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

رشته فناوری اطلاعات (IT)
دانلود مبانی نظری 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 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 منابع   فهرست جداول جدول 2- 1تکنیک های مهم داده کاوی در بخش دارویی[21] 21 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