شعارسال:

چکیده

بیمارستان­ها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینه­ های سلامت را به خود اختصاص می­ دهند. شواهد حاکی از آن است که چشم­ انداز وسیعی برای ارتقاء و اعتلای منابع بیمارستان­ ها (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 می ­نماید. هدف اصلی این مطالعه بررسی مدل­های خطی (ARIMA) و غیرخطی (شبکه عصبیMLP) در پیش ­بینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازه­ های زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخش­های مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکه ­ی عصبی مصنوعی مبتنی بر الگوریتم MLP، دارای عملکرد بهتری در پیش ­بینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیش­ بینی­ های دقیق­تری نسبت به مدل ARIMA ارائه دهد. مدل شبکه عصبی MLP با متوسط درصد خطای 24/96% نسبت به مدل ARIMA با متوسط درصد خطای کل 26/73% دارای قدرت پیش ­بینی بالایی می­باشد. همچنین نتایج پیش­ بینی ­های 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 فرضیه­ های تحقیق را می ­توان در واریانس پایین داده ­های این بخش جستجو کرد.

ادامه متن را اینجا  بخوانید.

با اندکی اضافات و تلخیص برگرفته از خبرگزاری فارس، تاریخ انتشار: 14فروردین1395، کدخبر: 13941205000566: www.farsnews.com