Bu çalışma, otomatik kemilüminesans immünoassay analizörlerinde test isteklerinin yürütülme sırasını ve her isteğin hangi reaktif şeritle karşılanacağını birlikte optimize eden, plakaya duyarlı bir genetik algoritma geliştirmektedir. VirClia Lotus 360 için tanımlanan modelde reaktif şeritler soğutulmuş bölümdeki plakalarda tutulmakta ve tek bir şeride ulaşmak için plakanın tamamının çalışma alanına çıkarılması gerekmektedir. Önerilen algoritma; plaka bloklarını koruyan özel bir çaprazlama işlemi, sıra değişimi ve plaka yeniden atama mutasyonları ile son kullanma süresini dikkate alan yumuşak bir maliyet kullanmaktadır. Bir sentetik ve üç gerçek iş yükünde genetik algoritma, açgözlü yönteme göre plaka hareketlerini ortalama %28,5; FIFO’ya göre ise yaklaşık %86,9 azaltmıştır. Ancak sonuçlar geliştirilen cihaz üzerinde gerçek zamanlı operasyonla doğrulanmamış, yalnızca mevcut cihaz verileriyle bilgisayar ortamında değerlendirilmiş ve algoritmanın küresel optimuma ulaştığı matematiksel olarak kanıtlanmamıştır.

Çalışma kapsamında 54 istekten oluşan sentetik bir veri kümesi ile gerçek bir laboratuvarın ardışık üç çalışma gününden alınan 194, 265 ve 210 istekli veri kümeleri kullanılmıştır. Seçilen genetik algoritma ayarlarıyla 50 bağımsız çalıştırma gerçekleştirilmiş; gerçek veri kümelerinde ortalama hesaplama süreleri 16,02, 27,18 ve 18,44 saniye olmuştur. Aynı veri kümelerinde gereken ortalama plaka hareketi sayıları genetik algoritma için sırasıyla 42,00, 56,48 ve 52,16; açgözlü yöntem için 60, 76 ve 78; FIFO için ise 362, 530 ve 414 olarak bildirilmiştir. Bu sonuçlar, birkaç on saniyelik çizelgeleme maliyeti karşılığında robotik plaka taşıma işlemlerinin önemli ölçüde azaltılabileceğini göstermektedir.

Türkiye açısından değerlendirme: Yaklaşım; Türkiye’de otomatik seroloji, immünoassay, klinik kimya ve moleküler tanı sistemleri geliştiren firmalar ile yüksek numune hacmine sahip hastane laboratuvarlarında sarf malzemesi erişimini ve robot hareketlerini optimize etmeye yönelik yöntemsel değer taşımaktadır. Türkiye’ye uyarlama için kullanılan cihazın gerçek mekanik mimarisi, test öncelikleri, acil numune kuralları, laboratuvar bilgi sistemi bağlantısı, kalite kontrol işlemleri, kalibrasyon gereksinimleri ve hasta sonuç süresi kısıtları modele eklenmelidir. Algoritma gerçek cihazın dijital ikizinde, donanım döngüde test ortamında ve kontrollü klinik operasyon sırasında karşılaştırılmalıdır. Bu çalışmadan algoritmanın Türkiye’deki bütün laboratuvar analizörlerinde aynı oranda kazanç sağlayacağı, tanı süresini doğrudan belirli bir yüzde azaltacağı, hasta güvenliğini artırdığı veya klinik tanı doğruluğunu etkilediği sonucu çıkarılamaz.

Araştırmanın çözmeye çalıştığı sorun nedir?

Otomatik klinik analizörlerde toplam işlem süresi yalnızca kimyasal reaksiyonlardan ve ölçüm aşamalarından oluşmaz. Numunelerin, reaktiflerin, tek kullanımlık şeritlerin ve diğer sarf malzemelerinin robotik olarak taşınması da cihaz kapasitesini ve mekanik ömrünü etkileyebilir.

Çalışmada incelenen mimaride reaktif şeritler, sıcaklık kararlılığını korumak amacıyla soğutulmuş bir alanda plakalar içinde saklanmaktadır. Robot, belirli bir test için gereken tek kullanımlık şeride doğrudan ulaşamamaktadır. Şeridi almak için önce şeridin bulunduğu plakanın tamamını soğutulmuş alandan çıkarıp çalışma alanına taşımak zorundadır.

Ardışık iki test aynı plakadaki şeritlerle gerçekleştirilebiliyorsa plaka çalışma alanında tutulabilir. Sonraki test farklı bir plakayı gerektiriyorsa mevcut plaka yerine geri konulmalı ve yeni plaka çıkarılmalıdır. Bu nedenle testlerin geliş sırasına göre yürütülmesi, çok sayıda gereksiz plaka değişimine yol açabilir.

