طراحی مدل پیش بینی شاخص بهینگی تخت های بخش مراقبت های ویژه بیمارستانهای نظامی شهر تهران با استفاده از یادگیری ماشینی

سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 50

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_NPWJM-11-40_004

تاریخ نمایه سازی: 18 فروردین 1403

چکیده مقاله:

مقدمه:  بهره وری و بهینگی تخت بیمارستانی از مواردی است که برای ایجاد مدیریت کارآمد بسیار حیاتی است. در این مطالعه ظرفیت بهره مندی تخت بیمارستانی دریک بیمارستان نظامی در شهر تهران با استفاده از یادگیری ماشینی مورد بررسی قرار گرفت. روش کار: مطالعه حاضر به روش توصیفی در سال ۱۴۰۱ انجام شد. با استفاده از داده های آماری بیمارستان نظامی، بررسی میدانی و جای گذاری آن در شاخص پیشنهادی این مطالعه، ظرفیت بهره مندی تخت بیمارستانی برای تخت های بخش های مراقبت ویژه بیمارستان (ICU۱، ICU۲، ICU۳ وN ICU) محاسبه و تحلیل شد. یافته ها: یافته های مطالعه حاضر نشان داد که درصد اشغال تخت کل بیمارستان نزدیک به حداقل استاندارد است اما تفاوت آشکاری در میزان درصد اشغال تخت بخش ها وجود دارد، در نتیجه به نظر می رسد که از نظر توزیع بین بخش ها انجام اقداماتی منجر به بهبود درصد اشغال تخت، کاستن از بار اضافی برخی بخش ها و افزایش ظرفیت بهره مندی کاری بخش های دارای درصد اشغال تخت پائین شود. نتیجه گیری:  فرمول پیشنهادی ارائه شده در این مطالعه با سنجش میزان استفاده از ظرفیت موجود و شناسایی علل عدم استفاده ازحداکثر ظرفیت برای رسیدن به ظرفیت بهره مندی مطلوب به مدیران در افزایش بهره وری بیمارستان کمک خواهد کرد.

کلیدواژه ها:

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 :
  • منابع:۱. Falcão PAA. Predicting Post-Surgical Lenght of Stay Using Machine ...
  • Sun Y, Heng BH, Tay SY, Seow E. Predicting hospital ...
  • Dugas AF, Kirsch TD, Toerper M, Korley F, Yenokyan G, ...
  • Hong WS, Haimovich AD, Taylor RA (۲۰۱۸) Predicting hospital admission ...
  • Ferdosi M, Niaraees Zavare AS, Akbari F. Analyzing hospital bed ...
  • Ameri H, Adham D, Panahi M, Khalili Z, Fasihi A, ...
  • Lotfi F, Kharazmi E, Bayati M, Alipour H, Lohivash S, ...
  • Dr. Krishan Kumar Goya AHP. To Predict The Best Hospital ...
  • Mekhaldi RN, Caulier P, Chaabane S, Chraibi A, Piechowiak S, ...
  • Falcão PAA. Predicting Post-Surgical Lenght of Stay Using Machine Learning: ...
  • Sun Y, Heng BH, Tay SY, Seow E. Predicting hospital ...
  • Dugas AF, Kirsch TD, Toerper M, Korley F, Yenokyan G, ...
  • Hong WS, Haimovich AD, Taylor RA (۲۰۱۸) Predicting hospital admission ...
  • Ferdosi M, Niaraees Zavare AS, Akbari F. Analyzing hospital bed ...
  • Ameri H, Adham D, Panahi M, Khalili Z, Fasihi A, ...
  • Lotfi F, Kharazmi E, Bayati M, Alipour H, Lohivash S, ...
  • Dr. Krishan Kumar Goya AHP. To Predict The Best Hospital ...
  • Mekhaldi RN, Caulier P, Chaabane S, Chraibi A, Piechowiak S, ...
  • نمایش کامل مراجع