برآورد مدت اقامت بیماران ایسکمی قلبی و کشف عوامل موثر بر آن با استفاده از داده کاوی

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 59

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HIM-14-1_005

تاریخ نمایه سازی: 11 شهریور 1402

چکیده مقاله:

مقدمه: بیماری های ایسکمیک قلبی IHD (Ischemic Heart Diseases) از موضوعات هزینه بر و قابل بحث در حیطه بهداشت و درمان کشور می باشد. علاوه بر این، بیمارستان ها به شدت دارای محدودیت منابع برای مراقبت از بیماران هستند. از این رو، تعیین مدت اقامت LOS (Length of stay) بیماران از لحاظ مدیریت هزینه بیمارستان، بسیار مهم است. در تحقیق حاضر مدل هایی جهت برآورد LOS بیماران ایسکمی قلبی و عوامل موثر بر آن ارایه شد.روش بررسی: این پژوهش در مطالعه ای کاربردی، ۶۵۲۴ بیمار بستری ایسکمی قلبی را که طی شش ماه دوم سال ۱۳۹۲ به ۱۶ مرکز درمانی شهر تهران مراجعه کرده بودند و اقدامات درمانی صورت گرفته در پرونده آن ها توسط کدهای تعرفه خدمات درمانی ثبت شده بود، بررسی کرده است. پس از جمع آوری داده ها با استفاده از فرمی طراحی شده و پاکسازی آن ها، مدل های برآورد LOS با کمک الگوریتم های داده کاوی شبکه عصبی مصنوعی ANN (Artificial neural networks)، ماشین های بردار پشتیبان SVM (Support vector machines)، اکتشاف تعاملی اتوماتیک CHAID (Chi-squared Automatic Interaction Detection)، درخت های دسته بندی و رگرسیون CART (Classification and regression trees) و مدل ترکیبی در نرم افزار Clementine ساخته شدند.یافته ها: میانگین و انحراف معیار LOS بیماران، ۶۰۸/۹ ± ۷۲۷/۷ روز بود. همبستگی خطی با LOS واقعی و خطای نسبی تمام مدل ها به ترتیب بیشتر از ۷/۰ و کمتر از ۵/۰ شد. مدل ترکیبی و SVM نیز دقیق ترین مدل های به دست آمده بود.نتیجه گیری: با توجه به نتایج مدل ها، بیماران ایسکمی که نیازمند توان بخشی، مشاوره، رادیوتراپی و سی تی اسکن هستند، دارای LOS بیشتری می باشند. همچنین، نوع بیماری ایسکمی و به ویژه کدهای درمانی کالیفرنیا نقش مهمی در برآورد LOS بیماران دارند.

کلیدواژه ها:

مدت اقامت ، بیماری های ایسکمی قلبی ، داده کاوی

نویسندگان

مجید ضرابیان

دانشجوی کارشناسی ارشد، مهندسی صنایع، گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه یزد، یزد، ایران

مسعود عابسی

استادیار، مدیریت صنعتی، گروه مهندسی صنایع، دانشکده فنی مهندسی، دانشگاه یزد، یزد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Karim H, Tara M, Etminani K. Factors associated with length ...
  • Rezaei Hachesu P, Ahmadi M, Alizadeh S, Sadoughi F. Use ...
  • Wright SP, Verouhis D, Gamble G, Swedberg K, Sharpe N, ...
  • Talebizadeh N, Haghdoost A, Mirzazadeh A. Age at natural menopause, ...
  • Laurenti R, Buchalla CM, de Sousa Caratin CV. Ischemic heart ...
  • Samadi S, Nazifi M, Abbaspour S. Estimating the duration of ...
  • National Center for Health Statistics, Centers for Disease Control and ...
  • Fetter RB. The new ICD-۹-CM diagnosis-related groups classification scheme. ۱st ...
  • World Health Organization. International statistical classification of diseases and related ...
  • Monajemi F, Safdari R, Ghorbani V. Necessity of national DRG ...
  • Kuwabara K, Imanaka Y, Matsuda S, Fushimi K, Hashimoto H, ...
  • Bellazzi R, Zupan B. Predictive data mining in clinical medicine: ...
  • Appelros P. Prediction of length of stay for stroke patients. ...
  • Lazar HL, Fitzgerald C, Gross S, Heeren T, Aldea GS, ...
  • Jiang X, Qu X, Davis LB. Using data mining to ...
  • Wu W, Masri A, Popovic ZB, Smedira NG, Lytle BW, ...
  • نمایش کامل مراجع