Araştırmacılar plaka taşıma işlemlerinin üç temel maliyet oluşturduğunu belirtmektedir:

• Robotik bileşenlerde mekanik aşınma ve kullanım ömrü kaybı,
• Cihazın toplam işlem kapasitesinde azalma,
• Soğutulmuş bölümün nem ve sıcaklık değişimlerine daha sık maruz kalması.

Optimizasyon problemi bu nedenle yalnızca hangi testin önce yapılacağını değil, her test için aynı türdeki birden fazla uygun şeritten hangisinin kullanılacağını da belirlemektedir.

VirClia Lotus 360 için modellenen iş akışı

Çalışmadaki sistem modeli, en fazla 30 reaktif plakasına sahip soğutulmuş bir alan kullanmaktadır. Her plaka en fazla 12 şerit taşıyabildiğinden aynı anda en fazla 360 reaktif şeridi depolanabilmektedir. Numune tarafında ise cihazın, her biri 16 numune taşıyabilen altı rafı desteklediği belirtilmektedir.

Çizelgeleme açısından iş akışı dört basamakta sadeleştirilmiştir:

1. Robotik kol gerekli reaktif plakasını soğutulmuş alandan çalışma alanına getirir.
2. Tutucu mekanizma istenen teste karşılık gelen reaktif şeridi plakadan çıkarır.
3. Numune şeride pipetlenir ve şerit cihazın iç rotoruna yerleştirilir.
4. Sonraki test aynı plakadaki bir şeritle yapılabiliyorsa plaka değiştirilmez; aksi durumda plaka soğutulmuş bölüme geri gönderilir ve başka bir plaka çıkarılır.

Çalışma, gerçek cihazın bütün analitik ve robotik operasyonlarını modellememektedir. Kalibrasyonlar, kalite kontrolleri, reaksiyon süreleri, rotor kapasitesi, acil numune öncelikleri ve paralel işlem ayrıntıları bu optimizasyon probleminde soyutlanmıştır. Modelin ana odağı plaka erişimi ve reaktif şerit tüketimidir.

Reaktif şeritlerin son kullanma süresi nasıl ele alınmıştır?

Her reaktif şerit için iki zaman bilgisi tanımlanmıştır:

• Parti son kullanma süresi: Üretim partisinin belirlediği ve genellikle 18 aya kadar uzanan raf ömrü.
• Cihaz üzerindeki kullanım süresi: Şeridin soğutulmuş alana yüklenmesinden sonra başlayan 30 günlük süre.

Süresi dolan şeritlerin cihaz tarafından atıldığı, bu nedenle son kullanma bilgisinin çizelge için katı bir uygunluk kısıtı olarak kullanılmadığı belirtilmektedir. Bunun yerine algoritma, daha az kalan ömre sahip şeritlerin önce tüketilmesini teşvik eden yumuşak bir maliyet eklemektedir.

Bu yaklaşım, plaka hareketini azaltmak ile süresi yaklaşan reaktifleri tüketmek arasında bir denge kurmayı amaçlamaktadır. Algoritma yalnızca en az plaka hareketine sahip sırayı seçerse bazı eski şeritler kullanılmadan kalabilir; yalnızca son kullanma süresini önceler ise aynı test için sürekli farklı plakalar çıkarılması gerekebilir.

Matematiksel optimizasyon modeli

Numuneler kümesi \(S\), test türleri kümesi \(T\) ve diagnostik istekler kümesi \(R\subseteq S\times T\) olarak tanımlanmıştır. Her istek, belirli bir numune üzerinde belirli bir testin çalıştırılmasını temsil etmektedir.

Plakalar kümesi \(L\), her plakadaki şerit yuvaları ise \(K=\{1,\ldots,12\}\) olarak verilmiştir. Bir plakanın belirli yuvasındaki test türü aşağıdaki gösterimle ifade edilmektedir:

\[ \tau(l,k)\in T\cup\{\varnothing\} \]

Burada \(\varnothing\), yuvanın boş olduğunu göstermektedir. Bir çözüm iki karardan oluşmaktadır:

• \(\pi\): Test isteklerinin yürütülme sırası,
• \(a\): Her isteğin kullanılabilir bir plaka-şerit çiftine atanması.

Amaç fonksiyonu çalışmada şu biçimde verilmiştir:

\[ \min_{\pi,a} F(\pi,a) = \alpha\sum_{i=1}^{n}\mathbb{I}[u_i\neq u_{i-1}] + \beta C_{\mathrm{exp}}(\pi,a) \]

Burada \(u_i\), dizinin \(i\). konumundaki test için kullanılan plakayı; \(u_0\), başlangıçta çalışma alanında bulunan plakayı; \(\mathbb{I}[\cdot]\), koşul doğru olduğunda 1 değerini alan gösterge fonksiyonunu ifade etmektedir.

Birinci terim ardışık testler arasında plaka değişimi olup olmadığını saymaktadır. Başlangıçta çalışma alanında plaka yoksa ilk plakanın çıkarılması da bir hareket olarak hesaba katılmaktadır. İkinci terim ise son kullanma tercihlerinin toplam maliyetidir.

Uygunluk değeri nasıl hesaplanmaktadır?

Genetik algoritmada kullanılan somut uygunluk fonksiyonu şöyledir:

\[ f(x)= \sum_{i=1}^{n}\mathbb{I}[u_i\neq u_{i-1}] + \sum_{i=1}^{n} \left[ \gamma\phi_{\mathrm{lot}}(x_i') + \delta\phi_{\mathrm{on}}(x_i'') \right] \]

\(x_i'\), seçilen şeridin parti son kullanma süresine kalan gün sayısını; \(x_i''\), cihaz üzerindeki kullanım süresine kalan gün sayısını göstermektedir. Normalleştirme fonksiyonları aşağıdaki biçimde tanımlanmıştır:

\[ \phi_{\mathrm{lot}}(x)=\frac{x}{270}-1 \]

\[ \phi_{\mathrm{on}}(x)=\frac{x}{15}-1 \]

Parti ömrü için 0–540 günlük, cihaz üzerindeki süre için 0–30 günlük aralık varsayıldığında bu dönüşümler yaklaşık −1 ile 1 arasında değer üretmektedir. Daha az kullanım süresi kalan şeritler daha düşük maliyetle ilişkilendirilerek önce tüketilmeye yönlendirilmektedir.

Çalışmada \(\gamma\) ve \(\delta\) katsayılarının son kullanma bileşenlerinin önemini denetlediği belirtilmekte; ancak deneylerde kullanılan sayısal \(\gamma\) ve \(\delta\) değerleri verilmemektedir. Bu eksiklik, bildirilen uygunluk değerlerinin bağımsız olarak yeniden hesaplanmasını ve plaka hareketi ile reaktif israfı arasındaki ağırlığın anlaşılmasını sınırlandırmaktadır.

Bir çözüm kromozomda nasıl temsil edilmiştir?

Her kromozom bütün diagnostik istekleri içeren bir permütasyon vektörüdür:

\[ x=(x_1,x_2,\ldots,x_n) \]

Her gen yalnızca bir test isteğini değil, o isteğin hangi fiziksel reaktif şeritle karşılanacağını da kodlamaktadır. Genin dizideki konumu testin yürütülme sırasını; genle ilişkilendirilen şerit konumu ise plaka ve yuva atamasını belirlemektedir.

Bu gösterim sayesinde genetik algoritma iki karar düzeyini eş zamanlı olarak değiştirebilmektedir:

• Test isteklerinin sıralaması,
• İsteklerin kullanılabilir reaktif şeritlere atanması.

Her diagnostik istek kromozomda tam olarak bir kez bulunmalıdır. Aynı fiziksel şeridin birden fazla isteğe atanması veya test türüyle uyumsuz şerit seçilmesi çözümü geçersiz hâle getirmektedir.

Başlangıç popülasyonu tamamen rastgele mi oluşturulmuştur?

Başlangıç popülasyonu tamamen rastgele oluşturulmamıştır. Araştırmacılar, plaka tekrar kullanımını teşvik ederken çözümler arasında çeşitliliği korumak amacıyla yarı rastgele bir kurucu yöntem kullanmıştır.

Her adımda bekleyen test türlerinden biri rastgele seçilmekte, bu test türüne ait en fazla 12 istek arka arkaya planlanmaktadır. Ardından bu test için kullanılabilir şerit taşıyan plakalardan biri rastgele seçilmektedir. Seçilen plakada yeterli sayıda şerit varsa isteklerin tamamı aynı plaka bloğuna yerleştirilmekte; şerit sayısı yetersizse mevcut şeritler kullanılıp kalan talep tekrar bekleyen istekler kümesine gönderilmektedir.

Bu yöntem, ilk popülasyonda aynı plakaya ait testlerin bloklar oluşturmasını sağlamaktadır. Aynı zamanda test ve plaka seçimlerinin rastgele yapılması, bütün bireylerin aynı çizelgeyle başlamasını önlemektedir.

