نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی‌ ارشد، مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی ‌مهندسی، دانشگاه یزد، یزد، ایران

2 استادیار، مدیریت صنعتی، گروه مهندسی صنایع، دانشکده فنی‌ مهندسی، دانشگاه یزد، یزد، ایران

چکیده

مقدمه: بیماری‌های ایسکمیک قلبی IHD (Ischemic Heart Diseases) از موضوعات هزینه‌بر و قابل ‌بحث در حیطه بهداشت و درمان کشور می‌باشد. علاوه بر این، بیمارستان‌ها به‌ شدت دارای محدودیت منابع برای مراقبت از بیماران هستند. از این‌رو، تعیین مدت اقامت LOS (Length of stay) بیماران از لحاظ مدیریت هزینه بیمارستان، بسیار مهم است. در تحقیق حاضر مدل‌هایی جهت برآورد LOS بیماران ایسکمی قلبی و عوامل مؤثر بر آن ارایه شد.روش بررسی: این پژوهش در مطالعه‌ای کاربردی، 6524 بیمار بستری ایسکمی قلبی را که طی شش ماه دوم سال 1392 به 16 مرکز درمانی شهر تهران مراجعه کرده بودند و اقدامات درمانی صورت گرفته در پرونده‌ آن‌ها توسط کدهای تعرفه خدمات درمانی ثبت شده بود، بررسی کرده است. پس از جمع‌آوری داده‌ها با استفاده از فرمی طراحی‌ شده و پاکسازی آن‌ها، مدل‌های برآورد LOS با کمک الگوریتم‌های داده‌کاوی شبکه عصبی مصنوعی ANN (Artificial neural networks)، ماشین‌های بردار پشتیبان SVM (Support vector machines)، اکتشاف تعاملی اتوماتیک CHAID (Chi-squared Automatic Interaction Detection)، درخت‌های دسته‌بندی و رگرسیون CART (Classification and regression trees) و مدل ترکیبی در نرم‌افزار Clementine ساخته شدند.یافته‌ها: میانگین و انحراف معیار LOS بیماران، 608/9 ± 727/7 روز بود. همبستگی خطی با LOS واقعی و خطای نسبی تمام مدل‌ها به ترتیب بیشتر از 7/0 و کمتر از 5/0 شد. مدل ترکیبی و SVM نیز دقیق‌ترین مدل‌های به دست آمده بود.نتیجه‌گیری: با توجه به نتایج مدل‌ها، بیماران ایسکمی که نیازمند توان‌بخشی، مشاوره، رادیوتراپی و سی‌تی‌اسکن هستند، دارای LOS بیشتری می‌باشند. همچنین، نوع بیماری ایسکمی و به ویژه کدهای درمانی کالیفرنیا نقش مهمی در برآورد LOS بیماران دارند.

کلیدواژه‌ها

عنوان مقاله [English]

Ischemic Heart Patients’ Length of Stay Estimation and Identification of Its Influencing Factors Using Data Mining

نویسندگان [English]

  • Majid Zarabian 1
  • Masoud Abessi 2

1 MSc Student, Industrial Engineering, Department of Industrial Engineering, School of Engineering, University of Yazd, Yazd, Iran

2 Assistant Professor, Industrial Management, Department of Industrial Engineering, School of Engineering, University of Yazd, Yazd, Iran

چکیده [English]

Introduction: Ischemic Heart Disease (IHD) is one of the costly and controversial topics in the field of healthcare in Iran. Due to limitation in hospital resources for patient care, studying patient’s length of stay (LOS) is very important in hospital management. This study presents suitable models for estimating the LOS of IHD patients and its influencing factors.Methods: In this applied research, LOS of 6524 IHD in-patients admitted to 16 hospitals in Tehran, Iran, between October 2013 and March 2014 and the remedial proceedings provided for them were recorded using treatment services tariff codes. After data collection using a predesigned form and data cleaning, LOS fort models were created using data mining algorithms of artificial neural network (ANN), support vector machines (SVM), chi-squared automatic interaction detection (CHAID), classification and regression trees (CART), and ensemble model in SPSS Clementine software.Results: The average and standard deviation of LOS in this study was 7.727 ± 9.608 days. The linear correlation of models with actual LOS and their relative error were above 0.7 and below 0.5, respectively. The most accurate models were the ensemble model and SVM.Conclusion: According to the proposed models, ischemic patients who required rehabilitation, consultation, radiation therapy, and computerized tomography (CT) scan have longer LOS. Moreover, type of IHD disease and especially California remedial codes are important factors in estimating patients’ LOS.

