فول تکست - \"”(سایت مرجع مقاله )”\"

متن کامل پایان نامه را در سایت منبع fuka.ir می توانید ببینید

اکنون که این پایان‌نامه به پایان رسیده است بر خود لازم می‌دانم تا از زحمات بی‌دریغ استاد بزرگوارم جناب آقای دکتر رضا بوستانی که از آغاز تا پایان کار با راهنمایی‌های ارزشمند خود زمینه ساز پیشرفت پایان‌نامه شدند و در این راه زحمات فراوانی را بر دوش گرفتند، نهایت سپاس و قدردانی را داشته باشم.
همچنین از استاد بزرگوار، جناب آقای دکتر سید محمد رضا موسوی که به عنوان استاد مشاور در این پژوهش بنده را همراهی کردند سپاسگزارم.
صمیمانه از همراهی و همکاری دوستان و همکارانم در واحد فناوری اطلاعات بیمارستان پاستور و همچنین جناب آقای مهندس کلانی، خانم مهندس منصوره رضایی، خانم دکتر پریسا ایزدی، آقای دکتر حمید رضا صدیقی کمال تشکر و قدرانی را دارم.
چکیده
بهینه سازی خرید دارو با استفاده از داده کاوی
به کوشش
محمد مهدی تورنجی
توسعهی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از دادههای مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیریها و فرایندهای مدیریتی را بهبود بخشید. در این پایان نامه تلاش شده است ضمن بررسی الگوریتمهای مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانههای بیمارستانها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است. برای پیش بینی مصرف دارو عملکرد مدلهای MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد بررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR2 ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است.
واژگان کلیدی : سیستم های اطلاعات بیمارستان، پیش بینی، خرید دارو، داروخانه
فهرست مطالب
عنوان صفحه
TOC o "1-2" h z t "Heading 3,3,Heading 4,4,Heading 5,5,سطح 4,4" فصل 1- مقدمه PAGEREF _Toc408935725 h 21-1- فناوری اطلاعات در بهداشت و درمان PAGEREF _Toc408935726 h 21-2- داروخانه های بیمارستانی PAGEREF _Toc408935727 h 31-3- داده کاوی PAGEREF _Toc408935728 h 31-3-1- داده کاوی چیست؟ PAGEREF _Toc408935729 h 31-3-2- تکنیک های مختلف داده کاوی PAGEREF _Toc408935730 h 41-3-2-1-انواع تکنیک داده کاوی PAGEREF _Toc408935731 h 51-4- بیان مسئله PAGEREF _Toc408935732 h 61-5- اهداف تحقیق PAGEREF _Toc408935733 h 81-6- سوالات وفرضیات تحقیق PAGEREF _Toc408935734 h 91-6-1- سوالات PAGEREF _Toc408935735 h 91-6-2- فرضیات تحقیق PAGEREF _Toc408935736 h 91-7- فصول پایان نامه PAGEREF _Toc408935737 h 9فصل 2- پیشینه پژوهشی PAGEREF _Toc408935738 h 122-1- جمع بندی24فصل 3- مروری بر ادبیات تحقیق و مبانی نظری PAGEREF _Toc408935739 h 263-1- سیستم های اطلاعات بیمارستان PAGEREF _Toc408935740 h 263-2- تعریف و مفهوم سیستم اطلاعات بیمارستانی PAGEREF _Toc408935741 h 283-2-1-- اهداف سیستم اطلاعات بیمارستانی PAGEREF _Toc408935742 h 293-2-2- اهمیت و ضرورت راه‌اندازی سیستم اطلاعات بیمارستانی PAGEREF _Toc408935743 h 303-2-3- مزایایی سیستم اطلاعات بیمارستانی PAGEREF _Toc408935744 h 313-3- داده کاوی PAGEREF _Toc408935745 h 323-4- مراحل داده کاوی PAGEREF _Toc408935746 h 333-4-1- پیش پردازش داده ها PAGEREF _Toc408935747 h 353-4-2- پاکسازی داده ها PAGEREF _Toc408935748 h 353-4-3-یکپارچه سازی داده ها PAGEREF _Toc408935749 h 363-4-4- تبدیل دادهها PAGEREF _Toc408935750 h 363-4-5- تلخیص داده ها PAGEREF _Toc408935751 h 373-5- وظایف داده کاوی PAGEREF _Toc408935752 h 373-5-1- دسته بندی PAGEREF _Toc408935753 h 383-5-2- تخمین PAGEREF _Toc408935754 h 393-5-3- پیش بینی PAGEREF _Toc408935755 h 393-5-4- گروه بندی شباهت یا قوانین وابستگی PAGEREF _Toc408935756 h 403-5-5- خوشه بندی PAGEREF _Toc408935757 h 403-5-6- نمایه سازی PAGEREF _Toc408935758 h 413-6- کاربرد های داده کاوی PAGEREF _Toc408935759 h 413-7- رویکردهای مسائل داده کاوی در پزشکی PAGEREF _Toc408935760 h 423-8- مدلها و الگوریتمهای داده کاوی PAGEREF _Toc408935761 h 433-8-1- شبکه های عصبی مصنوعی PAGEREF _Toc408935762 h 433-8-1-1-ساختار شبکه عصبی PAGEREF _Toc408935763 h 443-8-1-2-معماری شبکه عصبی PAGEREF _Toc408935764 h 453-8-1-3-آموزش شبکه های عصبی مصنوعی PAGEREF _Toc408935765 h 463-8-1-4-انواع یادگیری در شبکه های عصبی مصنوعی PAGEREF _Toc408935766 h 473-8-2- درخت های انتخاب PAGEREF _Toc408935767 h 473-8-3- Bagging & Boosting PAGEREF _Toc408935768 h 483-8-3-1-Bagging553-8-1-1-Boosting PAGEREF _Toc408935763 h 443-8-1-1-الگوریتم های Boosting PAGEREF _Toc408935763 h 443-8-4- Adaptive Boosting(Adaboost) PAGEREF _Toc408935769 h 503-8-5- رگرسیون بردار پشتیبان PAGEREF _Toc408935770 h 513-8-6- رگرسیون خطی PAGEREF _Toc408935771 h 523-9 نرم افزارهای داده کاوی PAGEREF _Toc408935772 h 543-10- فرایند خرید دارو PAGEREF _Toc408935773 h 553-11- جمع بندی PAGEREF _Toc408935774 h 56فصل 4- روش انجام پژوهش PAGEREF _Toc408935775 h 584-1- مقدمه PAGEREF _Toc408935776 h 584-2- الگوریتم پیشنهادی PAGEREF _Toc408935777 h 594-3- پیش پردازش دادهها PAGEREF _Toc408935778 h 604-3-1- ساخت ماتریس داده PAGEREF _Toc408935779 h 604-3-1-1-روش ماههای متوالی674-3-1-2-روش ماههای یکسان PAGEREF _Toc408935763 h 444-3-1-3-روش فصول متولی694-4- الگوریتمهای Prediction PAGEREF _Toc408935781 h 634-4-1- روش NN PAGEREF _Toc408935782 h 644-4-2-روش SVR PAGEREF _Toc408935783 h 644-4-3- روش LSSVR PAGEREF _Toc408935784 h 674-4-4- AdaBoost.R PAGEREF _Toc408935785 h 694-5- مجموعه داده PAGEREF _Toc408935786 h 704-5-1- پاکسازی داده PAGEREF _Toc408935787 h 724-6- معیارهای ارزیابی PAGEREF _Toc408935788 h 724-7- جمع بندی PAGEREF _Toc408935789 h 74فصل 5- بحث و نتیجه‌گیری PAGEREF _Toc408935790 h 765-1- مقایسه روشهای مورد بررسی PAGEREF _Toc408935791 h 765-1-1- ارزیابی الگوریتم با روش ماههای متوالی PAGEREF _Toc408935792 h 775-1-2- ارزیابی الگوریتم با روش ماههای یکسان PAGEREF _Toc408935793 h 835-2- جمع بندی PAGEREF _Toc408935794 h 93فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده PAGEREF _Toc408935795 h 95

