İstanbul İl Sağlık Müdürlüğü Ar-Ge
Yerel sağlık ekosisteminde veri analitiğini kullanarak kapsamlı sağlık taramaları ve entegrasyon süreçlerini yönetmesi, operasyonel sağlık verisinin pratik kullanımına dair güçlü bir örnek oluşturmaktadır.
- Yapay zeka destekli veri görselleştirme
- Kapsayıcı sağlık taraması projeleri
- Kamu sağlığı veri entegrasyonu

İstanbul İl Sağlık Müdürlüğü Ar-Ge, akademik tasarım denetiminde 60/100 puan alarak bağımsız denetimden geçti. En güçlü yönleri akıcılık (100) ve görsel kararlılık (74); görece geliştirilebilir alanları marka kimliği (44) ve etkileşim tasarımı (51).
İstanbul İl Sağlık Müdürlüğü Ar-Ge, tarafından tasarlanan bu Sağlık Veri Bilimi platformu olarak 60/100 puan alarak "Güçlü Temel" kategorisinde değerlendirilmiştir. İstanbul İl Sağlık Müdürlüğü Ar-Ge, sağlık dijital alan içinde güçlü bir temel üzerine inşa edilmiş olmakla birlikte bilgiye erişim deneyimini sınırlayan belirli tasarım kararları dikkat çekmektedir. Renk kontrastı, tipografik hiyerarşi ve etkileşim yoğunluğu alanlarında odaklanmış iyileştirmeler kullanıcı deneyimini belirgin ölçüde ilerletecektir.
Tasarım Denetimi
Hasler-Süsstrunk renk teorisi, Gestalt ilkeleri ve Fitts Yasası ile hesaplamalı analiz.
Kızıl ton; tutku ve özgünlüğü birleştirir. Dinamik marka kimliklerinde yüksek tanınırlık ve duygusal bağ sağlar. (Birren, 1969)
3 teknoloji bileşeni tespit edildi.
"Dengeli sıcak palet güven ve yakınlık hissi veriyor; kullanıcıyla duygusal bağ kurma potansiyeli yüksek."
Karşılaştır & İzle
Sektör ortalamasıyla karşılaştırma ve tarihsel skor değişimi.
Sağlık Veri Bilimi
İstanbul İl Sağlık Müdürlüğü Ar-Ge bu kategoride 12 puan üzerinde — sektör ortalaması 48/100. En iyi %45 dilimindedir.
Benzer Skorlu Siteler
Ölçüm ortamı hakkında: Teknik performans için öncelik CrUX (Chrome User Experience Report — gerçek kullanıcıların canlı saha verisi); CrUX verisi yoksa Lighthouse(kontrollü lab/test ortamı) kullanılır. Bu iki ortam farklı koşullarda ölçtüğü için bazı metrikler birbirinden ayrışabilir — örneğin sunucu yanıtı (TTFB) lab'da hızlı görünürken, gerçek kullanıcıların içerik boyaması (LCP) ağ ve cihaz koşulları nedeniyle daha yavaş çıkabilir. Her iki değer de doğrudur; yalnızca farklı pencerelerden bakar.

