تعیین عوامل موثر بر تعداد روزهای اقامت بیمار با استفاده از مدل هاردل

Publish Year: 1399
نوع سند: مقاله ژورنالی
زبان: Persian
View: 220

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_HBR-6-2_003

تاریخ نمایه سازی: 18 مهر 1400

Abstract:

تعیین عوامل موثر بر تعداد روزهای اقامت بیمار با استفاده از مدل هاردل   فرخنده السادات سجادی۱، فاطمه حسن زاده۲، مجتبی علیزاده۳*   ۱. استادیار، گروه آمار، دانشکده ریاضی و آمار، دانشگاه اصفهان، اصفهان، ایران ۲. استادیار، گروه آمار، پردیس خوانسار، دانشگاه اصفهان، اصفهان، ایران ۳. دانشجوی دکتری تخصصی مدیریت دولتی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد اصفهان (خوراسگان)، اصفهان، ایران * نویسنده مسئول: مجتبی علیزاده آدرس: اصفهان، خیابان جی شرقی، ارغوانیه، بلوار دانشگاه، دانشگاه خوراسگان تلفن: ۳۵۳۵۴۰۰۱-۰۳۱                              Email: mojtaba.alizadeh@yahoo.com                     چکیده:  مقدمه: روش های آماری متفاوتی برای شناسایی عوامل موثر در افزایش و کاهش مدت اقامت بیماران وجود دارد که هریک مزایا و معایبی دارند. این مطالعه با هدف شناسایی عوامل تاثیرگذار بر مدت اقامت بیمار در یک بیمارستان منتخب با استفاده از مدل های شمارشی موجود و مقایسه آن ها با مدل هاردل به عنوان یک مدل جدید انجام شد. روش بررسی: مطالعه توصیفی- تحلیلی حاضر، به صورت مقطعی و گذشته نگر در بیمارستان منتخب شهر اصفهان در سال ۱۳۹۸ انجام گرفت. با استفاده از مدل های شمارشی پواسن و هاردل (دوجمله ای و پواسن) تاثیر هریک از ویژگی های دموگرافیک بیماران بستری و دلایل مراجعه آنان بر مدت اقامتشان تحلیل شد. نیکویی برازش مدل ها و مقایسه آن ها با استفاده از آماره انحراف انجام گرفت. یافته ­ها: میانگین تعداد روزهای بستری بیماران ۸/۸۹ روز و میانه آن ۳ روز بود. از میان سه مدل، مدل هاردل دو جمله ای مناسب تشخیص داده شد که در آن مقدار ثابت و متغیرهای سن، بیمه های تامین اجتماعی و آزاد، مراجعین از اورژانس بیمارستان و ۱۱۵ و دلایل مراجعه به بیمارستان اعصاب و روان، چشم و ارتوپدی معنی دار بودند. با تغییر نوع بیمه از مرجع سایر بیمه ها به بیمه تامین اجتماعی، متوسط روزهای بستری به اندازه ۰/۰۸۸ واحد کاهش یافت و برای بیمه های آزاد این کاهش ۰/۵۳۹ واحد بود. بحث و نتیجه گیری: با توجه به مقدار آماره انحراف برای مدل های پوآسن، هاردل پوآسن و هاردل دوجمله ای منفی، مدل هاردل دوجمله ای منفی برای تحلیل این داده ها نسبت به دو مدل دیگر مناسب تر است.   واژگان کلیدی: مدت اقامت بیمار، بیماران بستری، بیمارستان، مدل های شمارشی، مدل های هاردل   ارجاع: سجادی فرخنده السادات، حسن زاده فاطمه، علیزاده مجتبی. تعیین عوامل موثر بر تعداد روزهای اقامت بیمار با استفاده از مدل هاردل. مجله پژوهش­ های سلامت محور ۱۳۹۹؛ ۶(۲): ۵۰-۱۳۹.  

Authors

فرخنده سجادی

Department of Statistics, Faculty of Mathematics and Statistics, University of Isfahan, Isfahan, Iran

فاطمه حسن زاده

Department of Statistics, Khansar Campus, University of Isfahan, Isfahan, Iran

مجتبی علیزاده

Faculty of Management, Islamic Azad University, Khorasgan Branch, Isfahan, Iran

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Patwardhan A, Spencer CH. Are patient surveys valuable as a ...
  • Manning WG, Mullahy J. Estimating log models: to transform or ...
  • Marshall AH, McClean SI. Conditional phase‐type distributions for modelling patient ...
  • Cameron C, Trivedi P. The Analysis of Count Data. New ...
  • Zelterman D. Discrete distributions: applications in health. NewYork: John Wiley, ...
  • Rafiei M, Behboudian J. Zero-inflated negative binomial modeling, efficiency for ...
  • Saffari E, Adnan R. Parameter Estimation on Zero-Inflated Negative Binomial ...
  • Saffari SE, Adnan R, Greene W. Hurdle negative binomial regression ...
  • Famoye F, Wulu JT, Singh KP. On the generalized Poisson ...
  • Farhadi Hassankiadeh R, Kazemnejad A, Gholami Fesharaki M, Kargar Jahromi ...
  • Dalrymple ML, Hudson IL, Ford RP. Finite mixture, zero-inflated Poisson ...
  • Feng CX, Li L. Modeling zero inflation and overdispersion in ...
  • Naghavi M, Jamshidi HR. The utilization of health services in ...
  • Xiao J, Douglas D, Lee AH, Vemuri SR. A Delphi ...
  • McMullan R, Silke B, Bennett K, Callachand S. Resource utilisation, ...
  • نمایش کامل مراجع