştirilmesini sağlayan temel bir gereçtir; yani sonsal bir yaklaşımın temelidir.

Olasılık teorisi içinde incelenen bir 'olay olarak B olayına koşullu bir A olayı (yani B olayının bilindiği halde A olayı) için olasılık değeri, A olayına koşullu olarak B olayı (yani A olayı bilindiği haldeki B olayı) için olasılık değerinden farklıdır. Ancak bu iki birbirine ters koşulluluk arasında çok belirli bir ilişki vardır ve bu ilişkiye (ilk açıklayan istatistikçi İngiliz Thomas Bayes (1702–1761) adına atfen) Bayes Teoremi denilmektedir.

Formel bir teorem olarak Bayes teoremi, olasılık kavramını inceleyen her türlü değişik felsefi temel fikre bağlı olan her türlü istatistikçi tarafından kabul edilir. Ancak olasılığı objektif bir değer olarak gören ve relatif çokluluk olarak tayin eden frekanscı (en:frequentist) ekolüne bağlı olan istatistikçiler ile sübjektivist (veya Bayes tipi) ekoline bağlı olan istatistikçiler arasında bu teoremin pratikte nasıl kullanılabileceği hakkında büyük bir fikir ayrılığı bulunmaktadır. Frekanscı ekolüne dahil olanlar olasılık değerlerini rastgele olaylarda meydana çıkma çokluluğuna göre veya anakütlenin altsetlerinin tam anakütleye orantısı olarak saptanması gerekeğini kabul etmektedirler. Bunlara göre yeni kanıtlar karşısında olasılık değerinin değişme imkânı yoktur. Bu nedenle frekanscı ekolü için Bayes teoremi sadece koşulluluklar arasında ilişkiyi gösterir ve bunun pratikte kullanılma gücü küçüktür. Hâlbukisübjektivist ekolüne göre olasılık gözlemcinin sübjektif belirsizlik ifadesidir. Bu nedenle olasılık değeri sübjektif olup, yeni kanıtlar geldikçe değiştirilebileceğine inanmakta ve böylece Bayes teoremini istatistik bir incelemenin temel taşı saymaktadırlar.

Müşteri Yönetimi

Her kurumun müşteri ihtiyaçlarıyla kendi ihtiyaçları arasında denge kurması gerekmektedir. Bunu yapabilmek için kurumların müşterilerinin ihtiyaçlarını doğru bir şekilde belirleyerek iyi bir müşteri ilişkisi kurmaları ve müşterilerini etkin bir şekilde yönetmeleri gerekmektedir. 

Günümüzde strateji yönetimi, analitik çalışmalar ve karar destek alanında uzmanlaşmış danışmanlık firmaları, müşteri yönetimi alanında sunduğu katma değerli hizmetler, bir yandan müşteri değerini ve gelirini arttırırken diğer yandan da maliyetleri ve müşteri kaybını azaltmaktadır. 

Sağlanan analitik çözümler ile kurum genelinde müşteri odaklı bir müşteri yönetimi yaklaşımı geliştirmeye yönelik merkezi ve otomatik bir karar verme süreci oluşturulmaktadır.

Müşteri Yönetimi ürünlerini uygulamaya koymuş olan şirketler:

• Müşteri kaybını azaltmışlardır.
• Ürün penetrasyonunu arttırmışlardır.
• Gecikmeye düşen müşteri sayısını azaltmışlardır.
• Sorunlu kredi ve zarara atma oranlarını azaltmışlardır.
• Müşteri hizmet kalitesini arttırmışlardır.

TÜBİTAK Bilimsel yayınlara 5.000 TL'ye kadar destek sağlıyor

Bilim ve teknoloji alanında gelişmişliğin temel göstergelerinden biri olan uluslararası bilimsel yayın sayısı her geçen yıl artıyor. Uluslararası yayın sayıları sıralamasında 2000 yılında 26. sırada yer alan Türkiye, 2011 yılında 18.’liğe yükselme başarısı gösterdi. Türk bilim insanlarının bu başarısında TÜBİTAK Uluslararası Bilimsel Yayınları Teşvik Programı’nın (UBYT) yazarlara sağladığı teşvikler de önemli rol oynadı.

