برازش مدلهای هوش مصنوعی و آمار کلاسیک سری زمانی جهت پیشبینی تعداد بیماران بستری بیمارستانها
نویسندگان
چکیده مقاله:
مقدمه: مطالعه و تجزیهوتحلیل هر سیستم بهداشتی و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان به شمار میآید. در این میان، مدیریت و تجزیهوتحلیل تعداد بیماران یک عامل مهم و تعیینکننده در بهبود تصمیمات مدیران این حوزه است. هدف از این پژوهش، مطالعهو بررسی روشهای پیشبینی مبتنی بر سریهایزمانی جهت پیشبینی ماهیانه تعداد بیماران بستری و مقایسه صحت عملکرد این روشها میباشد. روش: در این مطالعه مقطعی مدلسازی بر اساس دادههای ماهیانه تعداد بیماران بستری 6 بیمارستان دولتی شهر مشهد از فروردین 1383 تا فروردین 1395 انجامگرفت که از پایگاه داده اداره آمار دانشگاه علومپزشکیمشهد استخراج شد. جهت پیشبینی تعداد بیماران بستری سهماهه نخست سال 1395 هر یک از بیمارستانها، از تکنیکهای پیشبینی Holt-Winters، SARIMA،MLP و GRNN استفاده گردید. برای هر مدل، خطای مقادیر پیشبینیشده توسط معیار میانگین قدرمطلق درصد خطا (MAPE) گزارش شد. نتایج: روش Holt-Winters با ارائه بهترین نتایج پیشبینی برای 4 بیمارستان میتواند روش کارآمدی برای پیشبینی تعداد بیماران بیمارستانها باشد. در مجموع، مدلهای پیشبینی مورد بررسی در این مطالعه با ارائه معیار صحت MAPE در بازه 2/13 درصد تا 4/12 درصد، عملکرد قابلقبولی برای هر 6 بیمارستان داشتهاند. نتیجهگیری: در این مطالعه نشاندادهشد که تجزیهوتحلیل سریهایزمانی ابزاری مناسب و کاربردی برای پیشبینی تعداد بیماران بستری بیمارستانهای مورد مطالعه میباشد. با توجه به ویژگیهای منحصربهفرد بیمارستانهای مختلف، فرایندهای ذکرشده در این پژوهش شامل مدلسازی و تجزیهوتحلیل دادهها را میتوان در دیگر بیمارستانها جهت بهبود تخصیص منابع و برنامهریزیهای استراتژیک مورد استفاده قرار داد.
منابع مشابه
مقایسهی مدل سری زمانی فازی درصدی و مدل سری زمانی کلاسیک: بررسی توان پیشبینی کوتاهمدت در نوسانهای شدید
مدلهای پیشبینی سری زمانی فازی در دهههای اخیر گسترش زیادی پیدا کردهاند. این نوع مدلها برای دادههای دارای ابهام و ناکامل که ساختار خطی ندارند رفتار مناسبی ارایه دادهاند. این مقاله به بررسی مدل درصد تغییرات سریهای فازی پرداخته و با مدل آریما مقایسه کرده است. کارایی مدل پیشنهادی برای پیشبینی بر روی نفت خام اوپک مورد ارزیابی قرار گرفت و نشان داده شد که این مدل برای دادههای با نوسانه...
متن کاملرفتار آشوبناک در اقتصاد کلان، بررسی پیشبینی پذیری و پیشبینی سری های زمانی متناظر
بهره گیری از هوش مصنوعی و روشهای هوشمند در انجام انواع تحلیل و تصمیم گیری روز به روز فراگیرتر می شود با افزایش قدرت پردازش کامپیوترهای مدرن شناسایی سیستمها از طریق روشهای یادگیری ماشین و تحلیل خروجیهای سیستم برای یادگیری مفاهیم حاکم بر آن نیز در همین راستا از به روز ترین دامنه های تحقیقاتی نوین است. تصمیم گیری از مهمترین و پرکاربردترین مسائل در تصمیم گیری صحیح پیش بینی رفتار آتی سیستم است. برای...
15 صفحه اولمقایسه کارآیی مدلهای سری زمانی خطی و غیرخطی در شبیهسازی و پیشبینی تبخیر- تعرق مرجع
برآورد دقیق میزان تبخیر- تعرق مرجع (ET0) نقش بسیار مهمی در مدیریت منابع آب و بهینهسازی مصرف آب کشاورزی دارد. یکی از روشهای برآورد ET0 استفاده از مدلهای سری زمانی است. در این تحقیق، دقت و کارائی مدل خطی آرما (ARMA) و غیرخطی بیلینییر (BL) در شبیهسازی و پیشبینی ET0 در سه ایستگاه سینوپتیک واقع در شمال غرب کشور مورد مقایسه قرار گرفت. بدینمنظور، مقادیر ماهانه ET0از سال 1990 تا 2014 با استفاده ...
متن کاملبرازش الگوی فصلی سری زمانی به میزان آبدهی رودخانهها در دامنه زمان (مطالعه موردی: رودخانه اترک)
امروزه بررسی و پیشبینی رفتار متغیرهای هیدرولوژیکی و عناصر اقلیمی مؤثر بر آن در دامنه زمان مورد توجه محققان قرارگرفته است. به همین منظور استفاده از تحلیل دادههای وابسته به زمان در پیشبینی میزان آبدهی رودخانهها از نظر آماری دارای اعتبار بوده، بطوریکه میتوان نتایج حاصله را در برنامهریزی و مدیریت منابع آب و طراحی تأسیسات زیربنایی به کار برد. رودخانه اترک یکی از منابع آبی مهم از نظر اقتصادی...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 5 شماره 1
صفحات 12- 24
تاریخ انتشار 2018-06
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023