تحلیل و پیش بینی فرایندهای درمانی: رویکرد مبتنی بر علم داده فرایندگرا

نوع مقاله : مقاله پژوهشی

نویسندگان
محمدامین پیریان 1
توکتم خطیبی 2
1 کارشناس ارشد، مهندسی سیستم های سلامت، دانشکده مهندسی صنایع و سیستم ها ،دانشگاه تربیت مدرس،تهران،ایران.
2 دانشیار، مهندسی صنایع ، دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران
10.48305/him.2026.45810.1350
چکیده
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.
روش بررسی: نگاره رویداد استفاده شده شامل 1050بیمار که با نشانه‌های عفونت و علایم سپسیس به بخش اورژانس بیمارستان مراجعه کردند می باشد. که یک سری از درمان‌های خاص برای آن‌ها انتظار می‌رود. در ابتدا برای شفافیت جریان بیماران به کمک ابزارهای فرآیندکاوی از نگاره رویداد نقشه برداری صورت گرفت. سپس به کمک داده‌های 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 پیش‌بینی شد . مدل پیشنهادی با استفاده از معیارهایی همچون صحت (Accuracy) مورد ارزیابی قرارگرفت.
یافته‌ها: فرایندکاوی، گلوگاه‌هایی چون تاخیر در آزمایش‌های تشخیصی و ترافیک واحدهای آزمایش خون را شناسایی کرد. مدل ترانسفورمر با دقت میانگین5/83 درصد در پیش‌بینی فعالیت بعدی، نسبت به روش‌های موجود 13درصد 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 ارایه ‌شده، 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.
کلیدواژه‌ها
علوم داده
فرایندکاوی
یادگیری عمیق
مدیریت اطلاعات سلامت
موضوعات

عنوان مقاله English

Analyzing and Predicting Treatment Processes: A Process Oriented Data Science Approach

نویسندگان English

Mohammad Amin Pirian 1
Toktam Khatibi 2
1 Msc, MSc Student, Systems and Industrial Engineering Department, Tarbiat Modares University, Tehran, Iran, Iran
2 Associate Professor , Faculty of Industrial and Systems Engineering, Tarbiat Modares University; Tehran, Iran
چکیده English

Introduction: 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.

کلیدواژه‌ها English

Data Science
Process Mining
Deep Learning
Health Information Management
1.      Lima RM, Lopes ET, Lopes DC, Gonçalves BS, Cunha PG. Hospital operations management–characterising patients’ process flows in emergency departments. Business Process Management Journal. 2024 Dec 16;30(8):207-31.
2.      Shojaei P, Vlahu-Gjorgievska E, Chow YW. Security and privacy of technologies in health information systems: A systematic literature review. Computers. 2024 Jan 31;13(2):41. Available from: https://www.mdpi.com/2073-431X/13/2/41
3.      Naz TH. Change Mining and Logging in Process-Aware Information Systems: A Literature Review - Student Theses Faculty of Science and Engineering. Ubrugnl [Internet]. 2022 [cited 2025 Apr 18]; Available from: https://fse.studenttheses.ub.rug.nl/28646/
4.      Zerbino P, Stefanini A, Aloini D. Process Science in Action: A Literature Review on Process Mining in Business Management. Technological Forecasting and Social Change. 2021 Nov;172:121021.
5.      De Roock E, Martin N. Process mining in healthcare – An updated perspective on the state of the art. Journal of Biomedical Informatics. 2022 Mar;127:103995.
6.      Dallagassa MR, dos Santos Garcia C, Scalabrin EE, Ioshii SO, Carvalho DR. Opportunities and challenges for applying process mining in healthcare: a systematic mapping study. Journal of ambient intelligence and humanized computing. 2022;13(1):165-82..
7.      Gatta R, Vallati M, Fernandez-Llatas C, Martinez-Millana A, Orini S, Sacchi L, et al. Clinical Guidelines: A Crossroad of Many Research Areas. Challenges and Opportunities in Process Mining for Healthcare. Lecture notes in business information processing. 2019 Jan 1;545–56.
8.      Kurniati AP, Gede, Kusuma GP, Siti Saadah, Osman NA, None Zulhelmy, et al. Patient Clustering to Improve Process Mining for Disease Trajectory Analysis Using Indonesia Health Insurance Dataset. 2024 May 24;88–93.
9.      Rama-Maneiro E, Vidal JC, Lama M. Deep learning for predictive business process monitoring: Review and benchmark. arXiv preprint arXiv:2009.13251. 2020 Sep 24.
10.   Zilker S, Weinzierl S, Kraus M, Zschech P, Matzner M. A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis. Health Care Management Science. 2024;27(2):136-67.
11.   Tanikonda A, Pandey BK, Peddinti SR, Katragadda SR. Application of transformer models for advanced process optimization and process mining. Journal of Science & Technology (JST). 2022 Sep;3(5).
12.   Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention is All you Need. Advances in Neural Information Processing Systems. 2017;30:5998–6008.
13.   Denecke K, May R, Rivera-Romero O. Transformer models in healthcare: a survey and thematic analysis of potentials, shortcomings and risks. Journal of medical systems. 2024 Feb 17;48(1):23.
14.   Boudewijn van Dongen. BPI Challenge 2012. Data4tunl [Internet]. 2025 [cited 2025 Apr 18]; Available from: https://data.4tu.nl/articles/_/12689204/1
15.   Schröer C, Kruse F, Gómez JM. A Systematic Literature Review on Applying CRISP-DM Process Model. Procedia Computer Science. 2021;181:526–34.
16.   Bukhsh ZA, Saeed A, Dijkman RM. ProcessTransformer: Predictive Business Process Monitoring with Transformer Network. 2021.
17.   Pasquadibisceglie V, Appice A, Castellano G, Malerba D. Using Convolutional Neural Networks for Predictive Process Analytics [Internet]. IEEE Xplore. 2019 [cited 2023 Apr 15]. p. 129–36. Available from: https://ieeexplore.ieee.org/abstract/document/8786066/
18.   Mannhardt F, Blinde D. Analyzing the trajectories of patients with sepsis using process mining. InRadar+ emisa 2017 2017 (pp. 72-80). CEUR-ws. org. Available from: https://www.semanticscholar.org/paper/Analyzing-the-Trajectories-of-Patients-with-Sepsis-Mannhardt-Blinde/0897a405a97182bb004d865a1f0dd787a0fab0d3
19.   Novak C, Pfahlsberger L, Bala S, Revoredo K, Mendling J. Enhancing decision-making of IT demand management with process mining. Business Process Management Journal. 2023 Dec 18;29(8):230-59.
20.   Tax N, Verenich I, La Rosa M, Dumas M. Predictive business process monitoring with LSTM neural networks. InInternational conference on advanced information systems engineering 2017 May 27 (pp. 477-492). doi: 10.1007/978-3-319-59536-8_30.