دانشگاه علوم پزشکی و خدمات بهداشتی- درمانی استان اصفهان مدیریت اطلاعات سلامت 1735-7853 23 1 2026 03 21 Analyzing and Predicting Treatment Processes: A Process Oriented Data Science Approach تحلیل و پیش بینی فرایندهای درمانی: رویکرد مبتنی بر علم داده فرایندگرا 33453 10.48305/him.2026.45810.1350 FA محمدامین پیریان دانشکده مهندسی صنایع و سیستم ها ،دانشگاه تربیت مدرس،تهران،ایران 0009-0006-3484-596X توکتم خطیبی دانشیار و عضو هیات علمی دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس 0000-0001-5824-9798 Journal Article 2025 10 16 Background: Healthcare processes are inherently complex and demand data-driven strategies for effective health information management. This study integrates process mining with deep learning to predict subsequent activities in infectious disease emergency care based on event logs, aiming to support more efficient management. Methods: The event log comprised 1,050 patients admitted to the emergency department with infection symptoms and suspected sepsis, for whom specific treatment pathways were expected. First, patient flows were mapped using process mining tools to visualize and clarify care trajectories. Next, process data were analyzed, and the proposed model—built on deep learning with a transformer-based architecture—was employed to predict each patient’s next step. Model performance was evaluated using metrics such as accuracy. Results: Process mining identified bottlenecks, including delays in diagnostic tests and congestion in blood test units. The transformer model achieved an average accuracy of 83.5% in next-activity prediction, representing a 13% improvement over existing approaches. It also reduced mean absolute error (MAE) to 0.93 days for next-event time and 5.43 days for remaining time. Conclusion: The proposed model offers a robust tool for analyzing and improving clinical processes. This approach can reduce patient waiting times, optimize resource allocation, and enhance data-driven decision-making in healthcare. The findings contribute to advancing health information management systems and improving treatment services. مقدمه: فرآیندهای مراقبت‌های بهداشتی به دلیل پیچیدگی، نیازمند رویکردهای داده‌محور برای مدیریت اطلاعات سلامت هستند. این مطالعه با تلفیق فرایندکاوی و یادگیری عمیق، پیش‌بینی فعالیت‌های بعدی در بخش اورژانس عفونی را مبتنی بر نگاره‌های رویداد هدف قرار داده تا مدیریت بهینه‌تر را تسهیل کند. روش‌بررسی: نگاره رویداد استفاده شده شامل 1050بیمار که با نشانه های عفونت و علائم سپسیس به بخش اورژانس بیمارستان مراجعه کردند می باشد. که یک سری از درمان های خاص برای آن ها انتظار می رود. در ابتدا برای شفافیت جریان بیماران به کمک ابزارهای فرآیندکاوی از نگاره رویداد نقشه برداری صورت گرفت. سپس به کمک داده های فرایندی تجزیه و تحلیل فرایندی انجام شد در گام بعدی مدل پیشنهادی با استفاده ازیادگیری عمیق و به طور مشخص معماری شبکه‌های ترانسفورمرگام بعدی هر بیمار در مجموعه پیش بینی شد . مدل پیشنهادی با استفاده از معیارهایی همچون صحت(Accuracy) مورد ارزیابی قرارگرفت. یافته‌ها: فرایندکاوی، گلوگاه‌هایی چون تأخیر در آزمایش‌های تشخیصی و ترافیک واحدهای آزمایش خون را شناسایی کرد. مدل ترانسفورمر با دقت میانگین ۸۳.۵٪ در پیش‌بینی فعالیت بعدی، نسبت به روش‌های موجود ۱۳٪ بهبود نشان داد و خطای میانگین مطلق (MAE) برای زمان رویداد بعدی (93/0 روز) و زمان باقی‌مانده (43/5 روز) را کاهش داد. نتیجه‌گیری: مدل ارائه‌شده، ابزاری قدرتمند برای تحلیل و بهبود فرایندهای درمانی است. این رویکرد می‌تواند به کاهش زمان انتظار بیماران، بهبود تخصیص منابع و ارتقای تصمیم‌گیری مبتنی بر داده در محیط‌های درمانی کمک کند. یافته‌های این پژوهش گامی مؤثر در توسعه سیستم‌های مدیریت اطلاعات سلامت و بهبود خدمات درمانی محسوب می‌شود.

https://him.mui.ac.ir/article_33453_4935c98ae38755f5ddcea74d5488ec7f.pdf