پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان با استفاد از تکىیک داد کايی ي مذل ضبک عصبی

Size: px

Start display at page:

Download "پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان با استفاد از تکىیک داد کايی ي مذل ضبک عصبی"

Alexander Wheeler
6 years ago
Views:

1 محمذعلی افطارکاظمی ي مکاران?;.. پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان با استفاد از تکىیک داد محمد علی افشار کاظمی 1 ندا بیگدلی* 2 ژیال منوچهری 3 یاسر جناب تاریخ دریافت A9/@/:A B تاریخ پذیزش A:/</9 B چكیده : زمینه و هذف : بخش ا رشا س ا لیي هکاى ارائ خذهات تشخیصی درها ی ب بیواراى ا رشا سی هی باشذ. با ت ج ب ا ویت سرعت دقت در ارائ خذهات تخصیص صحیح ه ابع در ایني بخنش ا وینت ینص ا دارد. بر اه ریس ه ابع بخش ا رشا س بذ ى ت ج ب ازدحام تراکن بیوار در زهاى ا هختلف صن رت هی گیرد ب ابرایي هوکي است بخش با کوب د ه ابع ر بر شذ ایي اهر ه جر ب هعطلی بیواراى بی ظونی در ا جام کار ا در تیج افت کیفیت خذهات گردد. در ایي هطالع ب ه ظ ر رفع هشنکتت فن الین پیش بی ی تعذاد بیوار هراجع ک ذ ب بخش ا رشا س ارائ شذ است. مواد و روش ها : تعذاد بیوار بر هب ا داد ا ر د بیواراى ب ا رشا س با استفاد از تک یک داد کا شبک عصبی پرسپتر ى چ ذ الی ( MLP )Multi-layer Perceptron پیش بی ی شذ است. یافته ها : تعذاد بیوار ر د در ر ز ا هختلف فت ساعات هختلف شبا ر ز برا ر ینک از ا ل ینت ا س گا تعییي شذ بیشتریي تعذاد بیوار در ر ز ش ب کوتریي در ر ز جوعن بن د اسنت. ر ز ا تعطیل غیر تعطیل از لحاظ تعذاد بیوار با ن هتفا ت تعذاد بیونار در ر ز نا تعطینل رسنوی ها ذ اعیاد برابر تعذاد بیوار در ر ز ا جوع ب د است. بیشتریي تعذاد بیوار در ساعات 9 الی 11 صبح 22 الی 23 شب کوتریي تعذاد در ساعات بیي 2 الی 7 صبح هیباشذ. نتیجه گیری : پیش بی ی تعذاد بیوار بخش ا رشا س هی ت ا ذ در برآ رد ه ابع ه رد یناز ت زینع ه اسنب آ ا ه رد استفاد قرار گرفت کیفیت خذهات را ب ب د بخشذ. کلمات کلیذی : داد کا شبک عصبی پیش بی ی بخش ا رشا س. PhD 1 دا ـ بس گش هذ ش ت ك عت دا ـکذ هذ ش ت دا ـگب آصاد اػاله احذ ت شاى هشکض MSc 2 گش هذ ش ت ك عت دا ـکذ هذ ش ت دا ـگب آصاد اػاله احذ ت شاى هشکض *(. ؼ ذ هؼئ ل) آدسع : ت شاى خ بثبى آصاد س ثش ک چ دکتش لش ت دا ـکذ هذ ش ت دا ـگب آصاد اػاله احذ ت شاى هشکض کذ پؼت : ؿوبس توبع : ا و ل neda_big_55@yahoo.com : PhD 3 هؼؤ ل احذ هذ ش ت ک ف ت هشکض للت ت شاى دا ـگب عل م پضؿک ت شاى PhD 4 اػتبد بس گش للت عش ق هشکض للت ت شاى دا ـگب عل م پضؿک ت شاى کايی ي مذل ضبک عصبی

