دوره 21، شماره 4 - ( 11-1401 )                   جلد 21 شماره 4 صفحات 35-22 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Biglarkhani A, Abbasi R, Sanaei M. Medicine Consumption Forecasting in Hospitals using Long Short-Term Memory Model. jhosp 2023; 21 (4) :22-35
URL: http://jhosp.tums.ac.ir/article-1-6568-fa.html
بیگلرخانی امین، عباسی رضوان، ثنایی محمدرضا. پیش‌بینی میزان مصرف دارو در بیمارستان‌ها با استفاده از مدل شبکه حافظه طولانی کوتاه‌مدت. بیمارستان. 1401; 21 (4) :22-35

URL: http://jhosp.tums.ac.ir/article-1-6568-fa.html


1- دانشجوی دکتری، دانشکده مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران
2- استادیار، گروه مهندسی پزشکی، برق، و مکاترونیک، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران. (* نوسنده مسئول). ایمیل: rezvanabbasi@yahoo.com
3- استادیار گروه مدیریت و حسابداری، دانشکده مدیریت فناوری اطلاعات، دانشگاه آزاد اسلامی واحد قزوین، قزوین، ایران
چکیده:   (1222 مشاهده)
زمینه و هدف: در سال‌های اخیر، مدیریت زنجیره تامین دارو، به‌ویژه پس از همه‌گیری بیماری کووید-۱۹ اهمیت بیشتری پیدا کرده است. در این مدت یکی از چالش‌های مهم مساله کنترل هزینه زنجیره تامین است. اگر موجودی دارو در بیمارستان‌ها به‌درستی مدیریت نشود، مشکلاتی مانند کمبود موجودی برخی داروهای حیاتی، تامین موجودی مازاد، افزایش هزینه‌ها و درنهایت نارضایتی بیماران را به دنبال خواهد داشت.
مواد و روش‌ها: در این پژوهش سعی شده است تا با استفاده از الگوریتم‌های یادگیری عمیق، نیازهای دارویی بیمارستان‌های کشور را پیش‌بینی و مدیریت کنیم. داده‌های مصرف دارویی ده سال بیمارستان عمومی بعثت همدان از پایگاه داده‌های سامانه مدیریت بیمارستان استخراج شده است. به‌عنوان یک مطالعه موردی، عملکرد مدل پیشنهادی برای پیش‌بینی میزان مصرف سفازولین ارزیابی شده است. این مدل شامل یک شبکه حافظه طولانی کوتاه‌مدت می‌باشد که می‌تواند پیشینه تغییرات داده‌ها را در کاربردهای پیش‌بینی سری‌‌های زمانی تشخیص دهد. مدل پیشنهادی با وجود تعداد زیادی پارامترهای تطبیق‌پذیر در شبکه‌های عصبی عمیق عملکرد خوبی را برای غلبه بر پیچیدگی‌های مسئله یادگیری به ارمغان می‌آورد.
نتایج: استفاده از رویکرد یادگیری عمیق پیشنهادی با کاهش اثرات پیچیدگی و عدم قطعیت در داده‌های پزشکی، استحکام الگوریتم را افزایش داده است. میانگین خطای پیش‌بینی با به‌کارگیری روش پیشنهادی 043/0 و مقادیر اندازه‌گیری شده برای RMSE، MAE و R2  به‌ترتیب برابر با 335/0، 260/0 و 851/0 است.
نتیجه‌گیری: مقایسات جامعی بین برخی از سایر روش‌های پیش‌بینی و مدل پیشنهادی انجام شده است، که عملکرد بهتر مدل پیشنهادی را نشان می‌دهد. علاوه براین، نتایج ارزیابی دقت و کارایی قابل قبول رویکرد پیشنهادی را به‌خوبی نشان می‌دهد.
متن کامل [PDF 1050 kb]   (340 دریافت)    
نوع مطالعه: مطالعه ی موردی | موضوع مقاله: مدیریت فناوری اطلاعات و مدارک پزشکی در بیمارستان
دریافت: 1401/8/26 | پذیرش: 1401/12/13 | انتشار: 1402/2/27

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به فصلنامه بیمارستان می‌باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2024 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb