نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، مهندسی صنایع، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان،اصفهان، ایران

2 دانشیار، مهندسی صنایع، دانشکده مهندسی صنایع و سیسم‌ها دانشگاه صنعتی اصفهان، اصفهان، ایران

3 دانشجوی کارشناسی ارشد، مهندسی صنایع، دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان، ایران

چکیده

مقدمه: امروزه، بیمارستان‌ها با چالش‌هایی مانند ازدحام در بخش اورژانس و افزایش بی‌نظمی و اختلال در کار پرسنل مواجه هستند که سبب افزایش نارضایتی بیماران می‌شود. با پیشرفت هوش مصنوعی و گسترش علم داده‌کاوی، پیش‌بینی پذیرش بیماران اهمیت زیادی پیدا کرده است. هدف این پژوهش، پیش‌بینی پذیرش بیماران بخش اورژانس در بیمارستان امام‌علی (ع) شهرکرد است.
روش بررسی: در این پژوهش، 2180 پرونده بیماران بخش اورژانس بیمارستان مورد بررسی قرار گرفت و اطلاعات اولیه بیماران شامل مشخصات فردی، علائم حیاتی بیمار و سطح تریاژ که توسط پرستاران در فرم تریاژ ثبت شده بود، استخراج شد. با استفاده از ماتریس مقایسات زوجی، ویژگی‌های مؤثر توسط خبرگان انتخاب شدند. سپس با استفاده از الگوریتم‌های بیز ساده، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان، داده‌ها طبقه‌بندی شدند.
یافته‌ها: از بین ۱۴ ویژگی جمع‌آوری شده، ۹ ویژگی منتخب توسط خبرگان انتخاب شد و نتایج نشان داد که الگوریتم جنگل تصادفی با دقت ۲/۹۲ درصد و حساسیت 96 درصد و صحت 3/86 درصد نسبت به الگوریتم‌های بیز ساده ، ماشین بردار پشتیبان و درخت تصمیم بهترین عملکرد را در پیش‌بینی پذیرش بیماران این مطالعه موردی داشته است.
نتیجه‌گیری: نتایج نشان می‌دهد که دقت مدل‌های یادگیری ماشین با استفاده از نظرات خبرگان در انتخاب ویژگی‌ها بیشتر می‌شود و و با توجه به حوزه مورد مطالعه، الگوریتم‌های یادگیری ماشین نتایج متفاوتی دارند که در این مطالعه الگوریتم جنگل تصادفی بهترین عملکرد را در پیش‌بینی پذیرش بیماران داشته است.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Predicting Emergency Department Admission Using Data Mining (Case Study: Imam Ali Hospital in Shahrekord)

نویسندگان [English]

  • Saba Paydar 1
  • GholamAli Reisi Ardali 2
  • Hossein Raeisi 3

1 Msc, Industrial Engineering, Department of Industrial and Systems Engineering Isfahan University of Technology, Isfahan. Iran

2 Associate Professor, Industrial Engineering, Department of Industrial and Systems Engineering, Isfahan University of Technology, Isfahan, Iran

3 MSc, Student, Industrial Engineering, Department of Industrial and Systems Engineering, Isfahan University of Technology, Isfahan, Iran

چکیده [English]

Introduction: Today, hospitals face challenges such as overcrowding in the emergency ward and increased chaos and disruption in staff work, which leads to increased patient dissatisfaction. With the advancement of artificial intelligence and the expansion of data mining, predicting patient admission has become important. This study endeavors to predict patient admission in the emergency department of Imam Ali Hospital in Shahrekord.
Methods: In this study, 2180 patient records from the emergency ward of the hospital were examined. Initial patient information, including personal details, vital signs, and triage level which were recorded by nurses, were extracted. Using pairwise comparison matrix, the effective features were selected by experts. Then, using naive Bayes, decision tree, random forest, and support vector machine algorithms, the data were classified.
Results: Out of the 15 collected features, 9 features were selected by experts, and the results revealed that the random forest algorithm had the good performance in predicting patient admission in this case study, with an accuracy of 92/2%.
Conclusion: The results indicated that the accuracy of machine learning models increases with the use of expert opinions, and the random forest algorithm can predict patients' admission with high accuracy in this case study.v

کلیدواژه‌ها [English]

  • Data mining
  • Forecasting
  • Patient admission
  • Hospital Emergency Services
  1. .Reinhardt UE. Does the aging of the population really drive the demand for health care? Health Affairs. 2003;22(6):27-39.
  2. Grossman M. The demand for health: a theoretical and empirical investigation: Columbia university press; 2017.
  3. Wilber ST, Gerson LW, Terrell KM, Carpenter CR, Shah MN, Heard K, et al. Geriatric emergency medicine and the 2006 Institute of Medicine reports from the Committee on the Future of Emergency Care in the US health system. Academic Emergency Medicine. 2006;13(12):1345-51.
  4. Cameron P, Schull M, Cooke M. A framework for measuring quality in the emergency department. British Association for Accident and Emergency Medicine; 2011. p. 735-40.
  5. Galarraga JE, Pines JM. Costs of ED episodes of care in the United States. The American journal of emergency medicine. 2016;34(3):357-65.
  6. Hand DJ. Principles of data mining. Drug safety. 2007;30(7):621-2.
  7. Lucini FR, Fogliatto FS, da Silveira GJ, Neyeloff JL, Anzanello MJ, Kuchenbecker RS, et al. Text mining approach to predict hospital admissions using early medical records from the emergency department. International journal of medical informatics. 2017;100:1-8.
  8. Graham B, Bond R, Quinn M, Mulvenna M. Using data mining to predict hospital admissions from the emergency department. IEEE Access. 2018 Feb 22;6:10458-69.
  9. Parker CA, Liu N, Wu SX, Shen Y, Lam SSW, Ong MEH. Predicting hospital admission at the emergency department triage: A novel prediction model. The American journal of emergency medicine. 2019;37(8):1498-504.
  10. Mowbray F, Zargoush M, Jones A, de Wit K, Costa A. Predicting hospital admission for older emergency department patients: Insights from machine learning. International Journal of Medical Informatics. 2020;140:104163.
  11. De Hond A, Raven W, Schinkelshoek L, Gaakeer M, Ter Avest E, Sir O, et al. Machine learning for developing a prediction model of hospital admission of emergency department patients: Hype or hope? International journal of medical informatics. 2021;152:104496.
  12. Menditto VG, Fulgenzi F, Bonifazi M, Gnudi U, Gennarini S, Mei F, et al. Predictors of readmission requiring hospitalization after discharge from emergency departments in patients with COVID-19. The American journal of emergency medicine. 2021;46:146-9.
  13. James G, Witten D, Hastie T, Tibshirani R. An introduction to statistical learning: Springer; 2013.
  14. Larose DT. Data Mining Meyhods and Models. John Willey & Sons. Inc New Jersey. 2006.
  15. Fernandes M, Vieira SM, Leite F, Palos C, Finkelstein S, Sousa JM. Clinical decision support systems for triage in the emergency department using intelligent systems: a review. Artificial Intelligence in Medicine. 2020;102:101762.

16.Boyle J, Jessup M, Crilly J, Green D, Lind J, Wallis M, et al. Predicting emergency department admissions. Emergency Medicine Journal. 2012;29(5):358-65.