فهرست جداول
عنوان صفحه
جدول 2- 1تکنیک های مهم داده کاوی در بخش دارویی[21] 21
جدول 4- 1 ماتریس داده بصورت ماههای متوالی60
جدول 4- 2 ماتریس داده بصورت ماههای یکسان61
جدول 4- 3 ماتریس داده بصورت فصول متوالی2
جدول 5- 1 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 77
جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin81
جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol82
جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 82
جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 85
جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol86
جدول 5- 7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 91
جدول 5 - 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 93
فهرست شکل ها و نمودارها
عنوان صفحه
شکل 2- 1 مدل پیش بینی با شبکه عصبی[4]12
شکل 2- 2 شبکه عصبی [14] BP 12
شکل 2- 3 مدل بهینه سازی خرید دارو[15]14
شکل 2- 4 مدل استخراج دانش [26] 16
شکل 2- 5 جریان عملیات در داروخانه[17] 17
شکل 2- 6 دسته بندی اهدا بکارگیری داده کاوی[15]19
شکل 2- 7 روند بکارگیری داده کاوی در پزشکی[20]20
شکل3- 1 مراحل داده کاوی[40]32
شکل3- 2 ساختار شبکه عصبی[47]43
شکل3- 3 مثالی از درخت تصمیم[41]55
شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان55
شکل 4- 1 دیاگرام چاچوب تحقیق58
شکل4- 2 پارامترهای مورد استفاده در SVM64
شکل4- 3 گزارش تهیه شده با کریستال ریپورت70
شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت71
شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R78
شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR78
شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE79
شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR80
شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR80
شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE83
شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR83
شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR84
شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R84
شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR85
شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R86
شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR87
شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR87
شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR88
شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R89
شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN90
شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR90
شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR92
شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE93
شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR94
شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE94
فصل نخستمقدمه
مقدمهفناوری اطلاعات در بهداشت و درماندر سالهای اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستمهای اطلاعاتی خود برآمدهاند. در ابتدا مقصود از چنین فعالیتهایی کاهش هزینههای ناشی ازکاغذ بازی موجود در سیستمهای دستی و اداری بوده است، اما اکنون به مرحله ای رسیدهایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون مییابد و در این راستا بکارگیری سیستم های اطلاعات بیمارستانها بسیار مرسوم شده است.
بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جوابها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواستها که در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از دادههای 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 بیمارستانیافزایش 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 کاویداده 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].
تکنیک های مختلف داده کاوی
تکنیکهای مختلف داده کاوی را میتوان بر اساس نوع عملیاتی که انجام میدهند به دو دسته « پیش بینی کننده » و « تشریح کننده » تقسیم کرد. تکنیکهای پیش بینی کننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی که تکنیکهای تشریح کننده ، الگوهایی قابل فهم از داده ها را برای انسان کشف می کنند [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 : قوانین انجمنی در دسته تکنیک های تشریح کننده قرار می گیرد و به پیدا کردن وابستگیها و همبستگیهای موجود در بین داده ها، یافتن الگوهایی که غالبا در بین دادهها وجود دارند و همچنین پیدا کردن یک سری ساختار سببی در بین آیتمها و اشیای موجود در پایگاه دادههای تعاملی و رابطهای اشاره کرد.
پیش بینی : 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 بندی : 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 بندی : 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 مسئلهدر 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].
مشکلات بیمارستان به قدری زیاد است که معمولا پولی برای دارو باقی نمی ماند.[12]
مشکلات خرید و ویژگیهای دارو که با توجه به بررسی های انجام شده در داروخانه بیمارستانها میتوان به آنها شاره کرد.
خرید و نگهداری دارو حساسیتی بالایی دارد.
جهت خرید دارو از اطلاعات مصرف قبلی برای پیش بینی مصرف استفاده نمی شود و این باعث می شود در انتها فصل با اضافه موجودی مواجه شوند و مقداری از دارو ها به دلیل اتمام تاریخ مصرف غیر قابل استفاده شوند. و همچنین با توجه به عدم پیش بینی مناسب در بعضی از موارد با کمبود دارو مواجه شوند.که با توجه به وابستگی دارو ها در صورت نداشتن برخی از داروها، مراجعه کنندگان برای دریافت کل دارو ها بصورت کامل به داروخانههای خارج از بیمارستان مراجعه میکنند.