Seçim ve çaprazlama nasıl uygulanmıştır?

Ebeveyn seçimi doğrusal sıralama yöntemiyle gerçekleştirilmiştir. Popülasyon düşük uygunluk değeri daha iyi olacak biçimde sıralanmış ve bireyler sıralarına göre eşleştirilmiştir. Bu yöntem, yalnızca en iyi bireylerin çoğalmasını önleyerek çözüm çeşitliliğini korumayı amaçlamaktadır.

Çaprazlama işlemi klasik bir permütasyon çaprazlamasından farklıdır. Araştırmacılar, aynı plakayı kullanan ardışık istek bloklarının parçalanmasını önleyen plakaya hizalı bir operatör tasarlamıştır:

1. Birinci ebeveynde iki kesim noktası seçilir.
2. Kesim noktaları, içinde bulundukları aynı plaka bloklarının başlangıç ve bitiş sınırlarına genişletilir.
3. Bu plaka tutarlı bölüm yavruya değiştirilmeden aktarılır.
4. Eksik istekler ikinci ebeveyndeki sıraları korunarak boş konumlara yerleştirilir.
5. Sınırda aynı plakaya ait komşu istekler varsa blok genişletilerek gereksiz yeni plaka değişimi oluşması önlenir.

İki ebeveynden gelen şerit atamaları aynı fiziksel şeridin birden fazla kez kullanılmasına yol açarsa yavru çözüm atılmaktadır. Bu tercih uygunluğu korusa da çok sayıda geçersiz yavru oluşması durumunda arama verimliliğini azaltabilir. Çalışma, geçersiz yavru oranını raporlamamıştır.

İki mutasyon operatörünün görevi nedir?

Sıra tabanlı mutasyon, farklı plakalara ait iki bütün istek bloğunu yer değiştirmektedir. Genlerin içindeki plaka ve şerit atamaları korunmakta, yalnızca blokların yürütülme sırası değişmektedir. Böylece algoritma aynı kaynak atamalarıyla farklı plaka geçiş düzenlerini deneyebilmektedir.

Plaka yeniden atama mutasyonu, aynı test türüne ve aynı plakaya ait ardışık bir istek bölümünü seçmekte ve yeterli sayıda kullanılmamış uygun şerit taşıyan başka bir plakaya taşımaktadır. Bu mutasyon yürütme sırasını korurken kaynak atamasını değiştirmektedir.

Birinci mutasyonun çözüm kalitesi üzerinde belirgin etkisi olduğu, ikinci mutasyonun ise incelenen veri kümelerinde daha sınırlı katkı sağladığı bildirilmiştir. Araştırmacılar bunu plaka sayısının en fazla 30 olması ve başlangıç popülasyonunun zaten yeterli atama çeşitliliği içermesiyle açıklamaktadır.

Yeni nesil nasıl oluşturulmuştur?

Algoritma kuşaksal yenileme kullanmaktadır. Her kuşakta sıralanan ebeveynlerden yeni bir popülasyon oluşturulmakta, çaprazlama belirlenen olasılıkla uygulanmakta ve ardından iki mutasyon operatörü devreye girmektedir.

Yeni popülasyonda yinelenen kromozomlara izin verilmemektedir. Geçersiz bir yavru, karşılık gelen ebeveynin kopyasıyla değiştirilmektedir. Ayrıca elitist stratejiyle önceki kuşağın en iyi bireyi yeni popülasyonda bulunmuyorsa en kötü bireyin yerine doğrudan eklenmektedir.

Bu elitist yaklaşım nedeniyle en iyi uygunluk değeri kuşaklar ilerledikçe kötüleşmemektedir. Çalışmanın ilk iki sayfasındaki yakınsama grafiklerinde kalın ortalama eğrisinin sürekli azaldığı ve son kuşaklarda yataylaştığı görülmektedir.

Algoritma ne zaman durmaktadır?

İki durdurma ölçütünden biri gerçekleştiğinde arama sona ermektedir:

• Önceden belirlenen en yüksek kuşak sayısına ulaşılması,
• En iyi kromozomun 30 ardışık kuşak boyunca değişmemesi.

İkinci ölçüt, belirgin ilerleme kalmadığında gereksiz hesaplamayı önlemektedir. Bununla birlikte bir çözümün 30 kuşak boyunca değişmemesi, çözümün küresel optimum olduğunu göstermez. Algoritma yerel veya yakın-optimum bir bölgede de durabilir.

Hiperparametreler nasıl seçilmiştir?

Kuşak sayısı \(G\), popülasyon büyüklüğü \(N\), çaprazlama olasılığı \(p_c\), sıra mutasyonu olasılığı \(p_{m1}\) ve plaka yeniden atama olasılığı \(p_{m2}\) için ızgara taraması yapılmıştır.

