پایان نامه ارشد رایگان درمورد Technology، بیمارستان، داده کاوی

ل الگوریتم ها معرفی شده بر روی داده های داروی Syrup Sulbutamolدر روش فصول متوالی
Measure
Method
MSE
MAE
MAPE
RMSE
R2
MLP
14521.08
87.20
2.89
107.98
0.46
AdaBoost.R
10096.79
89.43
2.45
90.94
0.50
BAGTREE
8055
46.22
0.97
77.81
0.70
SVR
6376.35
34.29
0.45
86.73
0.571
LR
9645
60.77
1.18
111.43
0.26
LSSVR
7552.3
44.75
0.94
87.24
0.52
نمودار 5-20 و 5-21 میزان تقاضای واقعی و پیش بینی شده را توسط الگوریتم LSSVR و BagTree برای Syrup Sulbutamol نشان میدهد.
شکل 5-20. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR بر روی داده های
Syrup Sulbutamol
همانطور که در نمودار دیده میشود میزان تقاضای پیش بینی شده تقریبا با نمودار تقاضای واقعی در زمانهای یکسان peak میزند.
شکل 5-21. میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BagTree بر روی داده های
Syrup Sulbutamol
تمام مجموعه دادههای موجود تعداد رکوردها نسبتا کم است که دلیل آن انتخاب 30 مجموعه داده است. موفقیت هر مدل جهت پیشبینی به مجموعه داده که مدل جهت برازش استفاده می کند بستگی دارد. در مدل شبکه عصبی، با توجه به اینکه تعداد رکوردهای داده کم است دقت پیشبینی آن نسبت به سایر مدلها کمتر است.
جمع بندی
همانطور که ملاحظه میشود، تقریبا در بیشتر روشها، مدل BagTree نسبت به بقیه مدلها پیش بینی دقیقتری دارند و میزان خطا را به نسبت بیشتری کاهش میدهند. نمیتوان به طور قطعی راجع به برتری یک مدل اظهار نظر کرد. کارایی هر مدل بسته به مجموعه داده ممکن متفاوت باشد. هر کدام از این مدلها ممکن است در یک مجموعه داده پیشبینی دقیقی داشته باشد اما در مجموعه داده دیگر کارایی ضعیفی را از خود نشان دهد.
همچنین با بررسی عملکرد روش های مطرح شده، روش ماههای یکسان نتایج بهتری ارائه کرده است که می توان نتیجه گرفت هر چه ماتریس ورودی بزگتر باشد نتایج دقت بیشتری خواهند داشت.
فصل ششم
پیشنهادها و فرصت‌های پژوهشی
پیشنهادهاو فرصت‌های پژوهشی آینده
در این تحقیق، هدف، پیدا کردن بهترین مدل برای پیش بینی تقاضای دارو برای داروخانه بیمارستان پاستور بم و پس از آن تعمیم به بیمارستانهای کشور است. در واقع، هدف استفاده از آن به صورت عملی برای کاهش هزینهها و بهبود جنبههای اقتصادی و درمانی است. برای بهبود روش پیشنهادی میتوان مشخصههایی به مجموعه داده اضافه کرد. همچنین میتوان سایز پنجره انتخابی را افزایش و یا کاهش داد. با افزایش سایز پنجره یعنی افزودن ماههای بیشتری از سال به داده ورودی، میتوان میزان دقت را بالا برد.
.
فهرست منابع
1. Reichertz P. Hospital information systems—Past, present, future. International Journal of Medical Informatics. . 2006;75(3-4):282-99.
2. yan-feng l. Data Mining of Inspection-time Rules in HIS with DeepSee. Database Technology and Applications (DBTA), 2010 2nd International Workshop on 27-28 Nov; Wuhan: IEEE; 2010. p. 1-4.