فروش دارو در داروخانهها بر خلاف سایر فروشگاهها بر اساس سلیقه مشتری نمی باشد و در نظر گرفتن اینکه نسخه پزشکان از اصول درمانی پیروی میکند.
بر طبق قانون جدید بیمارستان ها موظف اند تمام داروها و لوازم مصرفی که در بیمارستان استفاده می شود را موجود داشته باشند و بیماران نباید برای تهیه دارو و لوازم مصرفی به داروخانه های خارج از بیمارستان مراجعه کنند.
با توجه به ویژگیها و مشکلاتی که در بالا به آنها اشاره شد در صورت پیش بینی مصرف دارو می توان خرید را بهبود بخشید همچنین پیش بینی باعث میشود تا بیشترین پاسخگویی در برابر نیاز های درمانی بیماران را ارائه کرد.
راه اندازی سیستم های اطلاعات بیمارستان در بیمارستان های کشور،علاوه بر مزایای فراوان حجم زیادی از اطلاعات مربوط به بیمارستانها از جمله مصرف دارو را نگهداری می کنند[13 ] با بکارگیری داده کاوی بر روی داده های ذخیره شده در این سیستمها می توان مصرف دارو را پیش بینی کرد و با لحاظ کردن این پیش بینی در خرید دارو نهایتا خرید دارو را بهینه کرد.
اهداف تحقیقبا توجه به مشکلات مالی که گریبان گیر بیمارستان های کشور است. همچنین اهمیت و نقشی که داروخانهها درگردش مالی و درآمد بیمارستانهای کشور دارند. 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. هدف از انجام این رساله این است که با استفاده از داده‌های تاریخی و تکنیک‌های داده‌کاوی بتوان مدلی برای پیش‌بینی مصرف دارو ارائه داد. در واقع ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی که تا کنون ارائه شده و می‌توان از آنها برای پیش بینی مصرف دارو استفاده کرد. به همین دلیل باید روشهای مختلف پیش بینی را اعمال کرد تا بتوان مقایسه ای بین روشها و انتخاب بهترین روش داشته باشیم.
از دیگر اهداف تحقیق بکارگیری مدل ارائه شده بر روی داده های یک بیمارستان و ارزیابی نتایج حاصل از آن می باشد. مدل ارائه شده در این پایان نامه می تواند در سایر بیمارستان های کشور نیز مورد استفاده قرار بگیرد. ایده این تحقیق از پیشینه تحقیق و مطالعات انجام شده در این زمینه گرفته شده است. از جمله تحقیقی که توسط [14] Qinjkui انجام شد و در آن مدلی برای پیش بینی تقاضا برای استفاده از خدمات و تجهیزات در یک بیمارستان ارائه شد همچنین تحقیقی که توسط[19] Asadi بر روی سیستم اطلاعات داروخانه بیمارستانهای آموزشی و درمانی تابعه دانشگاه علوم پزشکی تهران انجام شد و نشان می دهد که اطلاعات موجود در این سیستم ها مورد تجزیه و تحلیل قرار نمی گیرند.
هدفی که این پژوهش را متمایز می کند این است که به پیش بینی مصرف دارو در بیمارستان های ایران می پردازد و مدلی برای پیش بینی مصرف ارائه می هد. همچنین یک جنبه جدید از مزایای سیستم اطلاعات بیمارستان ها را مشخص می کند.
سوالات وفرضیات تحقیقسوالاتچه الگوریتمی جهت پیش بینی مصرف دارو مناسب است؟
چه عواملی بر خرید دارو موثر هستند؟
میزان دقت پیش‌بینی انجام‌شده تا چه حد است ؟
فرضیات تحقیق
با استفاده از داده‌های تاریخی و تکنیک‌های داده‌کاوی می‌توان مدلی برای پیش‌بینی مصرف دارو ارائه داد.
مدل ارائه شده توسط تکنیک های داده کاوی باعث بهبود خرید دارو خواهد شد.
شناخت بیشترین همبستگی و تأثیر عوامل مختلف بر خرید دارو با استفاده از تکنیک‌های داده‌کاوی میسر است.

متن کامل در سایت امید فایل 

امکان ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی تا کنون ارائه شده و می‌توان از آنها برای بهینه سازی خرید استفاده کرد.
فصول پایان نامهدر فصل اول پایان نامه مقدمهای درباره فناوری اطلاعات در بهداشت و درمان بیان شده و در ادامه به معرفی داده کاوی و بیان مسئله پرداخته، در پایان هم اهداف تحقیق و سوالات و فرضیات آمده است. فصل دوم به ارائه پیشینه تحقیق پرداخته است .فصل سوم، مروری است بر ادبیات تحقیق و مبانی نظری که در آن سیستم های اطلاعات بیمارستان، مزایای این سیستم ها، داده کاوی و الگوریتم ها و مدلهای مختلف تکنیک پیش بینی و همچنین فرایند خرید دارو شرح داده شده است. در فصل چهارم ابتدا چارچوب کلی پایان نامه و مراحل پیاده سازی را شرح داده، سپس توضیح مختصری راجع به مجموعه دادههای ایجاد شده داده میشود و در نهایت، به شرح الگوریتمهایی که برای ارزیابی مورد مقایسه قرار گرفته اند می پردازد.در فصل پنجم مدلهای مختلف جهت پیشبینی تقاضای دارو و ارزیابی این مدلها بررسی خواهد شد. مدلهای شبکه عصبی و انواع مدلهای رگرسیون بر روی مجموعه دادههای آمادهسازی شده اعمال و دقت پیشبینی هر مدل بررسی و با مدلهای دیگر مقایسه خواهد شد نهایتاً در فصل ششم پیشنهادات جهت انجام کارهای آاینده معرفی می شود.

