معرفی یک سیستم پیش بینی مناسب برای برآورد تقاضای درمان در بیمارستان امام رضا(ع) ارومیه

بیمارستان­ها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینه­های سلامت را به خود اختصاص می­دهند. شواهد حاکی از آن است که چشم­انداز وسیعی برای ارتقاء و اعتلای منابع بیمارستان­ها (مالی و انسانی) وجود دارد. آگاهی و اطلاع از مقدار تقاضای آینده، مدیریت بهینه این منابع و کیفیت خدمات رسانی در حوزه سلامت را تا حد زیادی تضمین می­نماید. هدف اصلی این مطالعه بررسی مدل­های خطی (arima) و غیرخطی (شبکه عصبیmlp) در پیش­بینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازه­های زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخش­های مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکه­ی عصبی مصنوعی مبتنی بر الگوریتم mlp، دارای عملکرد بهتری در پیش­بینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیش­بینی­های دقیق­تری نسبت به مدل arima ارائه دهد. مدل شبکه عصبی mlp  با متوسط درصد خطای 96/24% نسبت به مدل arima با متوسط درصد خطای کل 73/26% دارای قدرت پیش­بینی بالایی می­باشد. همچنین نتایج پیش­بینی­های بخش کودکان و نوزادان نشان می­دهد که مدل خطی arma دارای قدرت پیش­بینی بالاتری نسبت به مدل غیرخطی شبکه عصبی mlp می­باشد که دلیل این ناسازگاری با فرضیه­های تحقیق را می­توان در واریانس پایین داده­های این بخش جستجو کرد.