2 <? ارگان رسمی اوجمه علمی ادار ام ر بیمارستاو ای ایران با ايل یت 3 ضبک عصبی 3 MLP ساعت تعذادبیمار با تعذادبیمار ايل یت 9 مراجع کىىذ با ايل یت 9 ضبک عصبی 9 MLP تعطیلی ي غیرتعطیلی تعذادبیمار با تعذادبیمار مراجع کىىذ با ايل یت 1 ايل یت 1 ضبک عصبی 1 MLP استخراج داد ای م رد ویاز مذل مراجع کىىذ ريز فت ايل یت بیمار داد داد پایگا داد بخص ايرشاوس مرکس قلب ت ران تعذادبیمار ايل یت 3 مواد و روش ها دس ا ي پظ ؾ ثب اػتفبد اص تک ک داد کب هتذ ط CRISP ا گ س د ث وبساى دس ػتبعبت هختلتف س ص س ص تب هختلف فت (تعط ل غ ش تعط ل) پ ؾ ث ؿذ اػت. هذل هف ه پظ ؾ دس ؿکل ؿوبس 1 آ سد ؿذ اػت. آماد سازی پیص پردازش ي قالب بىذی داد ا تعذادبیمار با پیص بیىی تعذاد بیمار مراجع کىىذ با ايل یت 9 3 ي 1 ثش به س ض سص ذ ت ب ا سطا غ ] [5 اسائ هذل ا گ س تن ط ت تک ثشا ثش به س ض سص ذ ت ب ] [6 تلف ك ػ ؼتن ؿج ػتبص ثتب ث ػبص ثشا تع ي تعتذاد ث ت پضؿتکبى تک ؼت ي تب آصهب ـگب پشػتبساى ثب ذف استمتب ک ف تت ختذهبت دسهتب کب ؾ صهبى ا توبس ث وبس]. [7 وچ ت ي ب ت وکتبسا ؾ داد کب طجم ث ذ دسخت تلو ن سا ثشا پ ؾ ث ت تمبضتب پضؿکبى دس ثخؾ ا سطا غ ث کبس ثشد ذ]. [8 دس اغلتتت ا تتي تحم متتبت ثتت ثش بهتت س تتض پضؿتتکبى ثختتؾ ا سطا غ پشداخت ؿذ پ ؾ ث ا گ ت ص س د ث وبس ثت ع اى ک اص ه ن تش ي ع اهل تع ي ک تذ دس ثش بهت س تض ه بث ثخؾ ا سطا تغ هت سد ت ت لتشاس گش تت اػتت. دس ا تي تحم ك ثب هذ وش لشاس دادى تعذاد ث وبساى هشا ع ک تذ ثت ثخؾ ا سطا غ (ثب ا ت ب تع ي ؿذ ) دس ک د س صهتب هـخق ا گ پ ؾ ث س د ث وبس دس ػبعبت هختلف ؿجب س ص س ص ب هختلف فت اسائ ؿذ اػت. ريز يريد ضکل -1 مذل پیص بینی تعذاد بیمار مراجعه کننذه با اولویت 2 1 و 3 به بخص اورژانس ساعت ورخ يريد يريد بیمار... شبکه عصبی MLP با یک الیه مخفی n تعطیلی ي غیر تعطیلی مقدمه ثخؾ ا سطا غ ک اص احذ ب حؼبع پ چ ذ ث وبسػتتبى هحؼ ة ه ؿ د ک ث وب گ ثؼ بس ص بد ث ي ه تبث هتبد ا ؼب تبص داسد. ثش بهت س تض ثختؾ ا سطا تغ کت اص چتب ؾ ثشا گ ضتش ي ه ض عبت دس ح ط هذ ش ت ث وبسػتبى ث ؿتوبس هت س د ص شا اص ک ػ ثب اسائت ا ت اخ ختذهبت تخللت تـخ لت دسهب ػش کبس داسد اص ػ د گش ؿل غ حجن ثبال کبس دس ثؼ بس اص ا سطا غ ب ث وبسػتب ث ك ست ک هـکل تکشاس دسآهتتتذ اػتتتت. دس تتتت وکتتتبساى( [1])2771 کتتتبستش الپ ش( [2])1999 ع اهل ؿل غ ثختؾ ا سطا تغ سا کوج دپشػت ل کوج د تخت تبخ ش دس ا جبم الذاهبت تـخ ل هب تذ آصهب ـتبت ثب تل شثشداس تعتذاد ص بدث وتبساى ب تتب کتب جت دى ضب ثخؾ ا سطا غ ث بى و د ا ذ. دس تحم تك د گتش کوجت د پشػ ل ه وتش ي عبهل ؿل غ ثخؾ ا سطا غ ع اى ؿذ ] [3 دس گضاسؽ ا ؼتت ت پضؿتک اهش کتب ( ) Institute of Medicine تض ؿل غ ثخؾ ا سطا غ ت ج تعبهالت پ چ ذ ث ي ه ضاى عشض تمبضب ه بث رکش ؿذ اػت].[4 دس ک د گزؿت تحم مبت هتعذد دس خل ف ثش به س ض ه بث ثخؾ ا سطا غ ا جبم ؿذ ک اغلت ا ي تحم مبت ثتش ثش بهت س ض تعذاد پضؿکبى توشکض داؿت ا ذ هب ذ اسائ هذل ثش به س ض چ تذ ه وت س ( )A multi-objective programming model ثتشا سال ديازد م ضمار 4 زمستان 3129 ضمار مسلسل..44

