مسعود یوسفی - دانشجوی کارشناسی ارشد موسسه آموزش عالی احرار رشت
اسداله شاه بهرامی - دانشیار دانشگاه گیلان
مرضیه فریدی ماسوله - استادیار موسسه آموزش عالی احرار
احمد باقری - استاد دانشگاه گیلان

با توجه به اینکه منابع مراقبتهای بهداشتی از جمله پزشکان، پرستاران ، تعداد تخت های فعال بستری و غیره بسیار پرهزینه و محدود می باشند، ارائه خدمات برابر برای تمام بیماران کاری غیرعملی و نامناسب برای بیمارستان به شمار میآید. بنابراین، یک مدل پیش بینی پیشرفته میتواند سود بالایی را به ارائه دهندگان خدمات پزشکی با توانمندسازی آنها به هدف تخصیص منابع و شناسایی بیماران پرخطر با رویکرد ترویج و کاهش نرخ کلی بستری مجدد بیماران برساند. این پژوهش رویکردهای دادهکاوی مختلفی برای شناسایی خطرات پذیرش مجدد بیمار پیشنهاد میکند که شامل مدل شبکه عصبی، الگوریتم جنگل تصادفی1 ، مدل ماشین بردار پشتیبان،2 مدل تقویت کننده 3، مدل طبقه بندی ماشین های بردار پشتیبانی بر اساس بهینه سازی ازدحام ذرات 4و همچنین مدل طبقه بندی ماشین های بردار پشتیبانی بر اساس بهینه سازی ازدحام ذرات کوانتومی5پیشنهادی یک تکنیک دادهکاوی معروف بر اساس پس زمینه آماری قوی است. در این مقاله ، به مدلسازی پیشبینی بروز بستری مجدد بیماران بر روی داده های سوابق مراجعه 300 بیمار پرداخته شده است. نتایج نشان میدهد که مهمترین عوامل در بستری مجدد بیماران به ترتیب، نتایج انژیوگرافی، تعداد رگهای اصلی قلب که ماده رنگی در آنها تزریق شده است و جنسیت میباشند.

شبکه های عصبی، ماشین بردار پشتیبان، پیشبینی خطر ، الگوریتم بهینه سازی ازدحام ذرات