فصل دوم
پیشینه پژوهشی

پیشینه پژوهشیQingkui در مطالعه در سال 2009 مدلی جهت پیش بینی تقاضا برای استفاده از خدمات و امکانات بیمارستان CQDP ارائه کرد [14] وی در ابتدا بیان میدارد که پیش بینی موجودی بیمارستان یک دانش مدیریتی جدید و با قابلیت پیاده سازی بالا می باشد که پایه اصلی آن نگهداری موجودی مناسب دارو و سایر مواد و تجهیزات مورد استفاده در بیمارستان می باشد. با انجام این پیش بینی می توان موجودی غیر ضرور ی را کاهش داد ،جریان مالی را بهبود بخشید و در نهایت باعث افزایش سود آوری بیمارستان شد. برای پیش بینی تقاضا چارچوبی را ارائه کردند که در شکل 2-1 نشان داده شده است. در این چارچوب در ابتدا به تجزیه و تحلیل فاکتورهای تاثیر گذار بر پیش بینی میپردازد در این مرحله عواملی همچون تعداد افرادی که از خدمات بیمارستان بهره میگیرند و تعداد تخت خواب و سایر عوامل محیطی میپردازد. و در بخش بعدی به معرفی فاکتورهای تاثیر گذار بر روی پیش بینی که توسط الگوریتم مورد استفاده قرار می گیرند همچون هزینه نگهداری موجودی وتعداد درخواست ها و چرخه استفاده و مواردی دیگر را بررسی میکند. در مرحله بعد دادههای مورد پردازش را مشخص می کند و با استفاده از دادهکاوی در فاز پیش پردازش دادهها آماده سازی و یکپارچه می شوند و با پیاده سازی الگوریتم شبکه عصبی BP به آموزش الگوریتم می پردازد تا ساختار شبکه پیاده سازی شود و در نهایت با استفاده از شبکه عصبی پیش بینی را انجام میدهد [14].

شکل2- 1 در این چارچوب ابتدا به تجزیه وتحلیل فاکتور های تاثیر گذار بر پیش بینی می پردازد و در مرحله بعد داده های خام را مشخص می کند ودر فاز پیش پردازش داده ها آماده سازی شده و یکپارچه می شوند ودر مرحله بعد با پیاده سازی الگوریتم شبکه عصبی به آموزش شبکه می پردازد و در نهایت با استفاده از شبکه عصبی پیش بینی را انجام می دهد [14].
این مقاله شبکه عصبی چند ورودی چند خروجی را پیاده سازی کرده است که ساختار و روش محاسبات آن در شکل 2-2 نمایش داده شده است.

شکل 2- 2 شبکه عصبی BP بر اساس ساختار سلسله مراتبی: لایه ورودی، لایه خروجی و لایه مخفی[14]
لایه ورودی : شامل داده های پیش پردازش شده توسط داده کاوی مربوط به عوامل تاثیر گذار بر پیش بینی تقاضا می باشد.
لایه مخفی : در الکوریتم BP معمولا یک یا چند لایه مخفی وجود دارد تا به همگرایی کند و مینیم محلی غلبه کند در این مقاله با ضافه کردن فاکتور MOMENTUMتوانسته کارای الگوریتم را بالا ببرند.
لایه خروجی : پیش بینی را ارائه می دهد.
پس از ساختن ساختار شبکه با وارد کردن دادههای آموزشی شبکه را آموزش می دهدند و پس از 330 دوره شبکه همگرا می شود. بعد از آموزش شبکه با استفاده از MATLAB تقاضای آینده را با دقت 87.9% پیش بینی کرده اند [41].
Desikan و همکاران [15]در یک تحقیق، چگونگی بکارگیری داده کاوی در بهداشت و درمان را مورد بررسی قرار دادند. این تحقیق بیان می کند که سیستم های بهداشت و درمان در حال حاضر حجم بالایی از داده ها مربوط به بیماران واطلاعات بیمارستانی را دارا می باشند که با استفاده از دانش تولید شده توسط داده کاوی می توان در تصمیم گیریها بهتر عمل کرد و با اتخاذ تصمیمات بهتر در مصرف منابع مالی صرفه جویی کرد. وی یک چارچوب برای بکار گیری داده کاوی در سیستم های اطلاعات بهداشت و درمان ارایه کرده است. مدل پیشنهادی دارای چندین مرحله میباشد که در مرحله اول اطلاعات خام از منابع مختلف مانند کتابها، ژورنالها، مجلات علمی و بازبینیهای سیستماتیک، راهنماهای درمانی، پروتکل ها و سیاست گذاریها در حوزه سلامت، استخراج شده و سپس برروی این داده های خام، یک فیلترینگ جهت بهسازی دادهها انجام شده و با تبادلاتی سعی در تبدیل دادههای کیفی به کمی انجام میگیرد. سپس تلاش می شود تا با ایجاد یک مجموعه قوانین ارتباط بین آیتمهای ورودی مشخص گردد. این مرحله شامل دو قسمت میباشد که در ابتدا ارتباط بین آیتم ها از یک انباره داده استخراج شده و سپس قوانین ابتدایی تشکیل میگردند.
در قسمت بعد جهت تصحیح قوانین ابتدایی از یک سری معیار ارزیابی مفهومی استفاده میشود تا قوانینی که با هم در تضاد هستند و یا قوانین غیر صحیح، تصحیح گردند. پس از مرحله تصحیح قوانین، قوانین ایجاد شده برای بکارگیری در کاربردهایی مانند خرید اقلام و یا کارهای تحقیقاتی استفاده میگردند. شکل2-3، بصورت شماتیک توصیف کننده مراحل مذکور است که تحت عنوان یک مدل توسط Desikan و همکاران ارائه شده است [15].

شکل2-3 مدل بهینه سازی خرید دارو که شامل استخراج متغیرها از داده های خام، تبدیل (مانند اعمال توابع عضویت فازی)، تشکیل قوانین از انباره داده و سپس تصحیح قوانین و بکارگیری آنها در عمل توسط Desikan و همکاران ارائه شده است[15].
Jing-song Li و همکاران در تحقیقی به معرفی برنامه های کاربردی داده کاوی بر روی سیستمهای اطلاعات بیمارستان پرداخته اند [16]. وی در این مطالعه به بیان اصول و مبانی داده کاوی و ارائه مدل جدید برای کشف دانش از سیستم اطلاعات بیمارستان و در نهایت به معرفی تکنیک های داده کاوی پیشرفته پرداخته است .همچنین مثالهایی از مطالعات موردی در تکنیکهای داده کاوی پیشرفته را ارئه کرده اند.