3. Berry MJA. Data Mining Tehniques: For Marketing, Sales, and Customer Support. New York: John Wiley & Sons; 2004.
4. Stephen. Pharmaceutical Marketing in Perspective – Its Value and Role as One of Many Factors Informing Prescribing2008 [cited 2008 07.01.08].
.5 ج. شهرابی، داده کاوی، چاپ دوم. انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر، تهران. 1390
.6 م. غضنفری ، داده کاوی وکشف دانش. چاپ اول، انتشارات دانشگاه علم وصنعت ایران، تهران. 1387
.7 م. کانتاردزیک، داده کاوی.چاپ اول، انتشارات علوم رایانه، بابل. 1385
8. Bellazzi R. Predictive data mining in clinical medicine: Current issues and guidelines. International journal of medical informatics. 2008;77:81-97.
9. Weiss GM. Data Mining. Handbook of Technology Management, , . (Ed.) HB, editor. New York: John Wiley and Sons 2010.
10. ” بیمارستان‌های دولتی در صورت عدم رسیدگی تعطیل خواهند شد” [Online]. Available: http://www.isna.ir/fa/news/92081811448.
11. ” “چالش‌های پیشروی اقتصا د درمان [Online]. Available: http://www.hamshahrionline.ir/print/235652.
12. “بلاتکلیفی داروخانه‌های بیمارستانی و چندنکته” [Online]. Available: http://www.isna.ir/fa/news/92070100229.
13. Hong T. The application of information technology in the hospital pharmacy management based on HIS. Information Technology in Medicine and Education (ITME), 2012 International Symposium on; 3-5 Aug; Hokodate, Hokkaido: IEEE; 2012. p. 604-7.
14. Qingkui C. Study on the Demand Forecasting of Hospital Stocks Based on Data Mining and BP Neural Networks International Conference on Electronic Commerce and Business Intelligence2009. p. 284-9.
15. Desikan P. DATA MINING FOR HEALTHCARE MANAGEMENT. SIAM international conference on data minig2011.
16. HAMURO Y. Mining Pharmacy Data Helps to Make Profits. Data Mining and Knowledge Discovery 1998;2:391–8
17. Li J-s. “Data Mining in Hospital Information System”. New Fundamental Technologies in Data Mining. 2011:143-71.
18. Bereznicki BJ. Data-mining of medication records to improve asthma management. MJA. 2008;189:21-5.
19. Asadi F. Pharmacy information systems in Tehran university hospitals and their relationship with pharmaceutical companies. Journal of Paramedical Sciences 2011;2:48-55.
20. Asfandiary N . Knowledge discovery in medicine: Current issue and future trend [press release]. ELSEVIER2014.
21. Ranjan J. APPLICATIONS OF DATA MINING TECHNIQUES IN PHARMACEUTICAL INDUSTRY. Journal of Theoretical and Applied Information Technology 2007:61-7.
22. Doddi S. Discovery of Association Rules in Medical Data. Medical informatics and the Internet in medicine 2001;26(1):25-33
.23 ا. حاجوی ، مدارک پزشکی، چاپ اول ، انتشارات نشرالکترونیک و اطلاع رسانی جهان رایانه، 1381.
.24 ح. وکیلی منفرد، سيستم اطلاعات بيمارستانی و نقش آن در توسعه خدمات پزشکی وبهداشتی. مجله علمی-پژوهشی پژوهان. 1391;دوره11(شماره1).
25. Dorenfest S. The decade of the ’90s. Poor use of IT investment contributes to the growing healthcare crisis. Healthc Inform. 2000;17(8):64-7.
26. Kim HS. A Clinical Document Architecture (CDA) to Generate Clinical Documents within a Hospital Information System for E-Healthcare Services. Computer and Information Technology, 2006 CIT ’06 The Sixth IEEE International Conference on; Sept. 2006; Seoul: IEEE; 2006. p. 254.
27. Siyamian H. The role of health information management in hospital management. Scientific Communication. 2005;3(4):19-28.