کلیدواژه‌ها [English]

  • Length of Stay
  • Ischemic Heart Disease
  • Data Mining
  1. Karim H, Tara M, Etminani K. Factors associated with length of stay based on admission data in Emam-Reza and Ghaem Hospitals of Mashhad. Health Inf Manage 2015; 12(4): 405-15. [In Persian].
  2. Rezaei Hachesu P, Ahmadi M, Alizadeh S, Sadoughi F. Use of data mining techniques to determine and predict length of stay of cardiac patients. Healthc Inform Res 2013; 19(2): 121-9. [In Persian].
  3. Wright SP, Verouhis D, Gamble G, Swedberg K, Sharpe N, Doughty RN. Factors influencing the length of hospital stay of patients with heart failure. Eur J Heart Fail 2003; 5(2): 201-9.
  4. Talebizadeh N, Haghdoost A, Mirzazadeh A. Age at natural menopause, An epidemiological model (Markov Chain) of cardiovascular disease in Iran. Payesh Health Monit 2009; 8(2): 163-70. [In Persian].
  5. Laurenti R, Buchalla CM, de Sousa Caratin CV. Ischemic heart disease. hospitalization, length of stay and expenses in Brazil from 1993 to 1997. Arq Bras Cardiol 2000; 74(6): 488-92.
  6. Samadi S, Nazifi M, Abbaspour S. Estimating the duration of treatment and hospitalization costs using neural network approach. Health Inf Manage 2011; 8(7): 948-85. [In Persian].
  7. National Center for Health Statistics, Centers for Disease Control and Prevention. ICD-10-CM tabular list of diseases and injuries [Online]. [cited 2010]; Available from: URL:
  8. https://www.cms.gov/medicare/coding/icd10/downloads/6_i10tab2010.pdf
  9. Han J, Pei J, Kamber M. Data Mining: Concepts and techniques. Philadelphia, PA: Elsevier; 2011.
  10. Fetter RB. The new ICD-9-CM diagnosis-related groups classification scheme. 1st ed. Washington, DC: Government Printing Office; 1983. p. 9-67.
  11. World Health Organization. International statistical classification of diseases and related health problems. Geneva, Switzerland: WHO; 2016.
  12. Monajemi F, Safdari R, Ghorbani V. Necessity of national DRG system for the cardiovascular diseases in Iran. J Health Adm 2009; 12(37): 65-9. [In Persian].
  13. Kuwabara K, Imanaka Y, Matsuda S, Fushimi K, Hashimoto H, Ishikawa KB, et al. Impact of age and procedure on resource use for patients with ischemic heart disease. Health Policy 2008; 85(2): 196-206.
  14. Bellazzi R, Zupan B. Predictive data mining in clinical medicine: Current issues and guidelines. Int J Med Inform 2008; 77(2): 81-97.
  15. Appelros P. Prediction of length of stay for stroke patients. Acta Neurol Scand 2007; 116(1): 15-9.
  16. Lazar HL, Fitzgerald C, Gross S, Heeren T, Aldea GS, Shemin RJ. Determinants of length of stay after coronary artery bypass graft surgery. Circulation 1995; 92(9 Suppl): II20-II24.
  17. Jiang X, Qu X, Davis LB. Using data mining to analyze patient discharge data for an urban hospital. Proceedings of the 2010 International Conference on Data Mining, DMIN; 2010 July 12-15; Las Vegas, Nevada, NV.
  18. Wu W, Masri A, Popovic ZB, Smedira NG, Lytle BW, Marwick TH, et al. Long-term survival of patients with radiation heart disease undergoing cardiac surgery: A cohort study. Circulation 2013; 127(14): 1476-85.