3 پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان آه صؽ همب ؼ تفب ت ه تبى همتذاس پت ؾ ث ت خش ت الع س ث عمت دس ؿجک ه تـش ه ؿ د تب همبد ش صى ب استجبط تعذ ل پ ؾ ث ا گ ب هـبث ث ج د بثذ ].[14 MLP ث ع اى ک تخو ي ص تذ تتبث لت ثتشا هؼتبئل طجم ث ذ پ ؾث ؿ بخت ؿذ اػبػتب هجو عت ا اص ش ى ب غ ش خط (پشػپتش ى) ػبصهبى د ؿتذ اػتت کت دس ک ػبختبس چ ذ ال ا پ ؾ خ س( )feed forward ث کذ گش هتلل ؼت ذ. کبسثشد ب تجشث ـتبى داد کت MLP خ لت ث تش اص ػب ش ػبختبس ب ANNs هب ذ تبث پب ؿعبع ( Radial )basis function ؿتجک علتج ثبصگـتت ( Recurrent neural )network مـ خ د ػبصهب ذ ( )Self-organizing map لبثل ت ا شا داسد. س تک وکتبسا ؾ دس ػتبل 1997 عوتال ـتبى داد ذ ک دس ك ست اسائت داد تب كتح ر دس هت سد ا تذاص ػبختبس MLP لبدس ث بدگ ش ش گ تبث غ ش خط پ چ ذ ا تخبث ثشا ػط ح دلت د خ ا ه ثبؿذ].[15 محیط پژوهش هشکض للت ت شاى ک ث وبسػتبى تخللت ت ق تخللت آه صؿ للت عش ق داسا 457 تخت عبل 977 فش کتبدس دسهب 377 فشکبدس غ ش دسهب ه ثبؿذ. دس ثبص صهب ث ي ػبل ب 81 ا 89 دسكذ اؿغبل تخت دس ا تي ث وبسػتتبى ثتت طتت س هت ػت %86 ثتت د اػتتت].[16 ثختتؾ ا سطا تتغ ا تتي ث وبسػتبى ث ط س ه ب گ ي 177 فتش هشا عت س صا ت داسد اص ا ي ح ث ض ا سطا غ ب ؿل غ ث وبسػتتب هحؼت ة هت ؿ د. پیاده ساسی مذل تعذاد ث وبس هشا ع ک ذ ث ثخؾ ا سطا غ ؿذت ث وتبس (ا ت) ا ي ث وبساى ه ن تش ي ع اهتل تع ت ي ک تذ ه تضاى ه بث ه سد بص ا ي ثخؾ (پضؿک پشػتبس تج ضات )... هت ثبؿ ذ. ث وبساى دس ثذ س د پغ اص ثجتت هـخلتبت دس تش تبط ت ػ پشػتبس تش بط اص وش ؿذت ث وبس ا ت ث ذ ؿذ ثش اػبع ا ي ا ت خذهت دس ب ت ه ک ذ. ث طت س کلت ػت دػت ا ت ثشا ث وتبساى هشا عت ک تذ ثت ا سطا تغ ا تي ث وبسػتبى دس وش گش ت ؿذ اػت : ا ت ا سطا ؼ (ا ت :)1 ا ي ث وبساى هؼتم وب ثت داختل ثخؾ ا سطا غ ا تمبل داد ؿتذ ت ت تتبخ ش دس ؿتش خ دسهبى آ ب هجبص ؼت. ا ي گش حذ د %7.5 کل ث وتبساى هشا ع ک ذ دس ثبص صهب ه سد هطب ع سا دس ثش ه گ ش ذ. ا ت ثبال(ا ت :)2 ا ي ث وتبساى پتغ اص ض تت پضؿتک تحت هشالجت ب دسهتب لتشاس هت گ ش تذ هتذت صهتبى ا توبس لبثل لج ل ثشا ؿش خ دسهبى آ ب 15 دل م اػت. ا ي گش حذ د %36 کل ث وبساى هشا ع ک ذ دس ثتبص صهتب ه سد هطب ع سا دس ثش ه گ ش ذ. داده کاوی داد کب ث شآ ذ کـتف اػتتخشاا ا گ تب هخفت اص همبد ش ص بد داد اطالق ه ؿ د. داد کتب دس حت ص تب هختلفتت هب تتذ ثبصاس تتبث کـتتف تتشائن اکتـتتب بت علوتت پضؿک ث کبس ه س د ].