%0 Journal Article %T برآورد هزینه‌ی درمان و طول دوره‌ی بستری شدن با استفاده از رویکرد شبکه‌ی‌ عصبی %J مدیریت اطلاعات سلامت %I دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان %Z 1735-7853 %A صمدی, سعید %A نظیفی نائینی, مینو %A عباسپور, سحر %D 2012 %\ 01/21/2012 %V 8 %N 7(ویژه نامه اقتصاد سلامت) %P 948-957 %! برآورد هزینه‌ی درمان و طول دوره‌ی بستری شدن با استفاده از رویکرد شبکه‌ی‌ عصبی %K شبکه‌های عصبی (کامپیوتر) %K تشخیص %K یادگیری %R %X نام کاربری رمز عبور  ورود خودکار    رمز عبور خود را فراموش کرده اید؟ زبان انتخاب زبان English   Persian   محتوای مجله جستجو محدوده جستجو   تمام   نویسندگان   عنوان   چکیده   جملات اندکس   تمام متن   ابزارهای مقاله  چاپ این مقاله  اندکس متاداده  چگونه به مقاله ارجاع بدهیم درباره نویسندگان سعید صمدیاستادیار، گروه اقتصاد، دانشگاه اصفهان، اصفهان، ایران   مینو نظیفی نائینیکارشناس ارشد، گروه اقتصاد توسعه و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران   سحر عباسپورکارشناس ارشد، گروه اقتصاد توسعه و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران اطلاع رسانی هامشاهدهمشترک شدن     This journal subscribes to the principles of, the Committee on Publication Ethics (COPE). صفحه اصلی مشخصات مجله درباره مجله هیات تحریریه بانک ها و نمایه نامه ها اطلاعیه ها راهنما راهنمای ارسال مقاله راهنمای نویسندگان فرم تعهدنامه فرم تعهد پرداخت آرشیو شماره آتی شماره جاری شماره های قبلی برقراری ارتباط مجلات مرتبط دوره 8، شماره 7، 1390 (ویژه نامه ی اقتصاد سلامت) برآورد هزینه‌ی درمان و طول دوره‌ی بستری شدن با استفاده از رویکرد شبکه‌ی‌ عصبی سعید صمدی, مینو نظیفی نائینی, سحر عباسپور چکیده مقدمه: استفاده از شبکه‌های عصبی و الگوریتم‌های ژنتیک در بررسی مسایل و متغیرهای پر کاربرد در زمینه‌ی سلامت، این روزها بیش از پیش رواج یافته است. مجهز شدن علم پزشکی به ابزارهای هوشمند در تشخیص و درمان بیماری‌ها می‌تواند اشتباهات پزشکان و خسارت جانی و مالی را کاهش دهد. در این مقاله کاربردهای نوعی شبکه‌ی عصبی در پزشکی مورد بررسی قرار گرفته است، تا هم برای محققان هوش مصنوعی و هم برای پزشکی قابل استفاده باشد. روش بررسی: در این مطالعه از نمونه‌ی داده‌های موجود در نرم‌افزار SPSS به نام Patient_los.sav که شامل ثبت درمان یک نمونه از بیمارانی است که برای بیماری قلبی درمان دریافت نموده‌اند، استفاده خواهیم کرد و با به کارگیری فرایند پرسپترون چند لایه برای ساختن یک شبکه‌ی عصبی، به پیش‌بینی هزینه و طول درمان بیماران پرداخته شده است. متغیرهای طول مدت بستری شدن و هزینه‌ی درمان به عنوان متغیرهای وابسته و سایر متغیرها را نیز به عنوان عامل یا فاکتور وارد مدل شده‌اند. یافته‌ها: شبکه‌ی عصبی می‌تواند نتایج بیمارانی که عمل شده باشد یا عمل نشده باشند، را بررسی کند و سپس شبکه‌های جداگانه می‌تواند هزینه‌ی درمان و مدت بستری شدن را پیش‌بینی کند، به شرط این که بدانیم روی چه بیماری جراحی انجام شده است. نتیجه‌گیری: شبکه‌ی عصبی طراحی شده در این قسمت به خوبی مقادیر معمول بیماران را پیش‌بینی می‌کند و با به وجود آوردن شبکه‌ی عصبی چند لایه می‌توان بیمارانی که قبل از عمل جراحی می‌میرند، را به خوبی به تصویر کشید. شبکه‌ی عصبی به خاطر خاصیت مدل‌سازی غیر خطی می‌تواند کمک مؤثری در مدل‌سازی و پیش‌بینی باشد. %U https://him.mui.ac.ir/article_26164_eceb78259ebc7edc239c43949b49bba8.pdf