Türkiye’de uluslararası yayın sayısı artışında başarı kalite sıralamasına yeterince yansımadı. Yayın kalitesinin göstergesi olan uluslararası atıf sayısı bakımından Türkiye bugün 27. sırada yer alıyor. Yayın sayısı sıralamasında 10 yılda 8 basamak yükselen Türkiye, atıf sayısı sıralamasında ise sadece 4 basamak yukarı çıkabildi. Geçmişte birbirine paralel olarak artan iki kategori arasındaki makas giderek açıldı.

Yayın sayısı artışındaki başarının kaliteye de yansıması için TÜBİTAK tarafından önemli bir adım atıldı. UBYT programının geçmiş 20 yıllık verilerini tek tek analiz eden TÜBİTAK, programı yeniden tasarlayarak yayın kalitesinin artırılması amacıyla yazarlara yapılan ödemeleri önemli ölçüde yükseltti.

Kalite Değerlendirmesinde Dergiler Esas Alınacak

Kaliteli yayınları teşvik eden bir yapıya dönüştürülen Uluslararası Bilimsel Yayınları Teşvik Programına göre, uluslararası temel atıf dizinleri tarafından taranan dergiler çeşitli parametreler kullanılarak değerlendirilecek. Dergilerde yer alan yayınlara, kalite puanlamasına göre 500 ile 5.000 TL arasında değişen teşvikler verilecek. Program 1 Mayıs 2013 yılından itibaren uygulamaya konulacak.

Kaynak: TÜBİTAK Haber Bülteni

CRM - Customer Management Relationship - Müşteri İlişkileri Yönetimi

Düşününki siz bir ürün satın aldınız. Sonra bu ürünü üreten şirket sizi tüm isteklerinize cevap verebilecek yeni veya mevcut diğer ürünlerinden haberdar etti.Hatta bu ürünleri kapınıza kadar veya size en yakın satış noktasına kadar getirdi.Sonra aradan zaman geçti.Geçen süre içerisinde sizde bir çocuk sahibi oldunuz.Sonra bu şirket çocuğunuzun ihtiyaçlarına cevap verecek ürünlerle tanıştırdı sizleri.Hatta ürünlerine promosyonlar ekledi ve sizlere tekrar sundu.Sonra sizlerin sürekli yeni ihtiyaçlarınızı ve ürün beklentilerinizi öğrendi ve bunları sağlayan yeni ürünler geliştirdi ve tekrar kapınıza kadar getirdi.Hatta artık siz ihtiyaçlarınızı ifade etmeden sizin nelere ihtiyaç duyabileceğinizi sizin adınıza düşündü ve üretti. 

CRM bu fonksiyonları yerine getirmek için kurulmuş ve teknoloji ile iç içe geçmiş bir kavramdır. CRM'in başarılı olması, üreticinin sürekli tüketici gözüyle bakıp,onun isteklerine ve beklentilerine cevap verebilecek değerler ortaya koymasına bağlıdır.

CRM Nedir? Ne İşe Yarar ve Neler Sağlar?

Birçok kişiye göre CRM bir yazılım veya bir aplikasyondur.Fakat CRM kavram olarak bu kadar basite indirgenilemez.CRM pazarlama stratejilerinin temel taşını oluşturan bir kavram olarak düşünülmeli ve algılanmalıdır. Müşteri ilişkilerine, üretim aşamasından ve üretim maliyetlerinden başlayan geniş bir platformda bakabilmek, müşteri davranışlarını çok yönlü değerlendirerek, bu davranışlardan karlılığa yönelik çıkarımlar yapabilmektir. Bu kavramı uygularken teknolojinin her şeyi çözebileceğine inanmak ve insan katma değerini yok saymak, yapılacak en önemli yanlış olmakla beraber, CRM kavramına insanın kattığı değerleri inkar etmek olacaktır.

Anlamlılık Düzeyi (Significance Level)

Hipotez test etmede, yokluk (null) hipotezini reddetmek için kullanılan bir kriterdir. H0 null hipotezinin doğru olduğu halde reddedilme olasılığına anlamlılık ya da manidarlık düzeyi denir. Anlamlılık düzeyi, hipotetik değerle örneklemden elde edilen değer arasındaki farkın şansla açıklanamayacak kadar büyük olduğu anlamındadır. 1. tür hata yapma olasılığını verir, ? sembolü ile gösterilir. Bu olasılığın küçük olması istenir. Genelde olasılık değerleri 0.05, 0.01 ve 0.001 olarak alınır. Hesaplanan test istatistiğinin (t değeri gibi) ortaya çıkma olasılığı, manidarlık düzeyine eşit ya da daha küçük ise, o zaman null hipotez reddedilir ve istatistiksel olarak sonucun manidar olduğu söylenir.