[9 اػتفبد اص تک ک ب داد کتب ث خلك دا ؾ ذ ذ اص پب گب ب ثضسگ داد دس عل م هختلتف پضؿک ک اغلت ثذ ى اػتتفبد هب تذ ا تذ کوتک هت ک تذ. اػتفبد اص ا ي تک ک تب دس حت ص تب هختلتف ث ذاؿتت دسهب هب ذ ا تخبة ک س ؽ دسهب اسائ سا وب ب ثب چگ گ تخل ق ه بث تع ي اثشات هف ذ هضش داس ب )... ث ه و سپـت جب اصتلو ن گ ش ب هذ ش ت هشتجتب س ثت ا ضا ؾ اػت]. [10 شبکه عصبی ؿجک تب علتج هلت ع ( Artificial neural networks: )ANNs اص تک ک ب پ ـش ت داد کب هحؼ ة ؿذ دس ه اسد ک ػب ش س ؽ ب ت ا ذ هذل ب پ ؾ ث سضتب ت ثخـ ث دػت ثذ ذ ث کبس گش ت هت ؿت ذ. ؿتجک تب علج هل ع ه ت ا تذ تش گ ت اثؼتتگ پ ػتت ثت ي س د ذف سا ث تمش ج ثشآ سد وب ذ حت اگش ا ي ساثطت غ شخطت ثبؿتذ(.)Phillips-Wren &Etal, 2008 ؿتجک تب علج هل ع سا ا ي گ تعش ف ه ک تذ "ػ ؼتتن تب پشداصؽ داد ک اص س ؿجک علج ث ط ک ؿتج ػتبص ؿذ ا ذ". ا ي ؿجک ب تعذاد ص بد اص تش ى تب هلت ع ػبد ث ن پ ػت سا ث کبس ه ثش تذ تتب ثشخت اص هـخلتبت ؿجک ب علج ث ط ک سا ؿج ػتبص ک تذ ].[11 ه تن تش ي ظگ ؿجک ب علج ک دس کبسثشد آ ب حبئض ا و تت اػت " ت ا ب بدگ ش و ب" اػت ].[12 س ؽ بدگ ش ه ت ا ذ ث ػ ك ست : ثتب تب(ش( Error Back- )propagation Algorithm ثذ ى ب(ش( )Unsupervised ب ش د ثبؿذ. س ؽ بدگ ش ثب ب(ش ثب ص ا تب اص ا گ تب س د - خش ا جبم ه ؿ د دس كت ست کت تبدگ ش ثتذ ى تب(ش كش ب" ؿبهل اسائ و ب آه صؿ ث س د ؿجک اػتت تب صهب اداه ه بثذ ک ؿجک ث ث ـتش ي تفک ک ث ي طجم ب اص و ب دػت بثذ. هعش ف تش ي ؿجک ب علج MLP ؼتت ذ کت عو هتب اص خ آه صؽ د ذ ثب ب(ش ثب ا گ س تن پغ ا تـبس خطتب( Error )Back-propagation Algorithm ه ثبؿت ذ]. [13 آهت صؽ تک پشػپتش ى چ ذ ال ثب اػتفبد اص س کشد "پتغ ا تـتبس خطتب" ثذ ي ك ست ا جبم ه ؿ د ک دس ط ل آه صؽ ثشا ش سک سد ک ث ؿجک هعش ه ؿ د اطالعبت ت ب تي تک پت ؾ ث اص ال خش ث ك ست س ث ل ث ؿجک تغز ت هت گشدد. ا ي پ ؾ ث ثب همتذاس خش ت ثجتت ؿتذ دس ثختؾ محمذعلی افطارکاظمی ي مکاران?=..