مطالعهی مذکور ابزارهای داده کاوی را به سه دسته تقسیم کرده که عبارتند از:
طبقه بندی :داده ها را به کلاسها یا گروههای از پیش تعریف شده تقسیم میکنند. این نوع طبق بندی به آموزش نظارت شده نیز معروف است. چرا که گروهها قبل از بررسی و آزمایش دادهها تعیین شدهاند.
خوشه بندی :خوشه بندی شبیه طبقه بندی است با این تفاوت که داده در گروههای از پیش تعریف شده قرار نمیگیرند. این گروه به عنوان آموزش کنترل نشده نیز مطرح شده است. خوشه بندی معمولاً از طریق تعیین تشابه بین داده ها قبل از تعریف موقعیت ها صورت می گیرد.
قوانین وابستگی: تجزیه وتحلیل وابستگی بین داده ها می باشد که در واقع وظیفه ی اصلی داده کاوی را در کشف روابط بین داده ها مطرح می کند.
در ادامه به معرفی فرایند استخراج دانش از پایگاه داده سیستم اطلاعات بیمارستان می پردازد.اصطلاح KDD اشاره دارد به فرایند کشف دانش مفید از دادهها، که این شامل ارزیابیها و تفسیرهای ممکن برای اتخاذ تصمیمهای مناسب با استفاده از دانش و همچنین شامل پردازشها وشمای کد گذاری و نمونه برداری و پیش بینی دادهها قبل از داده کاوی است. اما داده کاوی اشاره دارد به برنامههای کاربردی از الگوریتم ها برای استخراج الگو ها از داده ها بدون مرحله اضافی کشف دانش [16]. بطور کلی استخراج دانش مفهوم وسیعتری نسبت به داده کاوی دارد.
همانطور که در شکل 2-4 مشخص شده است فرایند استخراج دانش از 5 مرحله زیر تشکیل شده است که عبارتند از :
انتخاب مجموعه ی دادهی هدف :دادههای مورد نیاز برای داده کاوی ممکن است از چندین منبع باشند. اولین گام فراهم کردن دادهها از پایگاه دادههای مختلف، فایل ها و منابع غیر الکترونیکی است.
پیش پردازش دادهها: دادههایی که توسط فرایند پردازش می شوند ممکن است صحیح نباشند و یا کامل نباشند. همچنین ممکن است داده ها دارای بی نظمی و یا اینکه از چندین نوع باشند.در این مرحله چندین فعالیت از جمله استفاده از منابع در دسترس برای مقابله با دادههای نامربوط و همچنین تصمیمگیری در مورد دادههای از دست رفته انجام می گیرد.
تبدیل داده ها: صفات و ویژگیهای مناسب به دادهی هدف اضافه میشوند و یا مواردی از آنها حذف میشوند. دادهها به یک فرمت مشترک برای پردازش شدن تبدیل میشوند. برخی از داده ها ممکن است رمز گذاری شده یا به فرمت های قابل استفاده تبدیل شوند. به منظور کاهش تعداد مقادیر دادههای ممکن برخی از اطلاعات حذف میشوند.
داده کاوی: بهترین مدل برای نمایش داده ها با استفاده از یک یا چند الگوریتم داده کاوی بر اساس وظیفه داده کاوی انجام میشود. این مرحله شامل بکار بردن الگوریتم داده کاوی برای تبدیل به نتایج مورد نظرمی باشد.
تفسیر و ارزیابی: در این مرحله خروجی مرحله 4 را بررسی می کنیم تا مشخص شود چه چیزی کشف شده است. تصمیم گیری در مورد اینکه مرحله با استفاده از ویژگیها و صفات جدید تکرار شود.

شکل 2-4 مدل استخراج دانش از سیستم اطلاعات بیمارستان که شامل پنج گام از جمله انتخاب مجموعه هدف،پیش پردازش داده ها،تبدیل داده ها، داده کاوی، تفسیر و ارزیابی می باشد [16].
در تحقیقی که توسط HAMUROو همکارانش بر روی پایگاه دادههای داروخانههای زنجیره ای در ژاپن انجام گرفت داده کاوی به عنوان عاملی برای بهبود سود آوری و کارایی معرفی شده است [17]. در بخش اول این تحقیق به بحث در مورد نمونه موفق داده کاوی در داروسازی پرداخته است و در بخش دوم طراحی مفهومی و نو آورانه ویژگی ها سیستم های داده کاوی در داروخانه ها را مورد بررسی قرار داده است.
در این مدل از داده کاوی برای پیش بینی فروش دارو استفاده شده و نتایج بدست آمده از داده کاوی در اختیار شرکت های پخش دارو و کارخانجات دارو سازی قرار گرفته است. در شکل 2-5 جریان عملیات در داروخانه ها را معرفی می کند که در ان ستاد مرکزی آمار و اطلاعات را از خرده فروشان دریافت می کند. و با توجه به نیاز ها و پیش بینی مصرف، داروخانه ها تقاضای دارو را به شرکت های پخش دارو می دهند و شرکتها اقدام به ارسال دارو به داروخانه ها میکند. همچنین ستاد مرکزی آمار و اطلاعات مربوط به مصرف دارو را در اختیار کارخانجات دارو سازی قرار می دهد تا با استفاده از این اطلاعات اقدام به تولید دارو کنند به بررسی تاثیرات استفاده از داده کاوی در داده های جمع اوری شده از دارو خانه ها می پردازد .

شکل 2-5 جریان عملیات در داروخانه های زنجیره ای را نشان می دهد که در ان ستاد مرکزی به عنوان واسطه بین خرده فروش و عمده فروش و کارخانجات تولید دارو قرار دارد و آمار و اطلاعات مربوط به مصرف دارو و پیش بینی مصرف دارو را در اختیار تولید کنندگان وشرکت های پخش دارو قرار می هد [17].
این تحقیق به خوبی نشان می دهد که داده کاوی می تواند بطور موثری در افزایش سود آوری مفید واقع شود. اما با توجه به اینکه در ایران داروخانه های زنجیرهایی و مدیریت متمرکز بر داروخانه وجود ندارد امکان پیاده سازی این سیستم در ایران نمیباشد.
