نوع مقاله : مقاله پژوهشی

نویسندگان

• صبا پایدار ¹
• غلامعلی رئیسی اردلی ²
• حسین رئیسی دزکی ³

¹ دانشجوی کارشناسی ارشد، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان،اصفهان، ایران

² دانشیار، دانشکده مهندسی صنایع و سیسم‌ها دانشگاه صنعتی اصفهان، اصفهان، ایران

³ دانشجوی کارشناسی ارشد، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران

چکیده

مقدمه: امروزه، بیمارستان‌ها با چالش‌هایی مانند ازدحام در بخش اورژانس و افزایش بی‌نظمی و اختلال در کار پرسنل مواجه هستند که سبب افزایش نارضایتی بیماران می‌شود. با پیشرفت هوش مصنوعی و گسترش علم داده‌کاوی، پیش‌بینی پذیرش بیماران اهمیت زیادی پیدا کرده است. هدف این پژوهش، پیش‌بینی پذیرش بیماران بخش اورژانس در بیمارستان امام‌علی (ع) شهرکرد است.
روش بررسی: در این پژوهش، 2180 پرونده بیماران بخش اورژانس بیمارستان مورد بررسی قرار گرفت و اطلاعات اولیه بیماران شامل مشخصات فردی، علائم حیاتی بیمار و سطح تریاژ که توسط پرستاران در فرم تریاژ ثبت شده بود، استخراج شد. با استفاده از ماتریس مقایسات زوجی، ویژگی‌های مؤثر توسط خبرگان انتخاب شدند. سپس با استفاده از الگوریتم‌های بیز ساده، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان، داده‌ها طبقه‌بندی شدند.
یافته‌ها: از بین ۱۴ ویژگی جمع‌آوری شده، ۹ ویژگی منتخب توسط خبرگان انتخاب شد و نتایج نشان داد که الگوریتم جنگل تصادفی با دقت ۲/۹۲ درصدوحساسیت 96 درصد وصحت 3/86 درصد نسبت به الگوریتم های بیز ساده ، ماشین بردار پشتیبان ودرخت تصمیم  بهترین عملکرد را در پیش‌بینی پذیرش بیماران این مطالعه موردی داشته است.
نتیجه‌گیری: نتایج نشان می‌دهد که دقت مدل‌های یادگیری ماشین با استفاده از نظرات خبرگان در انتخاب ویژگی‌هابیشتر می‌شود و  و با توجه به حوزه مورد مطالعه، الگوریتم‌های یادگیری ماشین نتایج متفاوتی دارند که در این مطالعه الگوریتم جنگل تصادفی بهترین عملکرد را در پیش‌بینی پذیرش بیماران داشته است.

کلیدواژه‌ها

• داده‌کاوی
• پیش‌بینی
• پذیرش بیماران
• بخش اورژانس

موضوعات

• مدیریت اطلاعات سلامت

عنوان مقاله [English]

Predicting Emergency Department Admission Using Data Mining (Case Study: Imam Ali Hospital in Shahrekord)

نویسندگان [English]

• Saba Paydar ¹
• GholamAli Reisi Ardali ²
• Hossein Raeisi ³

¹ .Master Candidate. Department of Industrial and Systems Engineering Isfahan University of Technology, Isfahan. Iran

² Associate Professor, Department of Industrial and Systems Engineering, Isfahan University of Technology, Isfahan, Iran

³ MSc Student, Department of Industrial and Systems Engineering, Isfahan University of Technology, Isfahan, Iran

چکیده [English]

Abstract

Introduction: Nowadays, hospitals face challenges such as overcrowding in the emergency department and increased chaos and disruption in staff work, which leads to increased patient dissatisfaction. With the advancement of artificial intelligence and the expansion of data mining, predicting patient admission has become very important. The aim of this research is to predict patient admission in the emergency department of Imam Ali (AS) Hospital in Shahrekord.

Methods: In this research, 2180 patient records from the emergency department of the hospital were examined. Initial patient information, including personal details, vital signs, and triage level which were recorded by nurses, were extracted. Using pairwise comparison matrix, the effective features were selected by experts. Then, using naive Bayes, decision tree, random forest, and support vector machine algorithms, the data was classified.

Results: Out of the 15 collected features, 9 features were selected by experts, and the results showed that the random forest algorithm had the best performance in predicting patient admission in this case study, with an accuracy of 92/2%

Conclusion: These results demonstrate the importance of using artificial intelligence and data mining methods in hospital management and patient admission prediction. It can serve as a helpful tool in decision-making processes.

Key words: Data mining, Forecasting, Patient admission, Hospital Emergency Services

کلیدواژه‌ها [English]

• Data mining
• Forecasting
• Patient admission
• Hospital Emergency Services