4 >? ارگان رسمی اوجمه علمی ادار ام ر بیمارستاو ای ایران یافته ها ش ػ هذل ؿجک علج ث دػت آهذ اص خ MLP ثب تبث ا تمبل ػ گو ئ ذ ا گ س تن پغ ا تـبس خطب ه ثبؿتذ. تعتذاد ال ب هخف تعذاد ش ى ب دس ال ب هخف ثتشا تش ک اص هذل ب ث ا ي ؿشح اػت : هذل ؿجک علتج MLP پت ؾ ث ت تعتذاد ث وتبس هشا عت ک ذ ثب ا ت : 1 ؿبهل ک ال هخفت 28 تش ى دس ال ت هخف اػت. هذل ؿجک علج MLP پت ؾ ث ت تعتذاد ث وتبس هشا عت ک ذ ثب ا ت : 2 ؿبهل ک ال هخفت 29 تش ى دس ال ت هخف اػت. هذل ؿجک علج MLP پت ؾ ث ت تعتذاد ث وتبس هشا عت ک ذ ثب ا ت : 3 ؿبهل ک ال هخفت 17 تش ى دس ال ت هخف اػت. ش ػ هذل ػبخت ؿذ ثب ؿجک علتج اص دلتت تخو ت ثبال ثشخ سداس ث د ه ب گ ي لذس هطلك خطتب ( )MAE آ تب هطل ة ه ثبؿذ. تب ج اسص بث آ ب ث ؿشح ر ل ه ثبؿذ : هذل MLP ثشا ث وبساى ثب ا ت ک MAE = : دلت تخو = هذل MLP ثشا ث وبساى ثب ا تت د MAE = : دلت تخو = هذل MLP ثشا ث وبساى ثب ا ت ػ MAE = : دلت تخو = پ ؾ ث تعذاد ث وبساى هشا ع ک ذ ثب ا تت دس ػبعبت هختلف ؿجب س ص دس و داس ؿتوبس 1 ـتبى داد ؿذ اػت. ػبعت ب ک شخ س د ث وبس آ ب هـبث ث د ثتب ن دس و داس آ سد ؿذ اػت (ث ع اى و ػبعبت ثعذ اص ( ش). وب گ ک دس ا ي و داس هـب ذ ه ؿ د تعذاد ث وبساى هشا ع ک ذ ثب ا تت 1 دس ػتبعبت هختلتف ؿجب س ص ثب اػتفبد اص تک تک داد کتب ؿتجک علتج MLP كفش پ ؾ ث ؿذ اػتت. پت ؾ ث ت تعتذاد ث وتبس هشا ع ک ذ ثب ا ت 3 2 دس س ص ب هختلف فت ض دس و داس 2 آ سد ؿذ اػت. همب ؼ هت ػ شخ س د ث وبس دس س ص ب تعط ل غ ش تعط ل دس وت داس ؿتوبس 3 همب ؼت هت ػ شخ س د ث وبس دس س ص ب وع ثب تعط الت سػتو دس و داس ؿوبس 4 اسائ ؿذ اػت. ثب ت ت ثت كتفش ثت دى تعذاد ث وبس ثب ا ت 1 دس ػبعبت هختلف س ص تعذاد آ تب دس س ص ب هختلف فت ض كفش ث د زا دس و داس ب ؿوبس آ سد ـذ ا ذ. ا تي تتب ج دس لؼت خجشگتبى ثتب حض س هؼ ي (پضؿک پشػتبس ) ثخؾ ا سطا تغ هطتشح ؿذ ه سد تب ذ لشاس گش ت. ا ت هعو (ا ت :)3 ا ي ث وبساى پغ اص ض ت پضؿک ثب دػت سات داس ت تب ت كت ثت ا جتبم ػتب ش التذاهبت تـخ ل ت دسهب تشخ ق ه ؿ ذ هذت صهبى ا توتبس لبثل لج ل ثشا آ ب 25 دل م اػت. ا ي گش حذ د %63.5 کل ث وبساى هشا ع ک ذ دس ثبص صهب ه سد هطب عت سا دس ثش ه گ ش ذ. تعش ف "ا ت" ت ػ کو ت ا سطا تغ هشکتض للتت ت تشاى ا جبم ؿذ هجت ثش ه بث علو ث د اػت. هذت صهبى ا توبس لبثل لج ل ثشا ش ک اص ا تت تب تض ثتش اػتبع ؿتشا ه د اهکب بت ث وبسػتبى ت ػ و ي کو ت تع ي ؿذ دس ب ت دسكذ تعذاد ث وبساى هشا ع ک ذ ثب ا تت تب هختلف اص داد ب ثجت ؿذ دس پب گب داد ثخؾ ا سطا غ دس ثبص صهب ه سد هطب ع ث دػت آهذ اػت. پ ؾ ث ا گ س د ث وتبس ثتب اػتتفبد اص ؿتجک علتج MLP ثب تبث ا تمبل ػ گو ئ ذ ا گ س تن بدگ ش (پغ ا تـتبس خطتتب) ا جتتبم ؿتتذ اػتتت. شآ تتذ داد کتتب ثتتش اػتتبع هتذ ط CRISP ثب اػتفبد اص شم ا ضاس Clementine12.0 ک ک اص اثضاس ب داد کتب ثت د آ ب ض تب هختلفت چت ى ؿجک علج دسخت تلو ن سگشػت ى... سا پـتت جب هت وب ذ ك ست گش ت اػت. هشاحل ا جبم کبس ث تشت ت ص ش ه ثبؿذ :.1 و آ س داد ب : کل داد ب ثجت ؿتذ دس پب گتب داد ثخؾ ا سطا غ دس ثبص صهب ػ هب آخش ػبل ( 1389 د ث وي اػف ذ) دس ا ي هطب عت هت سد اػتتفبد لتشاس گش تت اػت. ا ي داد ب ؿبهل اطالعبت هشثت ثت ث وتبس هشا ع ک ذ ث ا سطا غ ث د اػت..2 ا جبم پ ؾ پشداصؽ داد ب : ک ف ت داد تب هت سد ثشسػت لشاس گش ت داد ب ک داسا ض( )noise ثت د تب پتشت ث د ذ حزف ؿذ ذ لذ ب ثشا تفک تک داد تب اضتب گشد ذ. ثت ا تي تشت تت لتذ ب تب ؿتبهل س ص فتت تعط تتل غ شتعط تتل ثتت دى ػتتبعت هشا عتت تعتتذاد ث وتتبس هشا ع ک ذ ثب ش ک اصا ت ب ؿوبس ؿتذ اػت..3 اسائ هذل ؿجک علج ثشا ش ک اص ا ت ب : ثب ت ثت هتفب ت ث دى تعذاد ث وبس هشا عت ک تذ ثتب ا تت تب هختلف ثشا ش ک اص ا ت ب ک هتذل ؿتجک علتج ذاگب (دس هجو خ ػ هذل) اسائ ؿذ اػت. ش ػ هتذل ؿتتجک علتتج اص تت خ MLP ثتتب تتتبث ا تمتتبل ػتت گو ئ ذ ا گ س تن بدگ ش پغ ا تـبس خطب ه ثبؿ ذ..4 اسص بث هذل ب : ث ه و س تخو ي دلت هذل ب ثشا کل ت هذل ب MLP دلت تخو ه ب گ ي لذس هطلك خطب هذل) (Mean Absolute Error هحبػج ؿذ اػت. سال ديازد م ضمار 4 زمستان 3129 ضمار مسلسل..44

اولویت 9 اولویت : اولویت; 2 2 2 1 1 1 11 1 0 0 ساعت شبانه روس نمودار -1

5 محمذعلی افطارکاظمی ي مکاران??.. پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان اولویت 9 اولویت : اولویت; ساعت شبانه روس نمودار -1 متوسط نرخ ورود بیمار در ساعات مختلف ضبانه روز نمودار -2 پیص بینی نرخ ورود بیماران با اولویت 2 و 3 در روزهای مختلف هفته تعذاد بیمار 44

اولویت 3 87 80 اولویت 2 69 60 40 47 20 33

مقایسه متوسط نرخ ورود بیمار با اولویت 2 و

اولویت 3 60 اولویت 2 40 37 33 تعطیل رسمی

6 @? سال ديازد م ضمار 4 زمستان 3129 ضمار مسلسل..44 ارگان رسمی اوجمه علمی ادار ام ر بیمارستاو ای ایران تعداد بیمار اولویت اولویت روزهای غیر تعطیل روزهای تعطیل نمودار -3 مقایسه متوسط نرخ ورود بیمار با اولویت 2 و 3 در روزهای تعطیل و غیر تعطیل اولویت 3 60 اولویت تعطیل رسمی جمعه 20 نمودار -4 مقایسه نرخ ورود بیمار در روزهای جمعه با روزهای تعطیل رسمی تعداد بیمار

