نویسندگان
1 استادیار، اقتصاد،دانشگاه اصفهان، اصفهان، ایران.
2 کارشناس ارشد، اقتصاد توسعه و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران.
3 کارشناس ارشد، اقتصاد توسعه و برنامه ریزی، دانشگاه اصفهان، اصفهان،
چکیده
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 صمدی
استادیار، گروه اقتصاد، دانشگاه اصفهان، اصفهان، ایران
مینو نظیفی نائینی
کارشناس ارشد، گروه اقتصاد توسعه و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران
سحر عباسپور
کارشناس ارشد، گروه اقتصاد توسعه و برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران
اطلاع رسانی هامشاهده
مشترک 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.
کلیدواژه‌ها
عنوان مقاله [English]
Estimating the Duration of Treatment and Hospitalization Costs Using Neural Network Approach
نویسندگان [English]
- Saeed Samadi 1
- Minoo Nazifi Naeini 2
- Sahar Abbaspour 3
1 Assistant Proffessor, Economics, The University of Isfahan, Isfahan, Iran
2 MSc, Development and Planning Economics, The University of Isfahan, Isfahan, Iran
3 MSc, Development and Planning Economics, The University of Isfahan, Isfahan, Iran
چکیده [English]
Introduction: Using neural networks and genetic algorithms in evaluating health-related
variables has increased recently. Employing intelligent tools for diagnosis and treatment of
diseases can reduce medical errors and human and financial losses. In this paper, medical
applications of neural networks have been studied in order to help both medical and artificial
intelligence researchers.
Methods: We used an existing sample in SPSS (patient_los.sav). The sample consisted of
patients who received treatment for heart disease. Multilayer perceptron (MLP) was employed to
build a neural network to predict the cost and length of treatment. Duration of hospitalization and
treatment cost were considered as dependent variables. Other variables were entered into the
model as agents or factors.
Results: Neural networks can evaluate the outcomes of patients who have or have not undergone
surgery. Separate networks can then be used to predict treatment and hospitalization costs and
duration provided that the patients who had surgery had been identified.
Conclusion: Neural networks designed in this paper can well forecast the usual outcomes of
patients. Multilayer neural networks can precisely identify patients who would die after surgery.
Non-linear properties of neural networks can help in modeling and forecasting.
کلیدواژه‌ها [English]
- Neural Networks (Computer)
- Diagnosis
- Learning
)