Kuşak sayısının artırılması ortalama uygunluk değerini 117,42’den 114,87’ye, ortalama plaka hareketini 43,45’ten 41,36’ya düşürmüş; hesaplama süresini 9,86 saniyeden 14,65 saniyeye yükseltmiştir. Çaprazlama olasılığının 0,7’den 0,9’a çıkarılması da uygunluk ve hareket sayısında iyileşme sağlamıştır.

Popülasyon büyüklüğünde 100 değeri seçilmiş olmasına rağmen Tablo 1’deki toplulaştırılmış sonuçlarda 80, 100 ve 120 değerleri arasındaki hareket farkları çok küçüktür. Yazarlar seçimi tablonun altında görünmeyen ham verilere ve kalite-süre dengesine dayandırdıklarını belirtmektedir.

Hangi veri kümeleri kullanılmıştır?

Gerçek veri kümelerinin hangi tarihlerde toplandığı, kaç farklı test türü içerdiği, plakaların doluluk oranı, son kullanma süresi dağılımı ve gün içindeki istek geliş zamanları verilmemiştir. İstekler tek bir başlangıç iş listesi olarak ele alınmış; gün içinde dinamik olarak gelen yeni testlerin çevrim içi çizelgelenmesi incelenmemiştir.

Kararlılık deneyi ne göstermiştir?

Seçilen hiperparametrelerle her veri kümesinde 50 bağımsız genetik algoritma çalıştırması yapılmıştır. Ortalama, standart sapma ve değişim katsayıları aşağıdaki gibidir:

Uygunluk değişim katsayıları gerçek veri kümelerinde %0,20–0,74, plaka hareketi değişim katsayıları ise %0–2,98 aralığındadır. Bu değerler, rastgele başlangıca rağmen algoritmanın benzer sonuçlara ulaştığını göstermektedir.

Bu kararlılık algoritmik çalıştırmalar arasındaki değişkenliği ifade etmektedir. Farklı laboratuvarlar, cihazlar, reaktif yerleşimleri veya çalışma günleri arasındaki genellenebilirliği göstermemektedir.

FIFO ve açgözlü yöntemler nasıl çalışmaktadır?

FIFO, test isteklerini sisteme ulaşma sırasını değiştirmeden yürütmektedir. Her istek için gereken test türündeki ilk kullanılabilir şerit seçilmektedir. Bu yöntem basit, hızlı ve öngörülebilirdir; ancak ardışık isteklerin farklı plakalarda olması durumunda çok sayıda plaka hareketi üretmektedir.

Açgözlü plaka yöntemi, kalan talebi en yüksek olan test türünü seçmekte ve bu testten en fazla kullanılabilir şerit taşıyan plakayı tercih etmektedir. Seçilen plakadan mümkün olan en fazla istek arka arkaya yürütülmektedir. Yöntem aynı plakaya ait bloklar oluşturmasına rağmen yalnızca o andaki yerel talebi dikkate almakta, ilerideki test türleri arasındaki genel etkileşimi değerlendirmemektedir.

Her iki yöntem deterministik olduğundan bir kez çalıştırılmış; genetik algoritma sonuçları ise 50 çalıştırmanın ortalaması olarak verilmiştir.

Yöntemlerin karşılaştırmalı sonuçları

Tablo değerlerinden hesaplandığında genetik algoritmanın FIFO’ya göre plaka hareketi azalması sentetik veri kümesinde yaklaşık %82,4; Gerçek 1’de %88,4; Gerçek 2’de %89,3 ve Gerçek 3’te %87,4’tür.

Açgözlü yönteme göre azalma oranları ise sırasıyla %25,0, %30,0, %25,7 ve %33,1’dir. Bu dört oranın ortalaması çalışmada bildirilen yaklaşık %28,5’lik iyileşmeyle uyumludur.

Genetik algoritmanın uygunluk değerleri de bütün veri kümelerinde daha düşüktür:

Yazarların toplulaştırılmış hesabına göre genetik algoritma FIFO’ya kıyasla uygunluk değerini %70,2 ve plaka hareketlerini %86,9 azaltmıştır. Açgözlü yöntem için aynı oranlar sırasıyla %65,6 ve %81,7’dir. Genetik algoritma açgözlü yönteme göre uygunlukta %13,6, hareket sayısında %28,5 iyileşme sağlamıştır.

Hesaplama süresindeki artış kabul edilebilir mi?

