fa پیش بینی الگوی ورود بیمار به بخش اورژانس بیمارستان با استفاده از تکنیک داده کاوی و مدل شبکه عصبی سایر سایر مقاله ی اصیل Original Article زمینه و هدف: بخش اورژانس ، اولین مکان ارائه خدمات تشخیصی و درمانی به بیماران اورژانسی می باشد. با توجه به اهمیت سرعت و دقت در ارائه خدمات، تخصیص صحیح منابع در این بخش اهمیت ویژه ای دارد. برنامه ریزی منابع بخش اورژانس، بدون توجه به ازدحام و تراکم بیمار در زمان های مختلف صورت می گیرد، بنابراین ممکن است بخش با کمبود منابع روبرو شده و این امر منجر به معطلی بیماران، بی نظمی در انجام کارها و در نتیجه افت کیفیت خدمات گردد. در این مطالعه به منظور رفع مشکلات فوق، الگوی پیش بینی تعداد بیمار مراجعه کننده به بخش اورژانس ارائه شده است. مواد و روش ها: تعداد بیمار بر مبنای داده های ورود بیماران به اورژانس و با استفاده از تکنیک داده کاوی و شبکه عصبی پرسپترون چند لایه(Multi-layer Perceptron) MLP پیش بینی شده است. یافته ها: تعداد بیمار ورودی در روزهای مختلف هفته و ساعات مختلف شبانه روز برای هر یک از اولویت های سه گانه 1 ، 2 و3 تعیین شده، بیشترین تعداد بیمار در روز شنبه و کمترین در روز جمعه بوده است. روزهای تعطیل و غیر تعطیل از لحاظ تعداد بیمار با هم متفاوت و تعداد بیمار در روزهای تعطیل رسمی مانند اعیاد برابر تعداد بیمار در روزهای جمعه بوده است. بیشترین تعداد بیمار در ساعات 9 الی 11 صبح و 20 الی 23 شب و کمترین تعداد در ساعات بین 2 الی 7 صبح میباشد. نتیجه گیری: پیش بینی تعداد بیمار بخش اورژانس می تواند در برآورد منابع مورد نیاز و توزیع مناسب آنها مورد استفاده قرار گرفته و کیفیت خدمات را بهبود بخشد. Background: Emergency department (ED) is the first place for providing diagnostic and therapeutic services to emergency patients. Due to importance of speed and accuracy in providing services the proper allocation of resources, the department must consider this matter in a particular way. Planning Emergency resources implements regardless of patient overcrowding which occurs at different times. In conclusion the emergency department may faces lack of resources and it results in delay of providing services, a whole mess in functions and decreasing in quality of services. This study is aimed to overcome these problems by suggesting a model for predicting the number of arrival patients at ED. Materials and Methods: The number of arrival patients is predicted based on the data colleted by counting arrival patients and using the data mining technique and neural network model (Multi-layer Perceptron). Results: The number of arrival patients during whole days of a week and 24 hours a day were calculated by sorting out 1, 2 and 3 priorities . The highest number of arrival patients counted was for Saturdays and the lowest for Fridays. Holidays and non-holidays` number of arrival patients differ . The number of arrival patients on formal holidays was similar to Fridays. The highest number of arrivals was between 9 am and 11 and also between 20 pm and 23 pm and the lowest arrivals was between 2 am and 7 am. Conclusion: prediction the number of ED arrival patients can be used for estimating required sources and distributing them appropriately and improving quality of services. : داده کاوی، شبکه عصبی، پیش بینی، بخش اورژانس Data Mining; Neural Network; Predicting; Emergency Department 73 81 http://jhosp.tums.ac.ir/browse.php?a_code=A-10-1-9&slc_lang=fa&sid=1 M.A Afshar Kazemi محمد علی علی افشار کاظمی No Department of Industrial Management , Facaulty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran . دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکز N Bigdeli ندا بیگدلی neda_big_55@yahoo.com Yes Department of Industrial Management ,Facaulty of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran گروه مدیریت صنعتی، دانشکده مدیریت، دانشگاه آزاد اسلامی واحد تهران مرکز J Manoochehri ژیلا منوچهری No Department of Emergency, Head of Quality Management Unit, Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran ، مسؤول واحد مدیریت کیفیت، مرکز قلب تهران، دانشگاه علوم پزشکی تهران Y Jenab یاسر جناب No Cardio-Vascular Group, Department of Hospital Quality Improvement , Tehran Heart Center, Tehran University of Medical Sciences, Tehran, Iran استادیار گروه قلب و عروق، ، مرکز قلب تهران، دانشگاه علوم پزشکی تهران