Bereznicki و همکاران در تحقیقی از داده کاوی کمک گرفته اند تا با استفاده از سوابق مصرف دارو در داروخانه ها بیماران مبتلا به آسم که به خوبی درمان نشدهاند را شناسایی کنند [18] و سپس پیاده سازیها وارزیابیهای چند رشتهای برای بهبود درمان آسم ارائه کردهاند. این مطالعه به صورت کنترل شده از طریق چند مرکز، در 42 داروخانه در تاسمانی انجام شده است. در این داروخانه ها از نرم افزاری که دادهکاوی در اطلاعات ثبت شده مربوط به داروها را انجام می دهد استفاده شده است تا لیستی از بیمارانی که داروهای مربوط به کنترل آسم را دریافت میکنند تهیه کند.
به عبارت دیگر در این مطالعه با استفاده از داده کاوی در اطلاعات ثبت شده مرتبط با داروها به شناسایی بیمارانی که درمان مناسب دریافت نکرده اند پرداخته شده است. بدین ترتیب امکان ارجاع این بیماران به پزشک جهت بررسی بیشتر و در پی آن ارتقاء کیفیت خدمات دریافتی توسط بیماران ایجاد شده است. در این تحقیق از داده کاوی برای مسائل درمانی استفاده شده و یکی از موارد پرکاربرد داده کاوی در سیستمهای اطلاعات داروخانهها مسائل درمانی میباشد.
Asadi و همکاران [19]درتحقیقی وضعیت ﺳﻴﺴــﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧه ﺑﻴﻤﺎﺭﺳــﺘﺎﻥﻫﺎﻱ ﺁﻣﻮﺯﺷــﻲ ﻭ ﺩﺭﻣﺎﻧﻲ ﺗﺎﺑﻌﻪ ﺩﺍﻧﺸــﮕﺎﻩ ﻋﻠﻮﻡ ﭘﺰﺷﻜﻲ تهران را ﺑﺮﺭﺳﻲ کردهاند. ﺭﻭﺵ ﺑﺮﺭﺳـﻲ ﺍﻳﻦ ﭘﮋﻭﻫﺶ ﻳﻚ ﺑﺮﺭﺳــﻲ ﺗﻮﺻﻴﻔﻲ ﺑﺮ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺑﻴﻤﺎﺭﺳــﺘﺎﻥﻫﺎﻱ ﺁﻣﻮﺯﺷﻲ ﻭ ﺩﺭﻣﺎﻧﻲ ﺗﺎﺑﻌﻪ ﺩﺍﻧﺸــﮕﺎﻩ ﻋﻠﻮﻡﭘﺰﺷﻜﻲ تهران ﺩﺭﺳــﺎﻝ 1388 ﺍﺳﺖ. این پژوهش نشان می دهد ﻋﻨﺎﺻﺮ ﺍﻃﻼﻋﺎﺗﻲ ﻣﻮﺟﻮﺩ ﺩﺭ ﭘﺎﻳﮕﺎﻩ ﺍﻃﻼﻋــﺎﺕ ﺩﺍﺭﻭﻳــﻲ، ﭘﺎﻳﮕﺎﻩ ﺍﻃﻼﻋﺎﺕ ﺑﻴﻤﺎﺭ ﻭ ﭘﺎﻳﮕﺎﻩ ﺍﻃﻼﻋﺎﺕ ﺗﺠﻮﻳﺰﻛﻨﻨﺪﻩ ﺩﺍﺭﻭ ﺑــﻪ ﻃﻮﺭ ﻧﺎﻗﺺ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﻪ ﻣﻴﺰﺍﻥ 21.9 ،50.1 ﻭ33.3 ﺩﺭﺻﺪ ﺩﺭﺳﻴﺴــﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺑﻴﻤﺎﺭﺳــﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﻭﺍﺭﻳﺰ ﻣﻲﮔﺮﺩﺩ. ﻭﻇﺎﻳﻒ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ 43.9 ﺩﺭﺻﺪ ﺑﻴﻤﺎﺭﺳﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﭘﺮﺩﺍﺯﺵ ﻧﻤﻲﺷﻮد[19] .
ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ 60.7 ﺩﺭﺻﺪ ﻭ ﮔﺰﺍﺭﺵ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ 33.2 ﺩﺭﺻﺪ ﺑﻴﻤﺎﺭﺳﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﺍﻧﺠﺎﻡ ﻧﻤﻲﺷﻮﺩ. ﻧﺘﻴﺠﻪﮔﻴﺮﻱ بدست آمده از این تحقیق به این صورت بوده است که ﺑﺎﻳﺪ ﻃﺮﺍﺣﺎﻥ ﻭﺗﺤﻠﻴﻠﮕﺮﺍﻥ ﺳﻴﺴــﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺑﺎ ﻣﺸــﺎﻭﺭﻩ ﻣﺘﺨﺼﺼﻴﻦ ﻣﺮﺑﻮﻃﻪ ﺑﻪ ﺩﻗﺖ ﺑﻪ ﻃﺮﺍﺣﻲ ﺍﻳﻦ ﭘﺎﻳﮕﺎﻩﻫﺎﻱ ﺍﻃﻼﻋﺎﺕ ﺑﭙﺮﺩﺍﺯﻧﺪ. ﻭ ﺿﺮﻭﺭﻱ اﺳﺖ ﻓﺮﺍﻳﻨﺪ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺍﺯ ﻓﻌﺎﻟﻴﺖ ﺩﺭﻣﺎﻧﻲ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺗﻤﺎﻡ ﺑﻴﻤﺎﺭﺳﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﺍﻧﺠﺎﻡ ﺷﻮﺩ. این تحقیق وضعیت سیستم های اطلاعات بیمارستان را بررسی میکند که داده های ذخیره شده در این سیستم تا چه اندازه دقیق هستند و به چه اندازه از این داده ها استفاده میشود. و نشان می دهد که در کشور ما بطورفراگیر اطلاعات ذخیره شده در پایگاه داده ها مورد تجزیه و تحلیل قرار نمی گیرند و سیستم های اطلاعات صرفا جهت افزایش دقت و سرعت در انجام خدمات استفاده می شوند که در صورت بکار گیری داده کاوی بر روی این سیستم ها می توانیم دانش مفید و کارآمدی را تولید کنیم.