7 پیص بیىی الگ ی يريد بیمار ب بخص ايرشاوس بیمارستان تعذاد ث وبساى هشا ع ک ذ ث ا سطا غ دس س ص تب تعط تل غ ش تعط ل ثب ن هتفب ت اػت ا ي ا گ دس س ص ب وعت ثب ػب ش س ص ب تعط ل سػو تفب ت ذاسد. وچ ي دس خل ف ا گ س د ث وتبس (ا تت )3 2 ثت ثخؾ ا سطا غ دسػبعبت هختلتف ؿتجب س ص ث ـتتش ي تعتذاد هشا عتت دس ػتتبعبت 9 ا تت 11 كتتجر 27 ا تت 23 ؿتتت کوتش ي تعذاد هشا ع دس ػتبعبت ثت ي 2 ا ت 7 كتجر پت ؾ ث ه ؿ د. دس هجو خ ثب ت ث ب ت ب ذ ذ حبكل اص ا گ پ ؾ ث س د ث وبس ث ثخؾ ا سطا غ ه ت اى ثتب تج تض ث ـتتش ثختتؾ ثخل ت ف اص وتتش تتش ا ؼتتب دس س ص تتب ؿتت ج وچ ي دس وش گش تي تو ذات الصم دس ػبعبت پ ک هشا ع دس ش ؿجب س ص تجعبت ه ف بؿ اص عذم ت بػت ث ي عشضت تمبضب دس ا ي ثخؾ حؼبع سا کب ؾ داد. ب تب تب ج ا ي هطب ع ـبى ه د تذ ث تش گ تش اص س ؽ ب پ ؾ ث تک ک ب هـبث ثب اسائ تل ش دل ك تش اص ضع ت پ ؾ س ثخؾ ا سطا غ اهکبى ثش به س ض كح ر تخل ق ه بػت ه بث سا شا ن هت وب تذ. ثت ا تي تشت تت هذ شاى ا شا ثخؾ ه ت ا ذ ثب اػتفبد اص ا گت تب پت ؾ ث س د ث وبس ثشآ سد دل ك تش اص ه بث هت سد تبص (اعتن اص پضؿک پشػتبس تخت )... ا جبم داد دس ب ت خذهبت لبثل لج ل تش ث بهع اسائ وب ذ. محذودیت های پژوهش B هحذ د ت عوذ ا ي پظ ؾ ا تي ث د ک ث د ل هحذ د ت صهب طت ال کتشدى ثتبص صهتب هطب ع ث ک ػبل حبظ و دى هتغ تش " لتل" ثت ع ت اى ک اص هتغ ش ب س د ؿجک علج اهکبى پز ش ـذ. References demand in the emergency department. Journal of Biomedical Informatics2009; 42: ] [5 Topaloglu, Seyda. A multi-objective programming model for scheduling emergency medicine residents. Computers & Industrial Engineering 2006; [6] Wang C.-W, Sun L.-M., & Jin M.-H. (2007, July 7-11). A Genetic Algorithm for Resident Physician Scheduling Problem.London, England, United Kingdom. [7] Ahmed M., Alkhamis T. Simulation optimization for an emergency department healthcare unit in Kuwait. European Journal of Operational Research 2009; 198: [1] Derlet, R. W., Richards, J. R., &Kravitz, R. L. Frequentovercrowding in US emergency ; departments. Academic EmergencyMedicine2001 8(2): [2] Carter, M. W., &Lapierre, S. D. Scheduling emergency roomphysicians. Technical Report, Mechanical and Industrial Engineering,University of Toronto1999. [3] Yi Yeh J, Lin W. Using simulation technique and genetic algorithm to improve the quality care of a hospital emergency department. Expert Systems with Applications 2007; 32: [4] Jones S, Evans RS, Todd L A.A multivariate time series approach to modeling and forecasting بحث و نتیجه گیری دس ا ي هطب ع اص تک ک داد کب ثشا پ ؾ ث ت ا گت س د ث وبس ث ثخؾ ا سطا غ هشکض للت ت شاى اػتتفبد ؿتذ تب ج حبكل اص چ ذ ج لبثل ت اػتت. ا ل ا کت ا گت س د ث وتتبس (ا تتت )3 2 ثتت ثختتؾ ا سطا تتغ دس س ص تتب هختلف فت ثب ن هتفب ت اػت د م ا ک ا گ س د ث وتبس ث ثخؾ ا سطا غ دس س ص ب تعط ل غ ش تعط ل ثب ن تفب ت داسد ػتت م ا کتت ا گتت س د ث وتتبس ثتت ثختتؾ ا سطا تتغ دس س ص ب وع ثب ػب ش س ص ب تعط تل سػتو تفتب ت تذاسد. وچ ي ا گ س د ث وبس ث ثخؾ ا سطا غ ثب ا ت 1 كتفش پ ؾ ث ؿذ ص شا تعتذاد ث وتبساى ا تي گتش دس ثتبص صهتب هطب ع ثخؾ ثؼ بس کن ب حذ د %7.5 اص کل ث وبساى سا ؿتبهل ه ؿذ. تب ج ا ي هطب ع ث ـتش ي تعذاد هشا ع ي ث ثخؾ ا سطا غ (ا ت )3 2 دس ط ل فت سا دس س ص تب ؿت ج کوتتش ي تعذاد هشا ع ي سا دس س ص ب وع پ ؾ ث ه ک ذ. ث وش ه سػذ هشدم ث دال ل هختلف هب ذ توب ل ث دسهتبى ت ػت هتخلق (ث ب سص ذ ت) اطو بى اص ث ش ه تذ اص کل ت اهکب بت تـخ ل دسهب دس گبم هشا عت ثت ث وبسػتتبى تش ر ه د ذ دس س ص ب کبس فت ث ث وبسػتبى هشا عت وب ذ. دس ت ج ثخـ اص ث وبسا ک دس س ص وع ( ػتب ش س ص ب تعط ل) دچبس عالئن ث وبس للج ه ؿت ذ ثت تب هشا ع ث ا سطا غ ػع ه ک ذ ث وتبس سا تحوتل کتشد س ص ثعذ ث ث وبسػتبى هشا ع ک تذ. ثت ا تي تشت تت اص تعتذاد هشا ع ي ث ا سطا غ دس س ص ب وع کبػت ؿذ دس عت م ث تعذاد هشا ع ي س ص ب ؿ ج ا ض د ه ؿ د. ث دال ل ق محمذعلی افطارکاظمی ي مکاران?A..

