پایان نامه ارشد رایگان درمورد داده کاوی، بیمارستان، بیمارستان ها

موجود در این سیستمها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2] داده‌کاوی یکی از ده دانش در حال توسعه است و در سال‌های اخیر در دنیا گسترش فوق‌العاده سریعی داشته است. داده‌کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه‌های تخصصی با توصیف، تشریح، پیش‌بینی و کنترل پدیده‌های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه‌های مختلفی ازجمله پزشکی و تجارت دارد [3].
داروخانه های بیمارستانی
افزایش هزینه‌های بیمارستانی در سال‌های اخیر و نیز اجرای طرح خودگردانی و اداره‌ی بیمارستان‌ها به وسیله‌ی درآمد اختصاصی آنها، بیمارستان‌ها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخشهای مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماریهای بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیکهای داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.
لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.
داده کاوی
داده کاوی چیست؟
داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود.[5] کشف دانش و داده کاوی امروزه یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید و استفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها که با حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافته است [6]. شناسایی مشکالت کاوش و یا برآورد وابستگیها از داده ها یا کلاً کاوش داده های جدید تنها قسمتی ازشیوههای تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی است که روشهای استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روشهای تجربی معمول با مسائل داده کاوی میتوان به مراحل بیان مسأله و فرموله کردن فرضیه، جمع آوری دادهها، پیش پردازش دادهها شامل آشکارسازی و حذف دادههای غیر عادی و مقیاس بندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].
تكنیك های مختلف داده كاوی
تكنیكهای مختلف داده كاوی را میتوان بر اساس نوع عملیاتی كه انجام میدهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیكهای پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیكهای تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند [8].در بین این الگوریتمها و مدلها، بهترین وجود ندارد و با توجه به دادهها و کارایی مورد نظر باید مدل انتخاب گردد.
1-3-2-1-انواع تکنیک داده کاوی [9]
قواعد انجمنی 1: قوانین انجمنی در دسته تکنیک های تشریح کننده قرار می گیرد و به پیدا كردن وابستگیها و همبستگیهای موجود در بین داده ها، یافتن الگوهایی كه غالبا در بین دادهها وجود دارند و همچنین پیدا كردن یك سری ساختار سببی در بین آیتمها و اشیای موجود در پایگاه دادههای تعاملی و رابطهای اشاره كرد.
پیش بینی :2 دراین روش هدف، پیش بینی یک متغیر پیوسته می باشد. مانند پیش بینی نرخ ارز یا هزینه های درمانی. اینجا ﻣﻘـﺎﺩﻳﺮ ﻣﻤﻜـﻦ ﺑـﺮﺍﻱ ﻣﺘﻐﻴﺮﻫﺎﻱ ﻧﺎﻣﻌﻠﻮﻡ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﺷﻮﻧﺪ. ﺩﺭ پیش بینی ﺍﺑﺘﺪﺍ ﺩﺍﺩﻩ ﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﻣﺘﻐﻴﺮ ﻧـﺎﻣﻌﻠﻮﻡ ﻣﺮﺑـﻮﻁ ﻫﺴﺘﻨﺪ ﺑﻮﺳﻴﻠﻪ ﻱ ﺑﺮﺧﻲ ﺗﺤﻠﻴﻞ ﻫﺎﻱ ﺁﻣﺎﺭﻱ ﭘﻴﺪﺍ ﻣﻲ ﺷﻮﻧﺪ. ﺳـﭙﺲ ﺍﺯ ﺑﺮﺧـﻲ ﺭﻭﺵ ﻫـﺎﻱ ﻫﻮﺷـﻤﻨﺪ ﻣﺎﻧﻨﺪ ﺷﺒﻜﻪ ﻫﺎﻱ ﻋﺼﺒﻲ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﮊﻧﺘﻴﻚ ﺑﺮﺍﻱ ﺍﻧﺠﺎﻡ ﭘﻴش بینی ﺍﺳﺘﻔﺎﺩﻩ ﻣﻲ ﺷﻮﺩ.
