جواد زارعی؛ امیرعباس عزیزی؛ خسرو کشاورز؛ الهام سیاوشی
چکیده
مقدمه:هر ساله مبالغ قابل توجهی از درآمدهای بیمارستان‌ها به‌عنوان کسورات توسط سازمان‌های بیمه‌گر کسر می‌گردند. هدف از این پژوهش شناسایی کسورات اعمال شده توسط سازمان‌های بیمه‌گر خدمات درمانی و تأمین اجتماعی درصورت حساب‌های ارسالی بیمارستان‌های آموزشی اهواز بود. روش بررسی: این مطالعه یک بررسی توصیفی مقطعی بود که در سال 1388 ...
بیشتر
مقدمه:هر ساله مبالغ قابل توجهی از درآمدهای بیمارستان‌ها به‌عنوان کسورات توسط سازمان‌های بیمه‌گر کسر می‌گردند. هدف از این پژوهش شناسایی کسورات اعمال شده توسط سازمان‌های بیمه‌گر خدمات درمانی و تأمین اجتماعی درصورت حساب‌های ارسالی بیمارستان‌های آموزشی اهواز بود. روش بررسی: این مطالعه یک بررسی توصیفی مقطعی بود که در سال 1388 انجام شده است. جامعه‌ی پژوهش شامل کلیه‌ی صورت حساب‌های ارسالی پنج بیمارستان آموزشی دانشگاه علوم پزشکی جندی شاپور اهواز به سازمان‌های بیمه‌ی خدمات درمانی و تأمین اجتماعی در سال 1387 بود. ابزار مورد استفاده برای جمع‌آوری داده‌ها چک لیستی بود که مطابق با صورت حساب‌های ارسالی به سازمان‌های بیمه، طراحی شده بود. روایی چک لیست با استفاده از نظر کارشناسان تأیید گردید. داده‌ها با استفاده از آمار توصیفی و در نرم‌افزار SPSS نسخه‌ی 19 مورد تحلیل قرار گرفتند. یافته‌ها: مجموع کسورات بستری و سرپایی، نسبت به صورت حساب‌های ارسالی سازمان بیمه‌ی خدمات درمانی 62/6 درصد بود. در بیمه‌ی تأمین اجتماعی مجموع کسورات بستری و سرپایی نسبت به صورت حساب‌های ارسالی 9/4 بود و صورت حساب‌های بستری بیش از سرپایی مشمول کسورات شده بودند. نتیجه‌گیری: نتایج نشان داد که اگر چه درصد کمی از صورت حساب‌های ارسالی مشمول کسورات می‌گردد ولی همین مقدار کم کسورات نیز بار مالی قابل توجهی را به بیمارستان‌ها تحمیل می‌کند. بنابراین برنامه‌ریزی به منظور کاهش کسورات توسط دانشگاه‌های علوم پزشکی پیشنهاد می‌گردد. واژههای کلیدی: بیمه؛ تأمین اجتماعی؛ خدمات بهداشتی درمانی؛ بیمارستان‌ها
احسان نبوتی؛ امیرعباس عزیزی؛ ابراهیم عباسی؛ حسن وکیلی ارکی؛ جواد زارعی؛ امیررضا رضوی
دوره 10، شماره 6 ، بهمن 1392، ، صفحه 789-799
چکیده
مقدمه: در دهه‌ی اخیر الگوریتم‌های یادگیری ماشین به ابزار مفیدی جهت داده‌کاوی در داده‌های پزشکی، برای تولید مدل‌های پیش‌بینی تبدیل شده‌اند. سوختگی از جمله بیماری‌هایی است که پیش‌بینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفاده‌ی یادگیری ماشین یعنی شبکه‌ی عصبی و درخت تصمیم و مقایسه ...
بیشتر
مقدمه: در دهه‌ی اخیر الگوریتم‌های یادگیری ماشین به ابزار مفیدی جهت داده‌کاوی در داده‌های پزشکی، برای تولید مدل‌های پیش‌بینی تبدیل شده‌اند. سوختگی از جمله بیماری‌هایی است که پیش‌بینی پیامد آن از اهمیت زیادی برخوردار است. هدف این مطالعه بررسی عملکرد دو الگوریتم پراستفاده‌ی یادگیری ماشین یعنی شبکه‌ی عصبی و درخت تصمیم و مقایسه با روش آماری رگرسیون لجستیک در پیش‌بینی پیامد بیماران سوختگی بوده است. روش بررسی: در این مطالعه مشاهده‌ای گذشته‌نگر، پس از انجام پردازش اولیه‌ی داده‌ها و تعیین پیامد (زنده یا فوت)، دو الگوریتم یادگیری ماشین (شبکه‌ی عصبی و درخت تصمیم) به همراه روش آماری رگرسیون لجستیک برای تولید مدل‌های پیش‌بینی روی داده‌های 4804 بیمار سوختگی بیمارستان طالقانی اهواز مربوط به سال‌های 1380 تا 1386 اعمال گردید. برای پردازش اولیه‌ی داده‌ها نرم‌افزار SPSS16 و در مرحله‌ی مدل‌سازی از Clementine 12.0 استفاده شد. همچنین با به‌کارگیری تکنیک 10-Fold Cross Validation، معیارهای ارزیابی کارایی برای داده‌های تست محاسبه و مقایسه شدند. یافته‌ها: نتایج نشان داد الگوریتم شبکه‌ی عصبی با دقت 97 درصد منجر به دقیق‌ترین مدل روی داده‌های مورد مطالعه می‌شود. مدل درخت تصمیم با دقت 95 درصد در رده‌ی دوم و مدل رگرسیون لجستیک با دقت 90 درصد کم‌ترین دقت را داشت. سایر معیارهای ارزیابی مانند حساسیت (Sensitivity)، ویژگی (Specificity)، PPV (Positive Predictive Value) و NPV (Negative Predictive Value) و AUC (Area Under the Curve) نیز کارایی مدل شبکه‌ی عصبی را بالاتر از دو مدل دیگر نشان دادند. نتیجه‌گیری: تحلیل نتایج این مطالعه و مطالعات مشابه نشان می‌دهند که الگوریتم‌های یادگیری ماشین نسبت به روش‌های آماری منجر به تولید مدل‌های دقیق‌تری می‌شوند. بسته به ماهیت و میزان داده‌ها و همچنین جامعه‌ی پژوهش، الگوریتم‌های مختلف یادگیری ماشین، رفتارهای متفاوتی دارند که به‌نظر می‌رسد دقت مدل‌های شبکه‌ی عصبی از سایر مدل‌ها بیشتر می‌باشد. واژههای کلیدی: داده‌کاوی؛ یادگیری ماشین؛ پیش‌بینی؛ درخت تصمیم؛ شبکه‌ی عصبی مصنوعی؛ سوختگی‌ها
