عنوان:

برازش مدل های پیش بینی مبتنی بر تئوری های یادگیری ماشین و آمار کلاسیک جهت پیش بینی تعداد بیماران بستری بیمارستان های دولتی شهر مشهد

چكيده

مقدمه: مطالعه و تجزیه‌وتحلیل هر سیستم بهداشت و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان بشمار می آید. در این میان، مدیریت و تجزیه‌وتحلیل تعداد بیماران، یک عامل مهم و تعیین‌کننده در بهبود تصمیمات مدیران این حوزه می باشد. هدف از این پژوهش، مطالعه و بررسی روش‌های پیش‌بینی مبتنی بر سری‌های زمانی آمار کلاسیک و یادگیری ماشین جهت پیش‌بینی ماهیانه تعداد بیماران بستری در دوازده بیمارستان دولتی شهر مشهد و مقایسه‌ی صحت عملکرد این روش‌ها می باشد.

روش کار: این مطالعه، یک مطالعه مقطعی است که از نه تکنیک‌ پیش‌بینی شناخته‌شده‌ی مبتنی بر تئوری‌های یادگیری ماشین و آمار کلاسیک سری‌های زمانی جهت پیش بینی تعداد بیماران بستری بیمارستان ها استفاده نموده است. تکنیک‌های آماری عبارتند از: رگرسیون، مدل میانگین متحرک _اتورگرسیو جمع بسته (ARIMA)، مدل میانگین متحرک_اتورگرسیو جمع بسته‌ی فصلی (SARIMA)، هموارسازی نمایی، میانگین متحرک وزن دار شده‌ی نمایی   (EWMA) و مدل های یادگیری ماشین شامل روشهای K  نزدیکترین همسایه(K-NN) ، شبکه ی عصبی پرسپترون چند لایه (MLP)، شبکه های عصبی رگرسیون تعمیم یافته  (GRNN)و  ماشین های بردار پشتیبان (SVM) می باشد. برای هر مدل، خطای مقادیر پیش‌بینی‌شده توسط معیارهای ریشه ی میانگین مربعات خطا (RMSE)، میانگین مربعات خطا (MSE)، میانگین قدر مطلق انحرافات (MAD) و میانگین قدرمطلق درصد خطا (MAPE) بررسی‌شده است. جهت آنالیز، مدل‌سازی و پیش‌بینی از نرم‌افزار R (نسخه  1. 3 .3) و نرم‌افزار MATLAB (نسخه 2015)  استفاده‌ گردید. تعداد بیماران بستری سه ماهه‌ی نخست سال 95 هر یک از بیمارستان ها، با تک‌تک مدل‌ها پیش‌بینی شده و پس از حصول نتایج واقعی تعداد بیماران بستری در این سه ماه و مقایسه‌ی آن‌ها با نتایج حاصل از پیش‌بینی، خطای پیش‌بینی، جهت بررسی کارایی هر یک از مدل‌ها بر اساس معیارهای صحت فوق، محاسبه گردید. و در نهایت برای هر یک از بیمارستان ها  به صورت مجزا، مدلی که نتایج بهتری نسبت به سایرین داشته است به عنوان بهترین مدل پیش بینی تعداد بیماران بستری آن بیمارستان گزارش شد.

نتایج: روش‌ رگرسیون  با ارائه‌ی بهترین نتایج پیش‌بینی تعداد بیماران بستری برای پنج بیمارستان می‌تواند روش‌ کارآمدی برای پیش‌بینی تعداد بیماران بیمارستان‌ها باشد. همچنین روش هموارسازی نمایی برای چهار بیمارستان بهترین مدل پیش‌بینی را ارائه نموده و دومین بهترین الگوریتم پیش‌بینی کننده برای سه بیمارستان دیگر نیز بشمار می‌آید. درمجموع، مدل های پیش‌بینی مورد مطالعه، با ارائه‌ی معیار صحت MAPE در بازه‌ی 24/0 درصد تا 62/6 درصد عملکرد قابل قبولی برای هر دوازده بیمارستان داشته‌اند.

نتیجه‌گیری: تجزیه‌وتحلیل سری‌های زمانی ابزاری مناسب و کاربردی برای پیش‌بینی تعداد بیماران بستری بیمارستان‌ها می‌باشد. اما با توجه به ویژگی‌های منحصربه‌فرد بیمارستان‌های مختلف، مدل‌های پیش‌بینی بهینه می‌توانند از بیمارستانی به بیمارستان دیگر متفاوت باشند. بااین‌حال، فرایندها و روش‌های ذکرشده در این پژوهش شامل مدل‌سازی و تجزیه‌وتحلیل داده‌ها را می‌توان در دیگر بیمارستان‌ها و اورژانس‌ها، جهت بهبود تخصیص منابع و برنامه‌ریزی‌های استراتژیک مورد استفاده قرار داد.  

کلمات کلیدی: پیش‌بینی، سری‌های زمانی، تعداد بیماران بستری، یادگیری ماشین، آمارکلاسیک