FIFO ve açgözlü yöntemlerin hesaplama süreleri bütün veri kümelerinde 0,01 saniyenin altındadır. Genetik algoritma ise küçük sentetik örnekte 2,92 saniye, gerçek iş yüklerinde 16,02–27,18 saniye arasında çalışmıştır.

Araştırmacılar, 200’den fazla test isteği içeren iş yüklerinde 20–30 saniyelik sürenin gerçek laboratuvar operasyonuyla uyumlu olduğunu değerlendirmektedir. Ancak bu değerlendirme gerçek cihazın zamanlama yazılımına entegrasyonla doğrulanmamıştır.

Algoritmanın pratikte kabul edilebilir olup olmadığı; iş listesinin ne kadar sık yeniden hesaplandığına, acil numunelerin gelişine, cihazın boşta kalma süresine ve çizelgelemenin analiz başlamadan önce mi yoksa çevrim içi mi yapıldığına bağlıdır. Çalışma statik bir çizelgeleme ufku kullandığı için saniyeler düzeyindeki hesaplama maliyetinin dinamik çalışma koşullarına etkisi henüz bilinmemektedir.

Son kullanma tercihi gerçekten test edilmiş midir?

Çalışmanın amaç fonksiyonunda parti ve cihaz üzerindeki son kullanma süreleri bulunmaktadır. Ancak sonuç tablolarında kaç şeridin son kullanma nedeniyle kurtarıldığı, ortalama kalan ömür, atılan reaktif sayısı veya parasal israf miktarı raporlanmamıştır.

Bu nedenle çalışma, son kullanma duyarlı maliyetin algoritmaya dâhil edildiğini göstermekte; fakat bu bileşenin gerçek reaktif israfını ne ölçüde azalttığını bağımsız bir sonuç değişkeniyle kanıtlamamaktadır. Uygunluk iyileşmesinin ne kadarının plaka hareketinden, ne kadarının son kullanma tercihinden kaynaklandığı da belirtilmemiştir.

Yakınsama küresel optimum anlamına geliyor mu?

Grafiklerde en iyi uygunluk değerinin ilk kuşaklarda hızlı, daha sonra yavaş biçimde düştüğü ve son kuşaklarda yataylaştığı görülmektedir. Gerçek 1 veri kümesinde yakınsama daha erken gerçekleşirken daha karmaşık olan diğer veri kümesinde iyileşme daha uzun sürmektedir.

Daralan standart sapma bandı, farklı rastgele çalıştırmaların benzer çözümlere ulaştığını göstermektedir. Buna karşılık çalışmada:

• Kesin bir karma tamsayılı programlama modeliyle elde edilmiş optimum değer,
• Matematiksel alt sınır,
• Optimumluk açığı,
• Küçük örneklerde kesin çözüm karşılaştırması

sunulmamıştır. Bu nedenle sonuçlar yüksek kaliteli ve kararlı sezgisel çözümler olarak değerlendirilmelidir; “küresel optimum” veya kesin optimumluk iddiası desteklenmemektedir.

Çalışmanın desteklediği temel sonuçlar

• Test sırası ile reaktif şerit atamasının birlikte optimize edilmesi, yalnızca geliş sırasını kullanan FIFO’dan çok daha az plaka hareketi üretebilmektedir.
• Plaka tutarlı blokları koruyan problem-özel çaprazlama ve mutasyonlar, basit açgözlü plaka gruplamasından daha iyi sonuç vermiştir.
• Seçilen hiperparametrelerle 50 bağımsız çalıştırmadaki uygunluk ve hareket değişkenliği düşüktür.
• 194–265 istek büyüklüğündeki gerçek iş yüklerinde hesaplama süresi yaklaşık 16–27 saniye arasında kalmıştır.
• Genetik algoritma, incelenen dört veri kümesinin tamamında FIFO ve açgözlü yönteme göre daha düşük hareket sayısı ve uygunluk değeri sağlamıştır.
• Plaka hareketlerinin azaltılması, modellenen cihaz mimarisinde daha az robotik taşıma gerektiren bir iş sırası oluşturmuştur.

Çalışma neyi göstermemektedir?

• Algoritma gerçek cihaz üzerinde çevrim içi veya donanım döngüde çalıştırılmamıştır.
• Plaka hareketlerindeki azalmanın gerçek toplam işlem süresini, enerji tüketimini veya mekanik bileşen ömrünü ne kadar değiştirdiği ölçülmemiştir.
• Tanısal doğruluk, duyarlılık, özgüllük, hasta sonucu veya klinik karar kalitesi değerlendirilmemiştir.
• Acil numuneler, zaman pencereleri, öncelik sınıfları, kalite kontrol örnekleri ve kalibrasyonlar modele eklenmemiştir.
• İsteklerin gün içinde dinamik olarak gelmesi ve çizelgenin yeniden optimize edilmesi incelenmemiştir.
• Algoritmanın küresel optimuma ulaştığı kanıtlanmamıştır.
• Son kullanma duyarlı tercihin gerçek reaktif israfını veya maliyeti ne kadar azalttığı gösterilmemiştir.
• Farklı cihaz markaları, laboratuvarlar veya ülke operasyonları üzerinde dış doğrulama yapılmamıştır.
• Üretim ortamındaki yazılım güvenliği, hata durumları ve düzenleyici doğrulama süreçleri değerlendirilmemiştir.

Metin içindeki önemli açıklıklar ve tutarsızlıklar

Çalışmanın Yöntemi ve Bulguları

Problem kapsamı

Genetik algoritmanın işlem zinciri

Karşılaştırma yöntemleri

Uygulama ve donanım ortamı

• Algoritmalar C# programlama diliyle geliştirilmiştir.
• İşletim sistemi Windows 11’dir.
• İşlemci Intel Core i5-10500, 3,10 GHz’dir.
• Bellek kapasitesi 8 GB RAM’dir.
• Bütün yöntemler aynı problem örnekleri üzerinde çalıştırılmıştır.
• FIFO ve açgözlü yöntem deterministik, genetik algoritma stokastiktir.
• Genetik algoritma için her veri kümesinde 50 bağımsız çalıştırma yapılmıştır.

Seçilen hiperparametrelerin ortalama etkisi

Toplu performans özeti

Tekrarlanabilirlik ve yöntemsel eksikler

Çalışma kromozom kodlaması, çaprazlama, iki mutasyon operatörü, popülasyon yenileme, durdurma ölçütü ve temel hiperparametreleri ayrıntılı biçimde açıklamaktadır. İşlemci, bellek, işletim sistemi ve programlama dili de verilmiştir.

Buna karşılık bağımsız yeniden üretim için gerekli bazı bilgiler eksiktir:

• Son kullanma maliyeti katsayıları \(\gamma\) ve \(\delta\),
• Gerçek veri kümelerinin plaka-şerit yerleşimleri,
• Test türlerinin ve talep dağılımlarının ayrıntıları,
• Başlangıç rastgele tohumları,
• Kaynak kodu veya sözde kodun eksiksiz uygulaması,
• Ham sonuç dosyaları ve yakınsama verileri,
• Geçersiz yavru ve yinelenen çözüm oranları,
• Çizelgelerin gerçek cihaz süresine dönüştürülme hesabı.

Çalışmada ayrı bir veri kullanılabilirliği, etik kurul, hasta verisi anonimleştirme, finansman, çıkar çatışması veya CRediT yazar katkısı bölümü bulunmamaktadır. Yüklenen sürüm anonim olduğu için bu bilgilerin değerlendirme amacıyla gizlenmiş olması mümkündür; ancak mevcut metin üzerinden doğrulanamamaktadır.

Gerçek laboratuvar verileri kullanılmış olsa da analiz edilen çıktı klinik test sonuçları değil, iş listeleri ile reaktif yerleşimleridir. Bununla birlikte veri kümelerinin hasta tanımlayıcıları içerip içermediği veya nasıl anonimleştirildiği açıklanmamıştır.

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Bio-Inspired Scheduling Optimization for Automated Immunoassay Laboratory Analyzers

Yazarlar ve sıraları: Carlos Sánchez, José Rojas. Yüklenen anonim sürümde isimler bulunmamaktadır; bu sıra resmî SSRN kaydından doğrulanmıştır.

Eş katkı veya eş birinci yazarlık: Eş katkı ya da eş birinci yazarlık açıklaması yüklenen çalışmada ve erişilebilen SSRN kayıt bilgisinde yer almamaktadır.

Sorumlu veya iletişim yazarı: Yüklenen sürümde “Anonymous authors” ve anonymous@anonymous.com yer tutucusu kullanılmıştır. SSRN kaydı Carlos Sánchez’i iletişim yazarı olarak göstermektedir. İlgili konferans kaydında da sorumlu yazar Carlos Sánchez’tir.

Kurumlar: SSRN kaydı bu çalışma için yazar kurumlarını belirtmemektedir. Yüklenen sürümde kurum “Anonymous institution” olarak gizlenmiştir. Aynı probleme ilişkin ilgili konferans çalışmasında Carlos Sánchez ve José Rojas için Vircell S.L.; Carlos Sánchez için ayrıca Universidad Politécnica de Cartagena bağlantısı verilmiştir. Bu kurum bilgileri mevcut anonim preprintin doğrudan kurum beyanı olarak kabul edilmemelidir.

