Günümüzde sağlık sistemlerinde, randevu iptalleri ve katılım eksiklikleri hem kaynakların israfına neden olmakta hem de operasyonel süreçlerde ciddi verimsizliklere yol açmaktadır. Bu çalışmada, sağlık hizmetlerinin daha etkin bir şekilde sunulabilmesi için, randevularına katılmayan bireyleri önceden tahmin etmeye odaklanan yenilikçi bir yaklaşım geliştirilmiştir. Çalışma, detaylı veri analizi ve makine öğrenimi tekniklerini bir araya getirerek, bu soruna çözüm sunmayı amaçlamaktadır. Model, sağlık randevularına katılımı etkileyen temel faktörleri belirlemek için mevcut veriler üzerinde kapsamlı bir analiz yapmaktadır. Ardından, bu bilgileri kullanarak bireylerin randevularına katılmama olasılığını tahmin eden akıllı algoritmalar devreye girmektedir. Bu sayede, sağlık kuruluşlarının kaynaklarını daha iyi yönetmeleri, operasyonel süreçlerini iyileştirmeleri ve hasta bakım hizmetlerini daha erişilebilir hale getirmeleri mümkün olmaktadır. Örneğin, model, dinamik kaynak planlaması ve zaman çizelgesi oluşturulmasında yöneticilere önemli bir rehberlik sunmaktadır. Ayrıca, elde edilen tahminler sayesinde, sağlık yöneticileri randevu hatırlatıcıları göndermek, alternatif tedavi seçenekleri sunmak ya da esnek zaman çizelgeleri hazırlamak gibi proaktif stratejiler geliştirebilirler. Böylece, operasyonel maliyetlerin düşürülmesi, hasta memnuniyetinin artırılması ve sağlık hizmetlerinin genel verimliliğinin iyileştirilmesi mümkün hale gelecektir. Çalışma içerisinde çeşitli makine öğrenimi modelleri kullanılmıştır, bunlar; Lojistik Regresyon, Karar Ağacı Sınıflandırıcısı, Rastgele Orman Sınıflandırıcısı ve XGBoost Sınıflandırıcısıdır. Sonuç olarak, bu proje, sağlık sektöründe veri analitiği ve makine öğrenimi teknolojilerinin etkili bir şekilde kullanılabileceğini göstermekte ve sağlık hizmetlerinde hem ekonomik hem de operasyonel anlamda önemli bir fark yaratmayı hedeflemektedir. Bu yaklaşımla, daha verimli bir sağlık sistemi oluşturmak için somut adımlar atılmış olacaktır.