Medikal İstatistik Tanım ve Amacı

Biyoloji, tıp, tıbbi-biyoloji mühendisliği,  epidemioloji, ve tüm diğer sağlık bilimlerinde:

- En uygun bilimsel araştırma dizaynının teşkili

- En uygun veri toplama enstrumanlarının tesbiti

- Verilerin toplanması

- Verilerin analizi ve doğru bir şekilde yorumlanması için kullanılan istatistiki yöntemlerin bütünüdür.

Medikal İstatistik biliminin çalışma amaçları;


* Gerçek hayattaki bazı değişkenler ve  hastalıklar arasındaki ilişkiyi izah edebilmek,

* Bazı hastalıkların etiyolojisine dair empirikal  deliller sağlayabilmek,

* Hastalık sıklığı, risk oranları, enstrumanların  doğruluğu ve güvenilirliği gibi hususlarda  tahminlerde bulunabilmek,

* Tıp ve/veya sağlık bilimleri literatürünü doğru ve yeterli bir şekilde anlayabilmek ve yorumlayabilmek.

Örneklem Büyüklüğünün Saptanması

Anket araştırmasına konu olan olayların hemen hemen tümü, oran cinsinden ifade edilebilecek niteliktedir. Anket her ne kadar bu oranlara ilişkin kesin rakamlar elde etmek için yapılsa da, örneklem büyüklüğünün belirlenmesinde bu oranların tahmini değerlerine ihtiyaç vardır. Bu değerler örneklemin homojen olduğu –anket konusu ile ilgili benzer özellikler gösterdiği– durumlarda p=0.9/q=0.1, homojen olmadığı çok farklı özellikler gösterdiği durumlarda ise p=0.5/q=0.5 olarak alınır. Örneklem büyüklüğünün belirlenmesinde kullanılacak diğer ölçüler ise olayın görülüş sıklığına (gerçekleşme olasılığı) göre kabul edilebilecek örnekleme hatası, [d] ve saptanacak anlamlılık düzeyidir [?]. 

Burada olayın görülüş sıkılığına göre kabul edilebilecek ? örnekleme hatasının anlamı şudur: Örneğin incelenen olayın görülüş sıklığı %25 olsun. Seçeceğimiz örneklemden elde edeceğimiz sonuçların, gerçek değerden %5 oranında farklılık gösterebileceğini kabul edersek, bulacağımız değerlerin %20 ila %30 arasında olabileceğini öngörüyoruz demektir. Olasılık düzeyi (1-?) ise örneklemden elde ettiğimiz değerin yüzde kaç olasılıkla saptadığımız aralık arasında bulunacağını gösterir. Örneğin ? = 0.05 anlamlılık düzeyini seçersek, bu değerin %95 olasılıkla bu sınırlar arasına, %5 olasılıkla bu sınırlar dışına düşebileceğini kabul ederiz. Eğer ? = 0.01 anlamlılık düzeyini seçersek bu kez bulacağımız değerin %99 olasılıkla bu sınırlar içine, %1 olasılıkla bu sınırlar dışına düşebileceğini kabul ederiz. 

Örneklem büyüklüğünü belirlemek için;
- Hedef kitledeki birey sayısı bilinmiyorsa
n = t2pq / d2
- Hedef kitledeki birey sayısı biliniyorsa
n= N t2pq / d2 (N-1) + t2pq
formülleri kullanılır. Formüllerde;
N : Hedef kitledeki birey sayısı
n : Örnekleme alınacak birey sayısı
p : İncelenen olayın görülüş sıklığı (gerçekleşme olasılığı)
q : İncelenen olayın görülmeyiş sıklığı (gerçekleşmeme olasılığı)
t : Belirli bir anlamlılık düzeyinde, t tablosuna göre bulunan teorik değer
d : Olayın görülüş sıklığına göre kabul edilen ? örnekleme hatasıdır. 

Medikal analiz hizmetleri

istatistiksel.com organizasyonunun medikal istatistik alanında uzmanlaşmış organizasyonun tanıtımı için hazırlanan yeni internet sitemiz www.medikal-analiz.com u ziyaret ederek detaylı bilgi edinebilirsiniz.