برازش مدل های هوش مصنوعی و آمار کلاسیک سری زمانی جهت پیش بینی تعداد بیماران بستری بیمارستان ها

مقدمه: مطالعه و تجزیه وتحلیل هر سیستم بهداشتی و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان به شمار می آید. در این میان، مدیریت و تجزیه وتحلیل تعداد بیماران یک عامل مهم و تعیین کننده در بهبود تصمیمات مدیران این حوزه است. هدف از این پژوهش، مطالعه و بررسی روش های پیش بینی مبتنی بر سری های زمانی جهت پیش بینی ماهیانه تعداد بیماران بستری و مقایسه صحت عملکرد این روش ها می باشد. روش: در این مطالعه مقطعی مدل سازی بر اساس داده های ماهیانه تعداد بیماران بستری ۶ بیمارستان دولتی شهر مشهد از فروردین ۱۳۸۳ تا فروردین ۱۳۹۵ انجام گرفت که از پایگاه داده اداره آمار دانشگاه علوم پزشکی مشهد استخراج شد. جهت پیش بینی تعداد بیماران بستری سه ماهه نخست سال ۱۳۹۵ هر یک از بیمارستان ها، از تکنیک های پیش بینی Holt-Winters، SARIMA،MLP  و GRNN استفاده گردید. برای هر مدل، خطای مقادیر پیش بینی شده توسط معیار میانگین قدرمطلق درصد خطا (MAPE) گزارش شد. نتایج: روش Holt-Winters با ارائه بهترین نتایج پیش بینی برای ۴ بیمارستان می تواند روش کارآمدی برای پیش بینی تعداد بیماران بیمارستان ها باشد. در مجموع، مدل های پیش بینی مورد بررسی در این مطالعه با ارائه معیار صحت MAPE در بازه ۲/۱۳ درصد تا ۴/۱۲ درصد، عملکرد قابل قبولی برای هر ۶ بیمارستان داشته اند. نتیجه گیری: در این مطالعه نشان داده شد که تجزیه وتحلیل سری های زمانی ابزاری مناسب و کاربردی برای پیش بینی تعداد بیماران بستری بیمارستان های مورد مطالعه می باشد. با توجه به ویژگی های منحصربه فرد بیمارستان های مختلف، فرایندهای ذکرشده در این پژوهش شامل مدل سازی و تجزیه وتحلیل داده ها را می توان در دیگر بیمارستان ها جهت بهبود تخصیص منابع و برنامه ریزی های استراتژیک مورد استفاده قرار داد.

Keywords:

Time Series Analysis , Inpatient Numbers , Holt-Winters , SARIMA , Neural Networks , تجزیه و تحلیل سری زمانی , تعداد بیماران , Holt-Winters , SARIMA , شبکه های عصبی