28 Hu D. Study on information system of health care services management in hospital. Services Systems and Services Management, 2005 Proceedings of ICSSSM ’05 2005 International Conference on 13-15 June 2005: IEEE; 2005. p. 1498 – 501.
.29 م. آقاجانی، بررسی و مقایسه سیستم های اطلاعات بیمارستانی. طب وتزکیه 1382; دوره 47
30. Khan NN. Hospital Information Systems: An Aid to Decision Making. Emerging Trends in Engineering and Technology (ICETET), 2010 3rd International Conference on; 19-21 Nov. 2010; Goa: IEEE; 2010. p. 657 – 63.
31. Xiaolan W. Improved Services in Hospital Information System. Information Technology and Applications (IFITA), 2010 International Forum on 16-18 July 2010; Kunming: IEEE; 2010. p. 358-61.
32. Ahmadi M. A Survey of Usability of Hospital Information Systems from the perspective of Nurses, Department Secretaries, and paraclinic Users in Selected hospitals: 2009 Journal of Health Administration. 2011;14(44):11-20.
33. Lenz R. Intranet meets hospital information systems – the solution to the integration.problem? Method Inform Med. 2001;40:99-105.
34. Collen M. A brief historical overview of hospital information system evolution in the United States. Int JBiomed Comput. 1991;29(3-4):169-89.
.35 م. قاضی سعیدی، مديريت اطلاعات بهداشتي درمانی، ماهان – تهران 1384.
.36 د.ترابی، مدیریت فناوری اطلاعات سلامت ،انتشارات جعفري 1389.
.37 د.احمدی، مديريت اطلاعات بهداشتي: مديريت يك منبع استراتژيك،انتشارات واژه پرداز 1382.
38. Fayyad U. From data mining to knowledge discovery in databases. AI Mag. 1996;17(3):37-54.
39. Friedman J. Data Mining and Statistics: What’s the connection? Comput Sci Stat. 1998.
40. ع.مشکانی، مقدمه ای برداده کاوی، موسسه چاپ وانتشارات دانشگاه فردوسی مشهد،1388 .
41. Potomac. Two Crows Corporation, Introduction to Data Mining and Knowledge Discovery. Third ed: Two Crows Corporation; 1999.
42. Gupta S. Data Mining Classification Techniques Applied For Breast Cancer Diagnosis And Prognosis Indian Journal of Computer Science and Engineering (IJCSE). 2011:188-95.
43. Bushinak H. Recognizing The Electronic Medical Record Data FromUnstructured Medical Data Using Visual Text Mining TechniquesProf. Hussain Bushinak. InternationalJournal of Computer Science and Information Security. 2011;9(6):25-35.
44. Seifert JW. Data Mining : An Overview. Analyst in Information Science and Technology Policy, Resources S, and Industry Division; 2004.
45. Stühlinger W. Intelligent Data Mining for Medical Qualit 2000.
46. Ganesan N. .Application of Neural Networks in Diagnosing Cancer Disease Using Demographic Data. International Journal of Computer Applications 2010;1(26):0975-8887.
47. Haykin S. ; “Neural Networks: A Comprehensive Foundation second ed: Prentice-Hall Inc; 1999.
48. م. منهاج. مبانی شبکه های عصبی، دانشگاه صنعتی امیرکبیر، تهران 1392.
49. Machová K. A Bagging Method using Decision Trees in the Role of Base Classifiers Acta Polytechnica Hungarica. 2006;3(2).
50. Dietterich TG. An experimental comparison of three methods for constructing ensembles of decision trees:Bagging, boosting, and randomization Machine Learning. 2000;40(2):139-58.
51. Freund Y. Boosting a weak learning algorithm by majority. Information and Computation. 1995;121(2):256-85.
52. Skurichina M. The Role of Combining Rules in Bagging and Boosting 2004.
53. Demiriz A. Linear programming boosting via column generation. Machine Learning.

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