پیدا کردن بهترین مدل برای پیش بینی تقاضای دارو با دیتا ماینینگ

رشته فناوری اطلاعات (IT)
دانلود پایان ‌نامه كارشناسی ارشد مهندسی فناوری اطلاعات پیدا کردن بهترین مدل برای پیش بینی تقاضای دارو با دیتا ماینینگ چکیده توسعه ی 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 گیری ها و فرایند های 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 بیمارستان ها 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 مدل های 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. واژگان کلیدی : پیش بینی خرید دارو داروخانه سیستم های اطلاعات بیمارستان مقدمه در سال های اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستم های اطلاعاتی خود برآمده-اند. در ابتدا مقصود از چنین فعالیت هایی کاهش هزینه های ناشی ازکاغذ بازی موجود در سیستم های دستی و اداری بوده است، اما اکنون به مرحله ای رسیده ایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون می یابد و در این راستا بکار گیری سیستم های اطلاعات بیمارستان ها بسیار مرسوم شده است. بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواست ها 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 داده های موجود در این سیستم ها 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]. 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 بخش های 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 بیماری های 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 تکنیک های 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. فهرست مطالب فصل 1- کلیات2 1-1- فناوری اطلاعات در بهداشت و درمان 2 1-2- داروخانه های بیمارستانی 3 1-3- داده کاوی 3 1-3-1- داده کاوی چیست؟ 3 1-3-2- تكنیك های مختلف داده كاوی 4 1-3-2-1-انواع تکنیک داده کاوی 5 1-4- بیان مسئله 6 1-5- اهداف تحقیق 8 1-6- سوالات وفرضیات تحقیق 9 1-6-1- سوالات 9 1-6-2- فرضیات تحقیق 9 1-7- فصول پایان نامه 9 فصل 2- پیشینه پژوهشی 12 2-1- جمع بندی 24 فصل 3- مروری بر ادبیات تحقیق و مبانی نظری 26 3-1- سیستم های اطلاعات بیمارستان 26 3-2- تعریف و مفهوم سیستم اطلاعات بیمارستانی 28 3-2-1-- اهداف سیستم اطلاعات بیمارستانی 29 3-2-2- اهمیت و ضرورت راه‌اندازی سیستم اطلاعات بیمارستانی 30 3-2-3- مزایایی سیستم اطلاعات بیمارستانی 31 3-3- داده کاوی 32 3-4- مراحل داده کاوی 33 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 دادهها 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 48 3-8-3-1-Bagging 55 3-8-1-1-Boosting 44 3-8-1-1-الگوریتم های Boosting 44 3-8-4- Adaptive Boosting(Adaboost) 50 3-8-5- رگرسیون بردار پشتیبان 51 3-8-6- رگرسیون خطی 52 3-9 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 دادهها 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 63 4-4-1- روش NN 64 4-4-2-روش SVR 64 4-4-3- روش LSSVR 67 4-4-4- AdaBoost.R 69 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 نتیجه گیری 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 ماههای یکسان 83 5-2- جمع بندی 93 فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده 95   فهرست جداول جدول 2- 1تکنیک های مهم داده کاوی در بخش دارویی[21] 21 جدول 4- 1 ماتریس داده بصورت ماههای متوالی 60 جدول 4- 2 ماتریس داده بصورت ماههای یکسان 61 جدول 4- 3 ماتریس داده بصورت فصول متوالی 2 جدول 5- 1 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 77 جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 81 جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 82 جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 82 جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 85 جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 86 جدول 5- 7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 91 جدول 5 - 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 93 فهرست شکل ها و نمودارها شکل 2- 1 مدل پیش بینی با شبکه عصبی[4] 12 شکل 2- 2 شبکه عصبی [14] BP 12 شکل 2- 3 مدل بهینه سازی خرید دارو[15] 14 شکل 2- 4 مدل استخراج دانش [26] 16 شکل 2- 5 جریان عملیات در داروخانه[17] 17 شکل 2- 6 دسته بندی اهدا بکارگیری داده کاوی[15] 19 شکل 2- 7 روند بکارگیری داده کاوی در پزشکی[20] 20 شکل3- 1 مراحل داده کاوی[40] 32 شکل3- 2 ساختار شبکه عصبی[47] 43 شکل3- 3 مثالی از درخت تصمیم[41] 55 شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان 55 شکل 4- 1 دیاگرام چاچوب تحقیق 58 شکل4- 2 پارامترهای مورد استفاده در SVM 64 شکل4- 3 گزارش تهیه شده با کریستال ریپورت 70 شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت 71 شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 78 شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR 78 شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 79 شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 80 شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 80 شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 83 شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR 83 شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 84 شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 84 شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 85 شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 86 شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR 87 شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR 87 شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 88 شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R 89 شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN 90 شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 90 شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 92 شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 93 شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR 94 شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE 94