DOI: 10.2139/ssrn.7197891. Bu DOI, SSRN ön baskı kaydına aittir.

Dergi veya konferans: İncelenen tam başlıklı 21 sayfalık sürüm için doğrulanmış bir dergi veya konferans adı bulunmamaktadır. Çalışma SSRN üzerinde ön baskı olarak sunulmuştur.

İlgili konferans çalışması: Aynı yazarların “A Genetic Algorithm Framework for Scheduling in Automated Laboratory Analyzers” başlıklı ilgili çalışması, IWINAC 2026 kapsamında Lecture Notes in Computer Science, cilt 16575, sayfa 278–288’de yayımlanmıştır. DOI: 10.1007/978-3-032-27317-8_27. Bu kayıt, mevcut daha uzun SSRN metniyle aynı bibliyografik eser değildir.

Yayın platformu: SSRN.

Özgün yayınevi: Tam başlıklı ön baskı için doğrulanmış bir dergi yayınevi bulunmamaktadır. İlgili fakat başlığı ve kapsamı farklı konferans çalışmasının yayınevi Springer Nature Switzerland AG’dir.

Yayın yılı: 2026.

Kaynak türü: Kombinatoryal optimizasyon, genetik algoritma ve laboratuvar otomasyonu alanlarında sayısal ve endüstriyel veri temelli araştırma preprinti.

Hakemlik durumu: İncelenen çalışma hakem değerlendirmesinden geçmemiştir. Her sayfada “This preprint research paper has not been peer reviewed” uyarısı bulunmaktadır.

Resmî bağlantılar:SSRN resmî kayıt sayfası ve SSRN DOI bağlantısı.

İlgili konferans kaydı:Springer konferans çalışması DOI bağlantısı.

Finansman: İncelenen anonim preprintte finansman bilgisi yer almamaktadır. İlgili konferans kaydı çalışmanın Vircell S.L. çerçevesinde yürütüldüğünü ve dış finansman alınmadığını belirtmektedir; bu bilgi mevcut preprintte ayrıca doğrulanmamıştır.

Çıkar çatışması: İncelenen anonim preprintte çıkar çatışması beyanı bulunmamaktadır. İlgili konferans kaydında Carlos Sánchez ve José Rojas’ın Vircell S.L. çalışanları olduğu açıklanmıştır. Algoritmanın aynı şirket tarafından geliştirilen bir cihaz üzerinde değerlendirilmesi nedeniyle bu kurumsal bağlantı sonuçların yorumunda dikkate alınmalıdır.

Veri erişimi: Çalışmada kullanılan sentetik ve gerçek veri kümeleri, kaynak kodu, rastgele tohumlar ve ayrıntılı deney çıktıları için açık bir veri erişimi bağlantısı verilmemiştir.

Bu Türkçe makale, yüklenen 21 sayfalık çalışmanın problem tanımı, cihaz iş akışı, matematiksel formülleri, genetik algoritma tasarımı, grafik özeti, yakınsama eğrileri, üç sonuç tablosu ve yöntem karşılaştırmaları esas alınarak hazırlanmıştır. Çalışmada bulunmayan yeni bir deney sonucu veya dış kaynaktan bilimsel performans bulgusu eklenmemiştir. Dış doğrulama yalnızca yazarlar, DOI, yayın platformu, iletişim yazarı ve ilgili konferans kaydının bibliyografik kimliğiyle sınırlandırılmıştır.

Çalışmanın başlıca sınırlılıkları; hakem değerlendirmesinden geçmemiş olması, algoritmanın gerçek zamanlı cihaz üzerinde doğrulanmaması, yalnızca üç günlük gerçek veri kullanılması, dinamik istek gelişlerinin modellenmemesi, son kullanma ağırlıklarının açıklanmaması, reaktif israfının doğrudan ölçülmemesi, kesin optimum veya alt sınır karşılaştırmasının bulunmaması, kaynak kodu ile veri kümelerinin paylaşılmaması ve metin içinde standart sapma ile veri kümesi büyüklüğüne ilişkin bazı tutarsızlıklar bulunmasıdır.

Sonuçlar, incelenen statik iş yüklerinde plakaya duyarlı genetik algoritmanın FIFO ve açgözlü çizelgelemeden daha az plaka hareketi üretebildiğini göstermektedir. Bulgular tanısal doğruluk, hasta sonucu, bütün laboratuvar cihazlarında genellenebilirlik, gerçek mekanik ömür artışı veya ticari sistemde doğrulanmış performans kanıtı değildir.