عنوان:

شناسایی عوامل مرتبط با ترخیص رضایت شخصی در بخش اورژانس بیمارستان امام رضا (ع) شهر مشهد با استفاده از روش­های آماری و هوش مصنوعی

چكيده

مقدمه: انتخاب بیمار برای خروج از بیمارستان قبل از اینکه پزشک معالج، وی را مرخص اعلام کند ترخیص با رضایت شخصی یا ترخیص علیرغم توصیه پزشکی (Discharge Against Medical Advice - DAMA) نامیده می­شود. ترخیص با رضایت شخصی نه تنها برای بیمار بلکه برای بیمارستان و نظام بهداشت و درمان نیز تبعات منفی­ای به همراه دارد. افزایش ریسک مرگ، افزایش ریسک بستری مجدد، افزایش احتمال شکایت بیمار علیه پزشک و تیم درمانی و همچنین تحمیل هزینه اضافی به نظام بهداشت و درمان از جمله پیامدهای DAMA می­باشند. شناسایی عوامل و دلایل مرتبط با DAMA می­تواند به تصمیم­گیری در خصوص انتخاب مداخلات موثر جهت کاهش نرخ ترخیص با رضایت شخصی کمک شایانی کند. هدف از انجام این مطالعه، شناسایی عوامل/ دلایل DAMA در بخش اورژانس با استفاده از روش­های آماری و هوش مصنوعی/ نظرسنجی از بیماران می‌باشد.

روش کار: این مطالعه در دو فاز انجام گردید. در فاز اول به منظور شناسایی عوامل مرتبط با DAMA، داده‌های بخش اورژانس عدالتیان در سال 1394 از سیستم اطلاعات بیمارستانی بیمارستان امام رضا (ع) شهر مشهد جمع‌آوری شد. سپس بعد از انجام پیش­پردازش­هایی بر روی داده­ها، عوامل مرتبط با DAMA با استفاده از روش‌های مدل­سازی رگرسیون لجستیک، درخت تصمیم و شبکه عصبی مصنوعی شناسایی گردید. در نهایت عملکرد مدل‌های ایجاد شده با معیارهای حساسیت، ویژگی و صحت مورد ارزیابی قرار گرفت و جهت مقایسه مدل­ها، از سطح زیر منحنی راک استفاده گردید. در فاز دوم به منظور شناسایی دلایل مرتبط با DAMA، 631 بیمار که با رضایت شخصی از اورژانس عدالتیان بیمارستان امام رضا (ع) در بازه زمانی تیر تا آبان ماه سال 1395 ترخیص شده بودند، مورد مطالعه قرار گرفتند. دراین فاز، افراد شرکت کننده با تکمیل یک پرسشنامه، دلایل خود مبنی بر DAMA را مشخص نمودند. سپس داده‌های آن‌ها با استفاده از آمار توصیفی مورد تجزیه  و تحلیل قرار گرفت. جهت انجام مراحل پیش­پردازش و آنالیز داده­ها از نرم افزارهای Microsoft Excel 2013، SPSS Statistics Version 22 و SPSS Modeler Version 18 استفاده شد.

نتایج: در فاز اول مشخص گردید که شبکه عصبی عملکرد بهتری نسبت به مدل‌های درخت تصمیم و رگرسیون لجستیک داشته است. سطح زیر منحنی راک در رگرسیون لجستیک، درخت تصمیم و شبکه عصبی به ترتیب (0.748-0.720)0.729، (0.768-0.746)0.759 و (0.784-0.769) 0.777 به دست آمد. در همه مدل‌ها تعداد کل اقدامات پزشکی، تعداد کل تصویربرداری، ماه پذیرش، سن و تعداد کل آزمایشات و وضعیت بیمه از مهمترین عوامل مرتبط با DAMA شناخته شدند. نتایج فاز دوم نشان داد که «احساس بهبودی» با 53 درصد، «عدم رضایت از نحوه درمان/ اقدامات پزشکی» با 17.3 درصد و «شلوغی بیمارستان» با 13.1 درصد، شایع­ترین دلایل بیماران برای DAMA می­باشد.

نتیجه‌گیری: نتایج حاصل از این مطالعه نشان داد که جهت شناسایی عوامل مرتبط با DAMA، مدل شبکه عصبی، درخت تصمیم و رگرسیون لجستیک به ترتیب عملکردهای بهتری داشته­اند. بر این اساس می­توان نتیجه گرفت که روش­های نوین هوش مصنوعی عملکرد بهتری نسبت به روش­های کلاسیک آماری دارند و می­توان از آنها جهت انجام مدل­سازی در تحقیقات حوزه بالینی و سلامت استفاده کرد. همچنین از فاز دوم این مطالعه می­توان نتیجه گرفت که «عوامل مرتبط با بیمار» عمده‌ترین و مهمترین دلایل ترخیص با رضایت شخصی در اورژانس عدالتیان هستند.

کلمات کلیدی: درخت تصمیم، شبکه عصبی مصنوعی، رگرسیون لجستیک، ترخیص رضایت شخصی