دوره 8، شماره 3 - ( 9-1400 )
جلد 8 شماره 3 صفحات 314-304 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Koohestani A, Nasiripour A A, Riahifar M. An Optimal Model for Medicine Preparation Using Data Mining. jhbmi 2021; 8 (3) :304-314
URL: http://jhbmi.ir/article-1-645-fa.html
URL: http://jhbmi.ir/article-1-645-fa.html
کوهستانی آزیتا، نصیری پور امیر اشکان، ریاحی فر مهدی. ارائه مدل بهینه تهیه دارو با استفاده از داده‌کاوی. مجله انفورماتیک سلامت و زیست پزشکی. 1400; 8 (3) :304-314
دکترای مدیریت خدمات بهداشتی و درمانی، دانشیار، گروه مدیریت خدمات بهداشتی و درمانی، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران
چکیده: (2395 مشاهده)
مقدمه: کمبود منابع مالی و نقدینگی معضل اصلی بیمارستان‌ها می‌باشد. داروخانه‌ها از بخش‌های تأثیرگذار بر گردش مالی بیمارستان‌ها هستند که به دلیل عدم پیش‌بینی مصرف و تهیه دارو، در انتهای سال با اضافه موجودی، حجم زیاد داروهای تاریخ مصرف گذشته و گاهی کمبود دارو مواجه می‌شوند؛ لذا پیش‌بینی مصرف دارو با استفاده از داده‌های گذشته‌نگر موجود، منجر به بهبود مدیریت منابع در بیمارستان‌ها می‌شود. به دلیل توانمندی بالای داده‌کاوی در مدل‌سازی مسائل پزشکی، از الگوریتم‌های منتخب برای تعیین مدل بهینه تهیه دارو استفاده گردید.
روش: در این مطالعه مقطعی، برای بررسی انواع الگوریتم‌های داده‌کاوی، فرم اطلاعاتی بر اساس اهداف طراحی، سپس در قالب گزارش در سیستم اطلاعات بیمارستانی تعریف گردید و با کمک نرم‌افزار Crystal Report داده‌ها استخراج گردید. برای ارائه مدل، دقت الگوریتم‌های پیش‌بینی داده‌کاوی KNN, SVM, NN, Random Forest, LR, Adaboost بر اساس معیارهایMSE, RMSE, MAE, R2 در نرم‌افزار Weka بررسی شدند.
نتایج: روش Adaboost با معیارهای R2 MAE, و RMSE (0/78، 247، 827) و روش جنگل تصادفی با معیارهای (0/6، 1170، 1868) نسبت به بقیه مدل‌ها بالاترین دقت را داشته و میزان خطا را به نسبت بیشتری کاهش می‌دهند. سایر روش‌ها با معیارهای فوق در پیش‌بینی مسئله پژوهش عملکرد ضعیف‌تری را دارند.
نتیجه‌گیری: نتایج پژوهش حاکی از دقت بالای روش Adaboost و جنگل تصادفی در مقایسه با سایر روش‌های مورد بررسی است. درصد کمی از بیمارستان‌ها برای مدیریت تهیه دارو، برنامه‌ریزی می‌کنند؛ لذا به مدیران بیمارستان‌ها و داروخانه‌ها پیشنهاد می‌شود که در مدیریت واحدهای متبوع‌شان از داده‌کاوی استفاده کنند.
روش: در این مطالعه مقطعی، برای بررسی انواع الگوریتم‌های داده‌کاوی، فرم اطلاعاتی بر اساس اهداف طراحی، سپس در قالب گزارش در سیستم اطلاعات بیمارستانی تعریف گردید و با کمک نرم‌افزار Crystal Report داده‌ها استخراج گردید. برای ارائه مدل، دقت الگوریتم‌های پیش‌بینی داده‌کاوی KNN, SVM, NN, Random Forest, LR, Adaboost بر اساس معیارهایMSE, RMSE, MAE, R2 در نرم‌افزار Weka بررسی شدند.
نتایج: روش Adaboost با معیارهای R2 MAE, و RMSE (0/78، 247، 827) و روش جنگل تصادفی با معیارهای (0/6، 1170، 1868) نسبت به بقیه مدل‌ها بالاترین دقت را داشته و میزان خطا را به نسبت بیشتری کاهش می‌دهند. سایر روش‌ها با معیارهای فوق در پیش‌بینی مسئله پژوهش عملکرد ضعیف‌تری را دارند.
نتیجه‌گیری: نتایج پژوهش حاکی از دقت بالای روش Adaboost و جنگل تصادفی در مقایسه با سایر روش‌های مورد بررسی است. درصد کمی از بیمارستان‌ها برای مدیریت تهیه دارو، برنامه‌ریزی می‌کنند؛ لذا به مدیران بیمارستان‌ها و داروخانه‌ها پیشنهاد می‌شود که در مدیریت واحدهای متبوع‌شان از داده‌کاوی استفاده کنند.
فایل صوتی [M4A 6601 KB] (70 دریافت)
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