رده بندی یا طبقه بندی3 : فرآیندی برای پیدا کردن مدلی است که رده های موجود در داده‌ها را تعریف می نماید و متمایز می کند، با این هدف که بتوان از این مدل برای پیش بینی رده رکوردهایی که برچسب رده آنها (متغیر هدف) ناشناخته می باشد، استفاده نمود. در رده بندی بر خلاف پیش بینی، هدف پیش بینی مقدار یک متغیر گسسته است. روش های مورد استفاده در پیش بینی و رده بندی عموما یکسان هستند. و در دسته تکنیک های پیش بینی کننده قرار می گیرند.
خوشه بندی4 : گروه بندی مجموعه ای از اعضاء، رکوردها یا اشیاء به نحوی که اعضای موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را به اعضای خوشه های دیگر داشته باشند.
در این پایان نامه جهت پیش بینی مصرف دارو از تکنیک های پیش بینی استفاده می شود و با بررسی الگوریتمهای مختلف این تکنیک تلاش می شود مدلی مناسب جهت پیش بینی مصرف دارو در داروخانههای بیمارستانهای ایران معرفی گردد. همچنین از داده‌های واقعی بیمارستان پاستور شهر تاریخی بم که در پایگاه داده SQL SERVER سیستم اطلاعات بیمارستان با حجمی در حدود GB220 و در مدت 5 سال ذخیره شدهاند جهت استفاده در مدل‌ها و تکینیک های داده‌کاوی استفاده خواهد شد.
بیان مسئله
در حال حاضر بیمارستان های دولتی کشور ما از کمبود منابع مالی ونقدینگی بشدت رنج می برند. یکی از بخش های تاثیر گذار بر وضعیت مالی بیمارستان ها داروخانه می باشد که در صورت افزایش سودآوری این بخش می توان به نحوی به وضعیت مالی بیمارستان ها کمک کرد
در ادامه به اختصار به گزیده هایی از اعتراف برخی از روسای بیمارستانهای بزرگ کشور توجه کنیم:
بیمارستان‌های دولتی در صورت عدم رسیدگی تعطیل خواهند شد .[10]
در بیمارستان‌های دولتی معضل اصلی این است که هزینه و درآمد با هم انطباق ندارد[11].
Esfandiarya و همکارانش در یک مطالعه مروری به بررسی روشهای داده کاوی و زمینه های داده کاوی در پزشکی در بین سال های 1999 تا 2013 پرداخته اند [20] و بیان می دارند که داده کاوی در پزشکی بیشتر در 6 زمینه غربالگری،تشخیص ، درمان، پیشگیری، نظارت و مدیریت است و پنج روش داده کاوی مورد استفاده عبارتند از طبقه بندی و رگرسیون و خوشه بندی و ارتباط و ترکیبی است.در شکل2-6 اهداف بکار گیری داده کاوی در بهداشت و درمان به صورت درصد بیان شده است و بیشترین درصد مربوط به افزایش کارایی می باشد.
.
شکل 2-6 دسته بندی اهداف بکارگیری داده کاوی در بهداشت و درمان که در ان بهبود کارایی 28%، کاهش زمان معطلی 28%، سیستم های تصمیم یار 27%، استخراج دانش28% از کل اهداف بکار گیری داده گاوی در بهداشت و درمان رو شامل می شوند [20].
در شکل 2-7 روند بکار گیری داده کاوی در بهداشت و درمان را در مقایسه با داده کاوی بصورت کلی نمایش داده شده است. رشد بکارگیری داده کاوی در بین سال های 2005 تا 2010 را نشان می دهد عوامل این امر به شکل شرح زیر می باشند:
پیشرفتهای اخیردر زمینه بیوانفورماتیک
توجه بیشتر به برنامههای کاربردی دادهکاوی در میکرو آرایه و ژنتیکی است.
موفقیت داده کاوی در زمینه های دیگر مانند CRM
توسعه داده کاوی از علوم دانشگاهی مشترک ابزارهای بهره وری تحلیلی
شکل شماره 2-7 تلاش دارد تا ثابت کند که استفاده از دادهکاوی موضوعی جذاب بوده و گرایش محققان در حال افزایش است. از سوی دیگر، با مقایسه داده کاوی با داده کاوی پزشکی نشان می دهد که تمایل به استخراج اطلاعات پزشکی به سبب رشد در برنامه های کاربردی داده کاوی ، و رشد داده های پزشکی افزایش یافته است.
شکل 2-7 روند بکارگیری داده کاوی پزشکی در مقایسه با کاوی را نشان می دهد [20]