8 Downloaded from jhosp.tums.ac.ir at 2:24 IRDT on Wednesday June 20th ضمار مسلسل 3129 زمستان 4 ضمار سال ديازد م [8] Yang C.C, Lin W.T, Chen H.M, Shi Y.H. Improving scheduling of emergency physicians using data mining analysis. Expert Systems with Applications 2009; 36: [9] Chen H, Chuang C, Hsieh H, Yang Y, Wud T, Chen P.Exploring the risk factors of preterm birth using data mining. Expert Systems with Applications2010. [10] Phillips-Wren G, Sharkey Ph, MorssDy S. Mining lung cancer patient data to assess healthcare resource utilization. Expert Systems with Applications 2008; 35: [11] Chang C, ChenC. Applying decision tree and neural network to increase quality of dermatologic diagnosis. Expert Systems with Applications 2009; 36: [12] Efendigil T, Onut S, Kahraman C. A decision support system for demand forecasting with ارگان رسمی اوجمه علمی ادار ام ر بیمارستاو ای ایران artificial neural networks and neuro-fuzzy models: A comparative analysis. Expert Systems with Applications2009; 36: [13] Liao S, WenCh.Artificial neural networks classification and clustering of methodologies and applications literature analysis from 1995 to Expert Systems with Applications 2007; 32:1 11. [14]Panahiazar M, Data mining For Forecasting purpose M.D Thesis, Sharif University,1385; [15]DelenD, FullerCh, McCannCh, RayD. Analysis of healthcare coverage: A data mining approach.expert Systems with Applications 2009; 36: [16]Comparative report of Tehran Heart Center: , Internal Report.

9 Downloaded from jhosp.tums.ac.ir at 2:24 IRDT on Wednesday June 20th 2018 Predicting A Pattern of Patient Arrival at Emergency Department by Using Data Mining Technique and Neural Network Model Afshar Kazemi.M.A1, Bigdeli.N2, Manoochehri.J3, Jenab.Y4 Submitted: Accepted: Abstract: Background: Emergency department (ED) is the first place for providing diagnostic and therapeutic services to emergency patients. Due to importance of speed and accuracy in providing services; the proper allocation of resources, the department must consider this matter in a particular way. Planning Emergency resources implements regardless of patient overcrowding which occurs at different times. In conclusion the emergency department may faces lack of resources and it results in delay of providing services, a whole mess in functions and decreasing in quality of services. This study is aimed to overcome these problems by suggesting a model for predicting the number of arrival patients at ED. Materials and Methods: The number of arrival patients is predicted based on the data colleted by counting arrival patients and using the data mining technique and neural network model (Multi-layer Perceptron). Results: The number of arrival patients during whole days of a week and 24 hours a day were calculated by sorting out 1, 2 and 3 priorities. The highest number of arrival patients counted was for Saturdays and the lowest for Fridays. Holidays and non-holidays` number of arrival patients differ. The number of arrival patients on formal holidays was similar to Fridays. The highest number of arrivals was between 9 am and 11 and also between 20 pm and 23 pm and the lowest arrivals was between 2 am and 7 am. Conclusion: prediction the number of ED arrival patients can be used for estimating required sources and distributing them appropriately and improving quality of services. Keywords: Data Mining; Neural Network; Predicting; Emergency Department. 1 Associate Professor, Department of Industrial Management, Facaulty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran. 2 MSc, Department of Industrial Management,Facaulty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran( Corresponding author) address: neda_big_55@yahoo.com 3 PhD, Department of Emergency, Head of Quality Management Unit, Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran 4 Assistant Professor,Cardio-Vascular Group, Department of Hospital Quality Improvement, Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran

IELTS Writing. HIRAD Specialized Language Center

IELTS Writing. HIRAD Specialized Language Center LESSON ONE ADJECTIVE CLAUSE ؿج خ كفي )ه بيش ك ي( ؿج خ كفي يه اػ سا ت كيف يو ذ. ث بی صيش ت خ و يذ: پؼشی پؼشی و و پيشا ىي پ ؿيذ د ػت ك ي ي اػت. يخ ا ي ثب ا اصد اج و ي خي ي دة اػت. The boy who is wearing