مدیریت اطلاعات سلامت
صبا پایدار؛ غلامعلی رئیسی اردلی؛ حسین رئیسی دزکی
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 ...
بیشتر
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.
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