Ranjan در مطالعهای در سال 2007 به بررسی استفاده از دادهکاوی در صنعت داروسازی می پردازد[21] . وی در این مطالعه نشان میدهد که چگونه داده کاوی، الگوهای مناسب را از بین حجم زیادی از اطلاعات کشف و استخراج می کند و نیز با توجه به تغییرات سریعی که در زمینه محصولات دارویی رخ می دهد سیستم های پشتیبان تصمیم نقش مهمی را در تصمیم گیری ها ایفا می کنند و صنایع دارویی در حال گسترش برنامههای کاربردی دادهکاوی به عنوان ابزار پشتیبانی تصمیم گیری برای اتخاذ تصمیمهای استراتژیک هستند.
در این مطالعه پس از معرفی داده کاوی به ذکر تکنیکها ی دادهکاوی پرداخته می شود. این تکنیکها عبارتند از
قوانین انجمنی: در این روش قوانین وابستگی بین مجموها ها کشف می گردد و به الگوهایی که در طی فرایند داده کاوی به طور مکرر وجود دارد اشاره می گردد.
دسته بندی و پیش بینی: دسته بندی و پیش بینی دو تکنیک جهت آنالیز داده ها می باشد که جهت توصیف گروه اطلاعات استفاده می شود و دسته داده های بعدی را پیش بینی می نمایند.
خوشه بندی: در این روش اطلاعات ثبت شده ی مشابه در یک گروه قرار می گیرند. این روش معمولاً جهت معنی بخشیدن به دسته بندی ها استفاده می شود.
درجدول2-1: درک روشنی از تکنیک های اصلی داده کاوی که در شرکت های دارویی استفاده می شوند را ارائه می دهد.
جدول 1: تکنیک های مهم داده کاوی در بخش دارویی را معرفی می کند[21]
منابع داده مورد استفاده در بخش دارویی عبارتند از
داده های بالینی: (داده های بیمار، اطلاعات دارویی ، اطلاعات درمانی)
داده های اداری: (مهارت کارکنان ، مراقیت پرستاری)
اطلاعات مالی: (هزینه های درمان حقوق کارکنان)
اطلاعات سازمانی: (تجهیزات ، امکانات)
ابزارهای دادهکاوی موثر، به توسعه پایگاههای داده برای اطلاعات مرتبط نیاز دارند. مشخصات بیمار همراه با هر گونه عوارض جانبی گزارش شده توسط بیمار، باید ثبت شود به طوری که آینده بتواند گزارش شود. با گذشت زمان، پایگاه داده بسیار بزرگتر خواهد شد و تعامل دادهها را برای داروهای موجود کاملتر خواهد کرد. داده کاوی می تواند اطلاعاتی همچون ویژگیهای تجویز پزشک ، شیوع بیماری ، اطلاعات مربوط به بیماری را ارائه کند.
وی در ادامه به مقایسه ی داده کاوی و آمار می پردازد و در نهایت استفاده از تکنیکهای داده کاوی، در صنعت دارو سازی را شرح میدهد. از این بین میتوان به استفاده از دادهکاوی در ایجاد داروی جدید، ایجاد و توسعهی آزمایشات، پیش بینی عملکرد داروها، و بررسی داروها در مطالعات بالینی و بررسی نتایج حاصل و همچنین پیشبینی فروش دارو اشاره کرد.
Dodi و همکاران [22] در تحقیقی بیان می کند که کشف قوانین انجمنی بخش مهم از داده کاوی می باشد و قوانین انجمنی در خرده فروشی تحت عنوان تحلیل سبد خرید بطور گسترده استفاده می شود. در هر صورت مفهوم قوانین انجمنی یک مفهوم کلی است و کاربرد زیادی دارد و هدف این تحقیق نمایش دادن کاربرد آن در دادهکاوی پزشکی است. دادههای پزشکی شبیه به دادههای سبد خرید نیستند در سبد خرید دادههای بصورت متمرکز با یکدیگر هستند اما دادههای پزشکی به چند دسته تقسیم میشوند. برای اینکه دادههای پزشکی در فرمی شبیه سبد خرید وارد شوند آنها را در یک مرحله پیش پردازش اماده میکنند.
اولین گام در تولید قوانین وابستگی شناسایی یک مجموعه آیتم بزرگ است و معمولا برای این کار ا

تکه های دیگری از این پایان نامه را می توانید

در شماره بندی فوق بخوانید

متن کامل پایان نامه ها در سایت homatez.com موجود است

You may also like...

Add a Comment