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 از الگوریتم apriori استفاده می شود در این مقاله به بررسی الگوریتم apriori می پردازد و اینکه برای کاهش زمان محاسبه و افزایش کارایی این الگوریتم در داده های پزشکی از نمونه گیری تصادفی استفاده کردهاند. تمرکز این مقاله برای یافتن وابستگی بین procedure و diagnosis است و با توجه به این قضیه مجموعه آیتمی را که هم شاملprocedure و هم شامل diagnosis باشد انتخاب میکندکه سمت راست قوانین procedureباشد و سمت چپ آنها را diagnosis تشکیل می دهد و قوانین که confidence آنها کمتر از 65% باشد را حذف می کند [22].
این مقاله با توجه به این که قوانین انجمنی معمولا برای تحلیل سبد خرید بکار می روند برای استفاده از قوانین وابستگی در داده کاوی پزشکی الگوریتم apriori را بهینه سازی کرده است.
در این مقاله تمرکز بر روی دو مجموعه آیتم بوده است و در حالت کلی داده های پزشکی دارای چندین مجموعه آیتم خواهند بود.
جمع بندی
در این بخش ضمن بررسی مطالعات انجام شده در زمینه داده کاوی بر روی سیستم های اطلاعات بیمارستان ها مشاهده شد که داده کاوی در این زمینه از ابعاد مختلف مورد ارزیابی قرار گرفته است. این پایان نامه سعی می کند تا به جنبه جدیدی از بکارگیری دادهکاوی در سیستمهای اطلاعات بیمارستانها بپردازد. همچنین با استفاده از تکنیک پیش بینی,مصرف دارو را پیش بینی کرده تا با استفاده از نتایج آن خرید دارو را بهینه سازی کند. با توجه به ساختار سیستم های اطلاعات بیمارستان در ایران نتایج این پایان نامه می تواند کمک کند تا سازندگان سیستم های اطلاعات قسمت داده کاوی را در این سیستم ها ایجاد کنند و این کار موجب افزایش در آمد بیمارستانهای کشور خواهد شد.
فصل سوم
مروری بر ادبیات تحقیق و مبانی نظری
مروری بر ادبیات تحقیق و مبانی نظریدر فصل سوم، سیستم های اطلاعات بیمارستان، مزایای این سیستم ها، داده کاوی و الگوریتم ها و مدلهای مختلف تکنیک پیش بینی و همچنین فرایند خرید دارو شرح داده خواهد شد.
سیستم های اطلاعات بیمارستانامروزه اطلاعات به عنوان یکی از مهمترین منابع قدرت در جهان مطرح می باشد. برتری جهان پیشرفته بر جهان عقب نگه داشته شده، بیش ازآنکه اقتصادی، نظامی و یا فرهنگی و سیاسی باشد اطلاعاتی است، به بیان دیگر اولین وجه تمایز کشورهای توسعه نیافته و حتی کشورهای در حال توسعه، در میزان تولید، سازماندهی، و کاربرد اطلاعات است. از طرفی اطلاعات کلید جامعه مردمی است، و انتشار و استفاده از آن یک شاخص اجتماعی به شمار می رود و رشد این شاخص به معنای ارتقای ملی خواهد بود. اطلاعات به طورمحسوسی بر بینش و رفتار ما اثر می گذارد.
همچنین آمار و اطلاعات یکی از منابع با ارزش و اصلی مدیران یک سازمان است. همانطور که منابع انسانی، مواد اولیه، و منابع مالی درروند تولید دارای نقش و ارزش خاصی هستند، لکن در عصر اطلاعات و ارتباطات، اطلاعات دارای ارزش ویژه ای است. بطورکلی، اطلاعات جریان حیاتی و اساس فرایند تصمیم گیری و برنامه ریزی می باشد.بنابراین، در مدیریت نیاز به یک سیستم اطلاعاتی جامع می باشیم [23].
توانایی یک سازمان در انجام موثر وظایفش به کیفیت تصمیم هایی که در سازمان اتخاذ می گردد بستگی دارد و کیفیت تصمیم ها تابع کیفیت اطلاعاتی است که بر اساس آن تصمیم گیری بعمل میآید. انبوهی از آمار و اطالعات در حوزه های مختلف و بویژه علوم پزشکی و بهداشتی وجود دارد که بدون بکارگیری فناوری نوین اطلاعات قادر به گردآوری صحیح و تحلیل آنها نیستیم. فناوری اطلاعات در سالهای اخیر به واسطه رشد و گسترش روز افزون و بکارگیری امکانات رایانهای و انتقال دادهها و ایجاد شبکه های جهان گستر مانند اینترنت، بواسطه اطلاعات ارزشمند و خدمات متنوع، محیطهای تبادل اطلاعات را به شدت دچارتغییر کرده است [24].
با توجه به اینکه، فناوری و ابزارهای الکترونیک و رایانهای در دهه گذشته پدیده انفجار اطلاعات را موجب شدند، لذا بایستی سیستم هایی را برپا کرد که بتواند اطلاعات را تولید و آنها را مدیریت کنند. در این رابطه کاربردهای نظام اطلاع رسانی در بخش بهداشت و درمان نیز فزونی چشمگیری یافته و باید تحت عنوان سیستم های پشتیبانی در تصمیم گیری، مدیریت را در نظام عرضه خدمات بهداشتی درمانی تقویت وحمایت نمایند. ضرورت استفاده از اطلاعات بهداشتی و درمانی و نتایج تحقیقات انجام شده در این زمینه، برای تأمین مقاصد آموزشی، پژوهشی و توسعه علوم پزشکی و پیراپزشکی، بهبود کیفیت درمان، بهینه سازی روشهای مدیریتی مراکز بهداشت و درمان، کاهش هزینه های مراکز، وغیره، بعنوان اساسی ترین دلایل جمع آوری اطلاعات در مراکز بهداشتی درمانی محسوب می شود [25].
