پایان نامه کارشناسی ارشد مهندسی فناوری اطلاعات: بهینه سازی خرید دارو با استفاده از داده کاوی

3-4-1- پیش پردازش داده ها…………………….. 35

3-4-2- پاکسازی داده ها…………………….. 35

3-4-3-یکپارچه سازی داده ها ……………………..36

3-4-4- تبدیل داده ها ……………………..36

3-4-5- تلخیص داده ها…………………….. 37

3-5- وظایف داده کاوی………………………. 37

3-5-1- دسته بندی………………………. 38

3-5-2- تخمین………………………. 39

3-5-3- پیش بینی………………………. 39

3-5-4- گروه بندی شباهت یا قوانین وابستگی…………….. 40

3-5-5- خوشه بندی………………………. 40

3-5-6- نمایه سازی………………………. 41

3-6- كاربرد های داده كاوی………………………. 41

3-7- رویکردهای مسائل داده کاوی در پزشکی………………………. 42

3-8- مدلها و الگوریتمهای داده کاوی………………………. 43

3-8-1- شبکه های عصبی مصنوعی………………………. 43

3-8-1-1-ساختار شبکه عصبی……………………….. 44

3-8-1-2-معماری شبکه عصبی……………………….. 45

3-8-1-3-آموزش شبکه های عصبی مصنوعی……………………….. 46

3-8-1-4-انواع یادگیری در شبکه های عصبی مصنوعی…………… 47

3-8-2- درخت های انتخاب………………………. 47

3-8-3- Bagging & Boosting………………………

3-8-3-1-Bagging……………………….

3-8-1-1-Boosting……………………….

3-8-1-1-الگوریتم های Boosting……………………….

3-8-4- Adaptive Boosting(Adaboost)……………………..

3-8-5- رگرسیون بردار پشتیبان……………………… 51

3-8-6- رگرسیون خطی………………………. 52

نرم افزارهای داده کاوی………………………. 54

3-10- فرایند خرید دارو…………………….. 55

3-11- جمع بندی………………………. 56

فصل 4- روش انجام پژوهش………………………… 58

4-1- مقدمه……………………… 58

4-2- الگوریتم پیشنهادی………………………. 59

4-3- پیش پردازش داده ها…………………….. 60

4-3-1- ساخت ماتریس داده ……………………..60

4-3-1-1-روش ماههای متوالی……………………….. 67

4-3-1-2-روش ماههای یکسان……………………….. 44

4-3-1-3-روش فصول متولی……………………….. 69

4-4- الگوریتمهای Prediction………………………

4-4-1- روش NN………………………

4-4-2-روش SVR………………………

4-4-3- روش LSSVR………………………

4-4-4- AdaBoost.R………………………

4-5- مجموعه داده…………………….. 70

4-5-1- پاکسازی داده…………………….. 72

4-6- معیارهای ارزیابی………………………. 72

4-7- جمع بندی………………………. 74

فصل 5- بحث و نتیجه‌گیری………………………. 76

5-1- مقایسه روشهای مورد بررسی………………………. 76

5-1-1- ارزیابی الگوریتم با روش ماههای متوالی…………. 77

5-1-2- ارزیابی الگوریتم با روش ماه های یکسان……………… 83

5-2- جمع بندی………………………. 93

فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده……………………… 95

چکیده:

توسعی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از داده های مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیریها و فرایندهای مدیریتی را بهبود بخشید. در این پایان نامه تلاش شده است ضمن بررسی الگوریتم های مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانه های بیمارستانها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است. برای پیش بینی مصرف دارو عملکرد مدلهای MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد بررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR² ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است.

فصل نخست: مقدمه

1-1- فناوری اطلاعات در بهداشت و درمان

در سالهای اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستمهای اطلاعاتی خود برآمدهاند. در ابتدا مقصود از چنین فعالیتهایی کاهش هزینههای ناشی ازکاغذ بازی موجود در سیستمهای دستی و اداری بوده است، اما اکنون به مرحله ای رسیدهایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون مییابد و در این راستا بکارگیری سیستم های اطلاعات بیمارستانها بسیار مرسوم شده است.

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جوابها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواستها كه در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از دادههای موجود در این سیستمها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2] داده‌کاوی یکی از ده دانش در حال توسعه است و در سال‌های اخیر در دنیا گسترش فوق‌العاده سریعی داشته است. داده‌کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه‌های تخصصی با توصیف، تشریح، پیش‌بینی و کنترل پدیده‌های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه‌های مختلفی ازجمله پزشکی و تجارت دارد [3].

2-1- داروخانه های بیمارستانی

افزایش هزینه‌های بیمارستانی در سال‌های اخیر و نیز اجرای طرح خودگردانی و اداره‌ی بیمارستان‌ها به وسیله‌ی درآمد اختصاصی آنها، بیمارستان‌ها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخشهای مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماریهای بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیکهای داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.

لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.

3-1- داده کاوی

1-3-1- داده کاوی چیست؟

داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود.[5] کشف دانش و داده کاوی امروزه یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید و استفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها که با حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافته است [6]. شناسایی مشکالت کاوش و یا برآورد وابستگیها از داده ها یا کلاً کاوش داده های جدید تنها قسمتی ازشیوههای تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی است که روشهای استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روشهای تجربی معمول با مسائل داده کاوی میتوان به مراحل بیان مسأله و فرموله کردن فرضیه، جمع آوری دادهها، پیش پردازش دادهها شامل آشکارسازی و حذف دادههای غیر عادی و مقیاس بندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].

2-3-1- تکنیک های مختلف داده کاوی

تكنیكهای مختلف داده كاوی را میتوان بر اساس نوع عملیاتی كه انجام میدهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیكهای پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیكهای تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند [8].در بین این الگوریتمها و مدلها، بهترین وجود ندارد و با توجه به دادهها و کارایی مورد نظر باید مدل انتخاب گردد.

موضوعات: بدون موضوع لینک ثابت

فرم در حال بارگذاری ...

فید نظر برای این مطلب