پیش بینی الگوی ورود بیمار به بخش اورژانس بیمارستان با استفاده از تکنیک داده کاوی و مدل شبکه عصبی
Authors
abstract
زمینه و هدف: بخش اورژانس ، اولین مکان ارائه خدمات تشخیصی و درمانی به بیماران اورژانسی می باشد. با توجه به اهمیت سرعت و دقت در ارائه خدمات، تخصیص صحیح منابع در این بخش اهمیت ویژه ای دارد. برنامه ریزی منابع بخش اورژانس، بدون توجه به ازدحام و تراکم بیمار در زمان های مختلف صورت می گیرد، بنابراین ممکن است بخش با کمبود منابع روبرو شده و این امر منجر به معطلی بیماران، بی نظمی در انجام کارها و در نتیجه افت کیفیت خدمات گردد. در این مطالعه به منظور رفع مشکلات فوق، الگوی پیش بینی تعداد بیمار مراجعه کننده به بخش اورژانس ارائه شده است. مواد و روش ها: تعداد بیمار بر مبنای داده های ورود بیماران به اورژانس و با استفاده از تکنیک داده کاوی و شبکه عصبی پرسپترون چند لایه(multi-layer perceptron) mlp پیش بینی شده است. یافته ها: تعداد بیمار ورودی در روزهای مختلف هفته و ساعات مختلف شبانه روز برای هر یک از اولویت های سه گانه 1 ، 2 و3 تعیین شده، بیشترین تعداد بیمار در روز شنبه و کمترین در روز جمعه بوده است. روزهای تعطیل و غیر تعطیل از لحاظ تعداد بیمار با هم متفاوت و تعداد بیمار در روزهای تعطیل رسمی مانند اعیاد برابر تعداد بیمار در روزهای جمعه بوده است. بیشترین تعداد بیمار در ساعات 9 الی 11 صبح و 20 الی 23 شب و کمترین تعداد در ساعات بین 2 الی 7 صبح میباشد. نتیجه گیری: پیش بینی تعداد بیمار بخش اورژانس می تواند در برآورد منابع مورد نیاز و توزیع مناسب آنها مورد استفاده قرار گرفته و کیفیت خدمات را بهبود بخشد.
similar resources
پیش بینی بیماری قلبی با استفاده از تکنیک داده کاوی شبکه عصبی
مقدمه داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود که عمدتا" از طریق ساختن مدل ها و الگوریتم ها، ورودی ها را با هدف خاصی مرتبط می نماید. گاهی تکنیک های داده کاوی منجر به شناسایی الگوریتم های معنادار می شوند که می توانند با استفاده از داده های موجود و در دسترس و با هزینه کم، زمینه های ابتلا، پیشگیری و درمان بیماری ها را در پزشکی فرا...
full textارائه مدل پیش بینی تشخیص عوامل ناباروری با استفاده از الگوریتم‌های داده کاوی
Introduction: About 10-15 percent of Iranian couples are infertile which is due to different causes determining particular diagnostic and treatment methods. In this study, the model presented is based on basic features and simple tests, helping physicians predict the causes of infertility Methods: The data were taken from Sarem hospital infertility data bank by using data mining methods. ...
full textشناسایی عوامل موثر بر طول اقامت بیمار در بیمارستان و پیش بینی آن با استفاده از تکنیک داده کاوی (مورد کاوی بخش جراحی بیمارستان شریعتی)
ارزیابی عملکرد نظام سلامت اطلاعات خوبی در مورد وضعیت نظام سلامت را برای دولت ها و جامعه فراهم می آورد. اهمیت بهره برداری و استفاده صحیح از منابع محدود بیمارستان ها از مهم ترین وظایف مراکز درمانی محسوب می شود. طول مدت اقامت یکی از مهم ترین و کاربردی ترین شاخص های بیمارستانی است که امروزه، به طور گسترده ای در بیمارستان¬ها به کار گرفته می شود و بیانگر میزان کارایی و عملکرد فعالیت¬های بیمارستانی اس...
پیش بینی احتمال مرگ‌ومیر نوزادان نارس بستری در بخش مراقبت‌های ویژه نوزادان بیمارستان قائم با استفاده مدل شبکه عصبی مصنوعی
Background and purpose: Despite rapid progress in medical treatments and acute care technology during the past 30 years alongside increasing costs of medical care, the analysis of outcomes such as mortality risk have been a challenge in intensive care units. The purpose of this study was to predict the mortality rate of premature infants in neonatal intensive care unit (NICU) using artificial n...
full textارائه مدل پیش بینی تقاضای پزشکان بخش اورژانس با استفاده از تکنیک داده کاوی- مورد مطالعه: بخش اورژانس مرکز قلب تهران-
زمینه: بخش اورژانس ، اولین مکان ارائه خدمات تشخیصی و درمانی به بیماران اورژانسی محسوب می شود و با توجه به اهمیت سرعت و دقت در ارائه خدمات، تخصیص صحیح منابع نیز در این بخش اهمیت ویژه ای پیدا می کند. برنامه ریزی منابع بخش اورژانس، بدون توجه به ازدحام و تراکم بیمار در زمان های مختلف صورت می گیرد. بنابراین ممکن است بخش با کمبود منابع روبرو شده و این امر منجر به معطلی و نارضایتی بیماران، تعجیل و بی ...
15 صفحه اولMy Resources
Save resource for easier access later
Journal title:
بیمارستانجلد ۱۲، شماره ۴، صفحات ۷۳-۸۱
Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023