چکیده:
بیمارستانها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینههای سلامت را به خود اختصاص میدهند. شواهد حاکی از آن است که چشمانداز وسیعی برای ارتقاء و اعتلای منابع بیمارستانها (مالی و انسانی) وجود دارد. آگاهی و اطلاع از مقدار تقاضای آینده، مدیریت بهینه این منابع و کیفیت خدماترسانی در حوزه سلامت را تا حد زیادی تضمین مینماید. هدف اصلی این مطالعه بررسی مدلهای خطی (ARIMA) و غیرخطی (شبکه عصبیMLP) در پیشبینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازههای زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخشهای مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکهی عصبی مصنوعی مبتنی بر الگوریتم MLP، دارای عملکرد بهتری در پیشبینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیشبینیهای دقیقتری نسبت به مدل ARIMA ارائه دهد. مدل شبکه عصبی MLP با متوسط درصد خطای 96/24% نسبت به مدل ARIMA با متوسط درصد خطای کل 73/26% دارای قدرت پیشبینی بالایی میباشد. همچنین نتایج پیشبینیهای بخش کودکان و نوزادان نشان میدهد که مدل خطی ARMA دارای قدرت پیشبینی بالاتری نسبت به مدل غیرخطی شبکه عصبی MLP میباشد که دلیل این ناسازگاری با فرضیههای تحقیق را میتوان در واریانس پایین دادههای این بخش جستجو کرد. بیمارستانها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینههای سلامت را به خود اختصاص میدهند. شواهد حاکی از آن است که چشمانداز وسیعی برای ارتقاء و اعتلای منابع بیمارستانها (مالی و انسانی) وجود دارد. آگاهی و اطلاع از مقدار تقاضای آینده، مدیریت بهینه این منابع و کیفیت خدماترسانی در حوزه سلامت را تا حد زیادی تضمین مینماید. هدف اصلی این مطالعه بررسی مدلهای خطی (ARIMA) و غیرخطی (شبکه عصبیMLP) در پیشبینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازههای زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخشهای مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکهی عصبی مصنوعی مبتنی بر الگوریتم MLP، دارای عملکرد بهتری در پیشبینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیشبینیهای دقیقتری نسبت به مدل ARIMA ارائه دهد. مدل شبکه عصبی MLP با متوسط درصد خطای 96/24% نسبت به مدل ARIMA با متوسط درصد خطای کل 73/26% دارای قدرت پیشبینی بالایی میباشد. همچنین نتایج پیشبینیهای بخش کودکان و نوزادان نشان میدهد که مدل خطی ARMA دارای قدرت پیشبینی بالاتری نسبت به مدل غیرخطی شبکه عصبی MLP میباشد که دلیل این ناسازگاری با فرضیههای تحقیق را میتوان در واریانس پایین دادههای این بخش جستجو کرد.
The hospitals are responsible for maintaining the health of the population and devote himself a large part of health expenditure. Evidence shows that there is a vast prospect to improve and promote hospitals resources (financial and human). Awareness of the amount of future demand highly ensures optimal management of resources and quality of services in the health field. The aim of this study is to investigate the linear (ARIMA) and nonlinear (neural network MLP) models to estimate the treatment demand at Imam Reza hospital of Urmia, using data at different time intervals such as daily, weekly and monthly in different sections of the hospital. The results of this study indicate that ANN MLP nonlinear model has a good performance in predicting treatment demand and it is capable to provide more accurate forecasts than ARIMA model. Neural network MLP model with an average error of 24.96% compared to ARIMA model with an average error of 26.73% has a high predictive power. Also the estimation results of pediatric ward indicate that the ARIMA model compared to Neural network MLP model has more predictive power, the reason for this inconsistency with research hypotheses must be sought in low variance of this section.
خلاصه ماشینی:
P. Trippi and Turban Bosarge Haefke and Helmenstein Kuan and White Hill 3.
Law Palmer and Montano Atiya, A.
در ادامه، برای مقایسه قدرت پیشبینی روشهای مورد استفاده در این مطالعه، نمودارهای (3)، تمام بخشهای بیمارستان را به تفکیک دورههای زمانی مختلف و بهصورت مقایسه دادههای واقعی با دادههای پیشبینیشده مدلهای ARIMA و شبکه عصبی MLP، نشان میدهند.
نمودار 4: نتایج پیشبینی و مقایسه دادههای اصلی بخش اورژانس با دادههای پیشبینی مدلهای ARIMA و شبکه عصبی / نتیجهگیری مهمترین هدف این مطالعه، معرفی یک مدل پیشبینی مناسب برای برآورد تقاضای درمان در بیمارستان مورد مطالعه میباشد، مدل شبکه عصبی MLP، به عنوان یک مدل غیرخطی، با متوسط خطای پیشبینی 25% در کل بخشها و حدود 12% در بخش اورژانس، میتواند یک مدل مناسب و ایدهآل پیشبینی برای بیمارستان مذکور باشد.
همچنین نتایج پیشبینیهای بخش 1، نشان میدهد که مدل خطی ARMA دارای قدرت پیشبینی بالاتری نسبت به مدل غیرخطی شبکه عصبی MLP میباشد که دلیل این ناسازگاری با فرضیههای تحقیق را میتوان در واریانس پایین دادههای این بخش جستجو کرد.
اما در حالت کلی مدل شبکه عصبی با الگوریتم MLP، به مراتب دارای قدرت بیشتری نسبت به مدلهای خطی ARIMA و ARMA در پیشبینی تقاضای درمان بیمارستان موردمطالعه میباشد.
(1994); Artificial neural network models for forecasting and decision making.
(1998); Artificial neural networks for short-term energy forecasting: Accuracy and economic value.
(2006); Designing an artificial neural network for forecasting tourism time series.
(2013); Comparison of the ARMA, ARIMA, and the autoregressive artificial neural network models in forecasting the monthly in flow of Dez dam reservoir.