در عصر تکنولوژی اطلاعات و اطلاع رسانی، اطلاعات نیروی حیاتی ارائه مراقبت بهداشتی و درمانی است. در بخش بهداشت و درمان استفاده ازسیستم های اطلاعاتی کارآمد برای تحقق اهداف کارآیی، اثربخشی وکیفیت خدمات و نیز رضایتمندی مراجعین ضرورتی انکارناپذیر به شمارمی رود .[26]پزشکان، پرستاران و سایر مراقبین بهداشتی برای درمان یک بیمار به اطلاعات پزشکی نیاز دارند. این اطلاعات در کتاب ها، مقالات مجلات،گزارش نتایج تحقیقات و همچنین نتایج آزمایشات و اقدامات درمانی انجام گرفته برای بیماران که در پرونده پزشکی بیماران وجود دارد، نهفته است. در سازمان های بهداشتی و درمانی به دلیل نقشی که در تعیین وارتقای سطح سلامت جامعه بشری دارند, آزمون و خطا کاری بس اشتباه و غیرقابل جبران است. بنابراین مدیریت بر پایه اطلاعات صحیح، دقیق، و به موقع و برخورداری از یک نظام مدیریت اطلاعات اهمیتی خاص دارد [27].
بیمارستانها به عنوان یکی از مهمترین سازمانهای اجتماعی نقش عمدهای در بهبود وضعیت بهداشت کشور و ارائه خدمات بهداشتی و درمانی دارند و یکی از حساس ترین سازمانها می باشند که برای اداره صحیح آنها بایداطلاعات به شکلی صحیح گردآوری شده، و پس از پایش و دسته بندی واستنتاج به شکل مناسبی و در زمان مناسب در اختیار کلیه تصمیم گیران بیمارستان به خصوص مدیران و روسای آن قرار گیرد [28-27].
تعریف و مفهوم سیستم اطلاعات بیمارستانییک سیستم اطلاعات بیمارستانی و یا سیستم اطلاعات بهداشتی عبارت است از یک پایگاه دادهها و نرم افزار جامع برای یکپارچه سازی اطلاعات مربوط به بیمار جهت ارسال و تبادلات اطلاعات جامع بیمار بین بخشها و سایرمراکز درمانی بمنظور تسریع در فرایند مراقبت و درمان بیمار، بهبودکیفیت، افزایش رضایتمندی، و کاهش هزینهها می باشد [29]. به تعبیر دیگر سیستم اطلاعات بیمارستانی، سیستمی است که بتواند کلیه وظایف و عملیاتی که در فرآیند درمان بیمار در قسمت های مختلف یک مرکز درمانی اعم از تشخیصی، درمانی، اداری، مالی و پژوهشی صورت می پذیرد را تحت پوشش قرار دهد و ضمن دریافت و ثبت دقیق اطلاعات هویتی و درمانی بیمار، توانایی نمایش پیشرفت هر اقدام وتأثیر آن عمل را بر سایر امور درمانی بیمار مشخص نموده ودر نهایت تمام اطلاعات بیمار را در مجموعهای محرمانه به نام پرونده الکترونیک بیمار، نگهداری، بازیابی، طبقه بندی وجهت تأمین مقاصد درمانی در اختیار عوامل مختلف سیستم درمان یک کشور قرار دهد [23] [30]. سیستم اطلاعات بیمارستانی، برای خودکار نمودن امور بیمارستانها مانند؛ گزارش دهی نتایج آزمایشات، وارد نمودن دستورات پزشک، تجویز دارو، کنترل موجودی داروخانه، انبار مرکزی، واحد تغذیه، وغیره طراحی شده است [31]. در سیستم اطلاعات بیمارستانی، برای هر بیمار یک پرونده الکترونیک تشکیل میگردد، بطوریکه کلیه فعالیتهای بیمارستانی شامل : درمانی، تشخیصی، مالی، و غیره بیمار از پذیرش تا ترخیص تحت پوشش قرار می دهد. در این سیستم، کلیه اقدامات درمانی، دستورات دارویی و خدمات تشخیصی از طریق سیستم به کلینیکها و پاراکلینیکها و حتی مراکز اداری از قبیل حسابداری، داروخانه، انبارها، و سایر واحدها ارسال شده و پاسخ آنها دریافت می شود. بنابراین سیستم اطلاعات بیمارستانی، سیستم اطلاعاتی است که در آن دادهها در بانک اطلاعاتی به نحو جامعی ذخیره شده و از آنجا در زمان و مکان نیاز به اطلاعات در فرم های ویژه در دسترس مصرف کنندگان قرار میگیرد [32-33].
کشورهای صنعتی سالهاست که از این تکنولوژی در عرصه بهداشت ودرمان بهره می برند. اما پیاده سازی این سیستم در بیمارستانهای مناطق مختلف ایران بیانگر فراهم شدن زیرساخت فرهنگی، تکنولوژی مناسب جهت ایجاد و تکمیل سیستمهای بهداشتی مطابق با استانداردهای جهانی میباشد.
اهداف سیستم اطلاعات بیمارستانی
هدف سیستم اطلاعات بیمارستانی ، پشتیبانی از فعالیتهای بیمارستانی در سطوح عملی، تاکتیکی، و استراتژیکی می‌باشد. به عبارت دیگر هدف از سیستم اطلاعات بیمارستانی ،استفاده از کامپیوترها و وسایل ارتباطی برای جمع‌آوری، ذخیره‌سازی، پردازش، بازخوانی، و برقراری ارتباط بین مراقبت بیمار با اطلاعات اداری در تمام فعالیتهای بیمارستانی و برآوردن نیازهای تمام مصرف‌کنندگان مجاز سیستم می‌باشد. در بیمارستانهای دانشگاهی، پشتیبانی از تحقیق و آموزش نیز از اهداف سیستم اطلاعات بیمارستانی است .[34-35]
از دیگر اهداف سیستم های اطلاعات می توان به موارد زیر اشاره کرد:
1. ارتقاء سطح کارایی پرسنل
2. استخراج آمار و اطلاعات به روشهای سریعتر و دقیقتر
3. بهبود کیفی وضع خدمات درمانی
4. ایجاد یک روش و سیستم کاری مدرن و استاندارد بیمارستانی
5. برقراری ارتباط اطلاعاتی بین بیمارستانها و مراکز درمانی در سطح کشور

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *