فصل 3- مروری بر ادبیات تحقیق و مبانی نظری26
3-1- سیستم های اطلاعات بیمارستان26
3-2- تعریف و مفهوم سیستم اطلاعات بیمارستانی28
3-2-1– اهداف سیستم اطلاعات بیمارستانی29
3-2-2- اهمیت و ضرورت راه‌اندازی سیستم اطلاعات بیمارستانی30
3-2-3- مزایایی سیستم اطلاعات بیمارستانی31
3-3- داده کاوی32
3-4- مراحل داده کاوی33
3-4-1- پیش پردازش داده ها35
3-4-2- پاکسازی داده ها35
3-4-3-یکپارچه سازی داده ها36
3-4-4- تبدیل دادهها36
3-4-5- تلخیص داده ها37
3-5- وظایف داده کاوی37
3-5-1- دسته بندی38
3-5-2- تخمین39
3-5-3- پیش بینی39
3-5-4- گروه بندی شباهت یا قوانین وابستگی40
3-5-5- خوشه بندی40
3-5-6- نمایه سازی41
3-6- کاربرد های داده کاوی41
3-7- رویکردهای مسائل داده کاوی در پزشکی42
3-8- مدلها و الگوریتمهای داده کاوی43
3-8-1- شبکه های عصبی مصنوعی43
3-8-1-1-ساختار شبکه عصبی44
3-8-1-2-معماری شبکه عصبی45
3-8-1-3-آموزش شبکه های عصبی مصنوعی46
3-8-1-4-انواع یادگیری در شبکه های عصبی مصنوعی47
3-8-2- درخت های انتخاب47
3-8-3- Bagging & Boosting48
3-8-3-1-Bagging55
3-8-1-1-Boosting44
3-8-1-1-الگوریتم های Boosting44
3-8-4- Adaptive Boosting(Adaboost)50
3-8-5- رگرسیون بردار پشتیبان51
3-8-6- رگرسیون خطی52
3-9 نرم افزارهای داده کاوی54
3-10- فرایند خرید دارو55
3-11- جمع بندی56
فصل 4- روش انجام پژوهش58
4-1- مقدمه58
4-2- الگوریتم پیشنهادی59
4-3- پیش پردازش دادهها60
4-3-1- ساخت ماتریس داده60
4-3-1-1-روش ماههای متوالی67
4-3-1-2-روش ماههای یکسان44
4-3-1-3-روش فصول متولی69
4-4- الگوریتمهای Prediction63
4-4-1- روش NN64
4-4-2-روش SVR64
4-4-3- روش LSSVR67
4-4-4- AdaBoost.R69
4-5- مجموعه داده70
4-5-1- پاکسازی داده72
4-6- معیارهای ارزیابی72
4-7- جمع بندی74
فصل 5- بحث و نتیجه‌گیری76
5-1- مقایسه روشهای مورد بررسی76
5-1-1- ارزیابی الگوریتم با روش ماههای متوالی77
5-1-2- ارزیابی الگوریتم با روش ماههای یکسان83
5-2- جمع بندی93
فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده95
فهرست جداول
عنوان صفحه
جدول 2- 1تکنیک های مهم داده کاوی در بخش دارویی[21] 021
جدول 4- 1 ماتریس داده بصورت ماههای متوالی060
جدول 4- 2 ماتریس داده بصورت ماههای یکسان061
جدول 4- 3 ماتریس داده بصورت فصول متوالی02
جدول 5- 1 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 077
جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin081
جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol082
جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 082
جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 085
جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol086
جدول 5- 7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 091
جدول 5 – 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 093
فهرست شکل ها و نمودارها

عنوان صفحه
شکل 2- 1 مدل پیش بینی با شبکه عصبی[4]012
شکل 2- 2 شبکه عصبی [14] BP 012
شکل 2- 3 مدل بهینه سازی خرید دارو[15]014
شکل 2- 4 مدل استخراج دانش [26] 016
شکل 2- 5 جریان عملیات در داروخانه[17] 017
شکل 2- 6 دسته بندی اهدا بکارگیری داده کاوی[15]019
شکل 2- 7 روند بکارگیری داده کاوی در پزشکی[20]020
شکل3- 1 مراحل داده کاوی[40]032
شکل3- 2 ساختار شبکه عصبی[47]043
شکل3- 3 مثالی از درخت تصمیم[41]055
شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان055
شکل 4- 1 دیاگرام چاچوب تحقیق058
شکل4- 2 پارامترهای مورد استفاده در SVM064
شکل4- 3 گزارش تهیه شده با کریستال ریپورت070
شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت071
شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R078
شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR078
شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE079
شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR080
شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR080
شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE083
شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR083
شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR084
شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R084
شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR085
شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R086
شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR087
شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR087
شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR088
شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R089
شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN090
شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR090
شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR092
شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE093
شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR094
شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE094
فصل نخست
مقدمه
مقدمه
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 که 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].
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.
داده کاوی
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].
تکنیک های مختلف داده کاوی
تکنیکهای مختلف داده کاوی را میتوان بر اساس نوع عملیاتی که انجام میدهند به دو دسته « پیش بینی کننده » و « تشریح کننده » تقسیم کرد. تکنیکهای پیش بینی کننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی که تکنیکهای تشریح کننده ، الگوهایی قابل فهم از داده ها را برای انسان کشف می کنند [8].در بین این الگوریتمها و مدلها، بهترین وجود ندارد و با توجه به دادهها و کارایی مورد نظر باید مدل انتخاب گردد.
1-3-2-1-انواع تکنیک داده کاوی [9]
قواعد انجمنی 1: قوانین انجمنی در دسته تکنیک های تشریح کننده قرار می گیرد و به پیدا کردن وابستگیها و همبستگیهای موجود در بین داده ها، یافتن الگوهایی که غالبا در بین دادهها وجود دارند و همچنین پیدا کردن یک سری ساختار سببی در بین آیتمها و اشیای موجود در پایگاه دادههای تعاملی و رابطهای اشاره کرد.
پیش بینی :2 دراین روش هدف، پیش بینی یک متغیر پیوسته می باشد. مانند پیش بینی نرخ ارز یا هزینه های درمانی. اینجا ﻣﻘـﺎﺩﻳﺮ ﻣﻤﻜـﻦ ﺑـﺮﺍﻱ ﻣﺘﻐﻴﺮﻫﺎﻱ ﻧﺎﻣﻌﻠﻮﻡ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﺷﻮﻧﺪ. ﺩﺭ پیش بینی ﺍﺑﺘﺪﺍ ﺩﺍﺩﻩ ﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﻣﺘﻐﻴﺮ ﻧـﺎﻣﻌﻠﻮﻡ ﻣﺮﺑـﻮﻁ ﻫﺴﺘﻨﺪ ﺑﻮﺳﻴﻠﻪ ﻱ ﺑﺮﺧﻲ ﺗﺤﻠﻴﻞ ﻫﺎﻱ ﺁﻣﺎﺭﻱ ﭘﻴﺪﺍ ﻣﻲ ﺷﻮﻧﺪ. ﺳـﭙﺲ ﺍﺯ ﺑﺮﺧـﻲ ﺭﻭﺵ ﻫـﺎﻱ ﻫﻮﺷـﻤﻨﺪ ﻣﺎﻧﻨﺪ ﺷﺒﻜﻪ ﻫﺎﻱ ﻋﺼﺒﻲ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﮊﻧﺘﻴﻚ ﺑﺮﺍﻱ ﺍﻧﺠﺎﻡ ﭘﻴش بینی ﺍﺳﺘﻔﺎﺩﻩ ﻣﻲ ﺷﻮﺩ.
رده بندی یا طبقه بندی3 : فرآیندی برای پیدا کردن مدلی است که رده های موجود در داده‌ها را تعریف می نماید و متمایز می کند، با این هدف که بتوان از این مدل برای پیش بینی رده رکوردهایی که برچسب رده آنها (متغیر هدف) ناشناخته می باشد، استفاده نمود. در رده بندی بر خلاف پیش بینی، هدف پیش بینی مقدار یک متغیر گسسته است. روش های مورد استفاده در پیش بینی و رده بندی عموما یکسان هستند. و در دسته تکنیک های پیش بینی کننده قرار می گیرند.
خوشه بندی4 : گروه بندی مجموعه ای از اعضاء، رکوردها یا اشیاء به نحوی که اعضای موجود در یک خوشه بیشترین شباهت را به یکدیگر و کمترین شباهت را به اعضای خوشه های دیگر داشته باشند.
در این پایان نامه جهت پیش بینی مصرف دارو از تکنیک های پیش بینی استفاده می شود و با بررسی الگوریتمهای مختلف این تکنیک تلاش می شود مدلی مناسب جهت پیش بینی مصرف دارو در داروخانههای بیمارستانهای ایران معرفی گردد. همچنین از داده‌های واقعی بیمارستان پاستور شهر تاریخی بم که در پایگاه داده SQL SERVER سیستم اطلاعات بیمارستان با حجمی در حدود GB220 و در مدت 5 سال ذخیره شدهاند جهت استفاده در مدل‌ها و تکینیک های داده‌کاوی استفاده خواهد شد.
بیان مسئله
در حال حاضر بیمارستان های دولتی کشور ما از کمبود منابع مالی ونقدینگی بشدت رنج می برند. یکی از بخش های تاثیر گذار بر وضعیت مالی بیمارستان ها داروخانه می باشد که در صورت افزایش سودآوری این بخش می توان به نحوی به وضعیت مالی بیمارستان ها کمک کرد
در ادامه به اختصار به گزیده هایی از اعتراف برخی از روسای بیمارستانهای بزرگ کشور توجه کنیم:
بیمارستان‌های دولتی در صورت عدم رسیدگی تعطیل خواهند شد .[10]
در بیمارستان‌های دولتی معضل اصلی این است که هزینه و درآمد با هم انطباق ندارد[11].
مشکلات بیمارستان به قدری زیاد است که معمولا پولی برای دارو باقی نمی ماند.[12]
مشکلات خرید و ویژگیهای دارو که با توجه به بررسی های انجام شده در داروخانه بیمارستانها میتوان به آنها شاره کرد.
خرید و نگهداری دارو حساسیتی بالایی دارد.
جهت خرید دارو از اطلاعات مصرف قبلی برای پیش بینی مصرف استفاده نمی شود و این باعث می شود در انتها فصل با اضافه موجودی مواجه شوند و مقداری از دارو ها به دلیل اتمام تاریخ مصرف غیر قابل استفاده شوند. و همچنین با توجه به عدم پیش بینی مناسب در بعضی از موارد با کمبود دارو مواجه شوند.که با توجه به وابستگی دارو ها در صورت نداشتن برخی از داروها، مراجعه کنندگان برای دریافت کل دارو ها بصورت کامل به داروخانههای خارج از بیمارستان مراجعه میکنند.
فروش دارو در داروخانهها بر خلاف سایر فروشگاهها بر اساس سلیقه مشتری نمی باشد و در نظر گرفتن اینکه نسخه پزشکان از اصول درمانی پیروی میکند.
بر طبق قانون جدید بیمارستان ها موظف اند تمام داروها و لوازم مصرفی که در بیمارستان استفاده می شود را موجود داشته باشند و بیماران نباید برای تهیه دارو و لوازم مصرفی به داروخانه های خارج از بیمارستان مراجعه کنند.
با توجه به ویژگیها و مشکلاتی که در بالا به آنها اشاره شد در صورت پیش بینی مصرف دارو می توان خرید را بهبود بخشید همچنین پیش بینی باعث میشود تا بیشترین پاسخگویی در برابر نیاز های درمانی بیماران را ارائه کرد.
راه اندازی سیستم های اطلاعات بیمارستان5 در بیمارستان های کشور،علاوه بر مزایای فراوان حجم زیادی از اطلاعات مربوط به بیمارستانها از جمله مصرف دارو را نگهداری می کنند[13 ] با بکارگیری داده کاوی بر روی داده های ذخیره شده در این سیستمها می توان مصرف دارو را پیش بینی کرد و با لحاظ کردن این پیش بینی در خرید دارو نهایتا خرید دارو را بهینه کرد.
اهداف تحقیق
با توجه به مشکلات مالی که گریبان گیر بیمارستان های کشور است. همچنین اهمیت و نقشی که داروخانهها درگردش مالی و درآمد بیمارستانهای کشور دارند. 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. هدف از انجام این رساله این است که با استفاده از داده‌های تاریخی و تکنیک‌های داده‌کاوی بتوان مدلی برای پیش‌بینی مصرف دارو ارائه داد. در واقع ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی که تا کنون ارائه شده و می‌توان از آنها برای پیش بینی مصرف دارو استفاده کرد. به همین دلیل باید روشهای مختلف پیش بینی را اعمال کرد تا بتوان مقایسه ای بین روشها و انتخاب بهترین روش داشته باشیم.
از دیگر اهداف تحقیق بکارگیری مدل ارائه شده بر روی داده های یک بیمارستان و ارزیابی نتایج حاصل از آن می باشد. مدل ارائه شده در این پایان نامه می تواند در سایر بیمارستان های کشور نیز مورد استفاده قرار بگیرد. ایده این تحقیق از پیشینه تحقیق و مطالعات انجام شده در این زمینه گرفته شده است. از جمله تحقیقی که توسط [14] Qinjkui انجام شد و در آن مدلی برای پیش بینی تقاضا برای استفاده از خدمات و تجهیزات در یک بیمارستان ارائه شد همچنین تحقیقی که توسط[19] Asadi بر روی سیستم اطلاعات داروخانه بیمارستانهای آموزشی و درمانی تابعه دانشگاه علوم پزشکی تهران انجام شد و نشان می دهد که اطلاعات موجود در این سیستم ها مورد تجزیه و تحلیل قرار نمی گیرند.
هدفی که این پژوهش را متمایز می کند این است که به پیش بینی مصرف دارو در بیمارستان های ایران می پردازد و مدلی برای پیش بینی مصرف ارائه می هد. همچنین یک جنبه جدید از مزایای سیستم اطلاعات بیمارستان ها را مشخص می کند.
سوالات وفرضیات تحقیق
سوالات
چه الگوریتمی جهت پیش بینی مصرف دارو مناسب است؟
چه عواملی بر خرید دارو موثر هستند؟
میزان دقت پیش‌بینی انجام‌شده تا چه حد است ؟
فرضیات تحقیق
با استفاده از داده‌های تاریخی و تکنیک‌های داده‌کاوی می‌توان مدلی برای پیش‌بینی مصرف دارو ارائه داد.

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

مدل ارائه شده توسط تکنیک های داده کاوی باعث بهبود خرید دارو خواهد شد.
شناخت بیشترین همبستگی و تأثیر عوامل مختلف بر خرید دارو با استفاده از تکنیک‌های داده‌کاوی میسر است.
امکان ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی تا کنون ارائه شده و می‌توان از آنها برای بهینه سازی خرید استفاده کرد.
فصول پایان نامه
در فصل اول پایان نامه مقدمهای درباره فناوری اطلاعات در بهداشت و درمان بیان شده و در ادامه به معرفی داده کاوی و بیان مسئله پرداخته، در پایان هم اهداف تحقیق و سوالات و فرضیات آمده است. فصل دوم به ارائه پیشینه تحقیق پرداخته است .فصل سوم، مروری است بر ادبیات تحقیق و مبانی نظری که در آن سیستم های اطلاعات بیمارستان، مزایای این سیستم ها، داده کاوی و الگوریتم ها و مدلهای مختلف تکنیک پیش بینی و همچنین فرایند خرید دارو شرح داده شده است. در فصل چهارم ابتدا چارچوب کلی پایان نامه و مراحل پیاده سازی را شرح داده، سپس توضیح مختصری راجع به مجموعه دادههای ایجاد شده داده میشود و در نهایت، به شرح الگوریتمهایی که برای ارزیابی مورد مقایسه قرار گرفته اند می پردازد.در فصل پنجم مدلهای مختلف جهت پیشبینی تقاضای دارو و ارزیابی این مدلها بررسی خواهد شد. مدلهای شبکه عصبی و انواع مدلهای رگرسیون بر روی مجموعه دادههای آمادهسازی شده اعمال و دقت پیشبینی هر مدل بررسی و با مدلهای دیگر مقایسه خواهد شد نهایتاً در فصل ششم پیشنهادات جهت انجام کارهای آاینده معرفی می شود.
فصل دوم
پیشینه پژوهشی
پیشینه پژوهشی
Qingkui در مطالعه در سال 2009 مدلی جهت پیش بینی تقاضا برای استفاده از خدمات و امکانات بیمارستان CQDP ارائه کرد [14] وی در ابتدا بیان میدارد که پیش بینی موجودی بیمارستان یک دانش مدیریتی جدید و با قابلیت پیاده سازی بالا می باشد که پایه اصلی آن نگهداری موجودی مناسب دارو و سایر مواد و تجهیزات مورد استفاده در بیمارستان می باشد. با انجام این پیش بینی می توان موجودی غیر ضرور ی را کاهش داد ،جریان مالی را بهبود بخشید و در نهایت باعث افزایش سود آوری بیمارستان شد. برای پیش بینی تقاضا چارچوبی را ارائه کردند که در شکل 2-1 نشان داده شده است. در این چارچوب در ابتدا به تجزیه و تحلیل فاکتورهای تاثیر گذار بر پیش بینی میپردازد در این مرحله عواملی همچون تعداد افرادی که از خدمات بیمارستان بهره میگیرند و تعداد تخت خواب و سایر عوامل محیطی میپردازد. و در بخش بعدی به معرفی فاکتورهای تاثیر گذار بر روی پیش بینی که توسط الگوریتم مورد استفاده قرار می گیرند همچون هزینه نگهداری موجودی وتعداد درخواست ها و چرخه استفاده و مواردی دیگر را بررسی میکند. در مرحله بعد دادههای مورد پردازش را مشخص می کند و با استفاده از دادهکاوی در فاز پیش پردازش دادهها آماده سازی و یکپارچه می شوند و با پیاده سازی الگوریتم شبکه عصبی BP به آموزش الگوریتم می پردازد تا ساختار شبکه پیاده سازی شود و در نهایت با استفاده از شبکه عصبی پیش بینی را انجام میدهد [14].
شکل2- 1 در این چارچوب ابتدا به تجزیه وتحلیل فاکتور های تاثیر گذار بر پیش بینی می پردازد و در مرحله بعد داده های خام را مشخص می کند ودر فاز پیش پردازش داده ها آماده سازی شده و یکپارچه می شوند ودر مرحله بعد با پیاده سازی الگوریتم شبکه عصبی به آموزش شبکه می پردازد و در نهایت با استفاده از شبکه عصبی پیش بینی را انجام می دهد [14].
این مقاله شبکه عصبی چند ورودی چند خروجی را پیاده سازی کرده است که ساختار و روش محاسبات آن در شکل 2-2 نمایش داده شده است.
شکل 2- 2 شبکه عصبی BP بر اساس ساختار سلسله مراتبی: لایه ورودی، لایه خروجی و لایه مخفی[14]
لایه ورودی : شامل داده های پیش پردازش شده توسط داده کاوی مربوط به عوامل تاثیر گذار بر پیش بینی تقاضا می باشد.
لایه مخفی : در الکوریتم BP معمولا یک یا چند لایه مخفی وجود دارد تا به همگرایی کند و مینیم محلی غلبه کند در این مقاله با ضافه کردن فاکتور MOMENTUMتوانسته کارای الگوریتم را بالا ببرند.
لایه خروجی : پیش بینی را ارائه می دهد.
پس از ساختن ساختار شبکه با وارد کردن دادههای آموزشی شبکه را آموزش می دهدند و پس از 330 دوره شبکه همگرا می شود. بعد از آموزش شبکه با استفاده از MATLAB تقاضای آینده را با دقت 87.9% پیش بینی کرده اند [41].
Desikan و همکاران [15]در یک تحقیق، چگونگی بکارگیری داده کاوی در بهداشت و درمان را مورد بررسی قرار دادند. این تحقیق بیان می کند که سیستم های بهداشت و درمان در حال حاضر حجم بالایی از داده ها مربوط به بیماران واطلاعات بیمارستانی را دارا می باشند که با استفاده از دانش تولید شده توسط داده کاوی می توان در تصمیم گیریها بهتر عمل کرد و با اتخاذ تصمیمات بهتر در مصرف منابع مالی صرفه جویی کرد. وی یک چارچوب برای بکار گیری داده کاوی در سیستم های اطلاعات بهداشت و درمان ارایه کرده است. مدل پیشنهادی دارای چندین مرحله میباشد که در مرحله اول اطلاعات خام از منابع مختلف مانند کتابها، ژورنالها، مجلات علمی و بازبینیهای سیستماتیک، راهنماهای درمانی، پروتکل ها و سیاست گذاریها در حوزه سلامت، استخراج شده و سپس برروی این داده های خام، یک فیلترینگ جهت بهسازی دادهها انجام شده و با تبادلاتی سعی در تبدیل دادههای کیفی به کمی انجام میگیرد. سپس تلاش می شود تا با ایجاد یک مجموعه قوانین ارتباط بین آیتمهای ورودی مشخص گردد. این مرحله شامل دو قسمت میباشد که در ابتدا ارتباط بین آیتم ها از یک انباره داده استخراج شده و سپس قوانین ابتدایی تشکیل میگردند.
در قسمت بعد جهت تصحیح قوانین ابتدایی از یک سری معیار ارزیابی مفهومی استفاده میشود تا قوانینی که با هم در تضاد هستند و یا قوانین غیر صحیح، تصحیح گردند. پس از مرحله تصحیح قوانین، قوانین ایجاد شده برای بکارگیری در کاربردهایی مانند خرید اقلام و یا کارهای تحقیقاتی استفاده میگردند. شکل2-3، بصورت شماتیک توصیف کننده مراحل مذکور است که تحت عنوان یک مدل توسط Desikan و همکاران ارائه شده است [15].
شکل2-3 مدل بهینه سازی خرید دارو که شامل استخراج متغیرها از داده های خام، تبدیل (مانند اعمال توابع عضویت فازی)، تشکیل قوانین از انباره داده و سپس تصحیح قوانین و بکارگیری آنها در عمل توسط Desikan و همکاران ارائه شده است[15].
Jing-song Li و همکاران در تحقیقی به معرفی برنامه های کاربردی داده کاوی بر روی سیستمهای اطلاعات بیمارستان پرداخته اند [16]. وی در این مطالعه به بیان اصول و مبانی داده کاوی و ارائه مدل جدید برای کشف دانش از سیستم اطلاعات بیمارستان و در نهایت به معرفی تکنیک های داده کاوی پیشرفته پرداخته است .همچنین مثالهایی از مطالعات موردی در تکنیکهای داده کاوی پیشرفته را ارئه کرده اند.
مطالعهی مذکور ابزارهای داده کاوی را به سه دسته تقسیم کرده که عبارتند از:
طبقه بندی :داده ها را به کلاسها یا گروههای از پیش تعریف شده تقسیم میکنند. این نوع طبق بندی به آموزش نظارت شده نیز معروف است. چرا که گروهها قبل از بررسی و آزمایش دادهها تعیین شدهاند.
خوشه بندی :خوشه بندی شبیه طبقه بندی است با این تفاوت که داده در گروههای از پیش تعریف شده قرار نمیگیرند. این گروه به عنوان آموزش کنترل نشده نیز مطرح شده است. خوشه بندی معمولاً از طریق تعیین تشابه بین داده ها قبل از تعریف موقعیت ها صورت می گیرد.
قوانین وابستگی: تجزیه وتحلیل وابستگی بین داده ها می باشد که در واقع وظیفه ی اصلی داده کاوی را در کشف روابط بین داده ها مطرح می کند.
در ادامه به معرفی فرایند استخراج دانش از پایگاه داده6 سیستم اطلاعات بیمارستان می پردازد.اصطلاح KDD اشاره دارد به فرایند کشف دانش مفید از دادهها، که این شامل ارزیابیها و تفسیرهای ممکن برای اتخاذ تصمیمهای مناسب با استفاده از دانش و همچنین شامل پردازشها وشمای کد گذاری و نمونه برداری و پیش بینی دادهها قبل از داده کاوی است. اما داده کاوی اشاره دارد به برنامههای کاربردی از الگوریتم ها برای استخراج الگو ها از داده ها بدون مرحله اضافی کشف دانش [16]. بطور کلی استخراج دانش مفهوم وسیعتری نسبت به داده کاوی دارد.
همانطور که در شکل 2-4 مشخص شده است فرایند استخراج دانش از 5 مرحله زیر تشکیل شده است که عبارتند از :
انتخاب مجموعه ی دادهی هدف :دادههای مورد نیاز برای داده کاوی ممکن است از چندین منبع باشند. اولین گام فراهم کردن دادهها از پایگاه دادههای مختلف، فایل ها و منابع غیر الکترونیکی است.
پیش پردازش دادهها: دادههایی که توسط فرایند پردازش می شوند ممکن است صحیح نباشند و یا کامل نباشند. همچنین ممکن است داده ها دارای بی نظمی و یا اینکه از چندین نوع باشند.در این مرحله چندین فعالیت از جمله استفاده از منابع در دسترس برای مقابله با دادههای نامربوط و همچنین تصمیمگیری در مورد دادههای از دست رفته انجام می گیرد.
تبدیل داده ها: صفات و ویژگیهای مناسب به دادهی هدف اضافه میشوند و یا مواردی از آنها حذف میشوند. دادهها به یک فرمت مشترک برای پردازش شدن تبدیل میشوند. برخی از داده ها ممکن است رمز گذاری شده یا به فرمت های قابل استفاده تبدیل شوند. به منظور کاهش تعداد مقادیر دادههای ممکن برخی از اطلاعات حذف میشوند.
داده کاوی: بهترین مدل برای نمایش داده ها با استفاده از یک یا چند الگوریتم داده کاوی بر اساس وظیفه داده کاوی انجام میشود. این مرحله شامل بکار بردن الگوریتم داده کاوی برای تبدیل به نتایج مورد نظرمی باشد.
تفسیر و ارزیابی: در این مرحله خروجی مرحله 4 را بررسی می کنیم تا مشخص شود چه چیزی کشف شده است. تصمیم گیری در مورد اینکه مرحله با استفاده از ویژگیها و صفات جدید تکرار شود.
شکل 2-4 مدل استخراج دانش از سیستم اطلاعات بیمارستان که شامل پنج گام از جمله انتخاب مجموعه هدف،پیش پردازش داده ها،تبدیل داده ها، داده کاوی، تفسیر و ارزیابی می باشد [16].
در تحقیقی که توسط HAMUROو همکارانش بر روی پایگاه دادههای داروخانههای زنجیره ای در ژاپن انجام گرفت داده کاوی به عنوان عاملی برای بهبود سود آوری و کارایی معرفی شده است [17]. در بخش اول این تحقیق به بحث در مورد نمونه موفق داده کاوی در داروسازی پرداخته است و در بخش دوم طراحی مفهومی و نو آورانه ویژگی ها سیستم های داده کاوی در داروخانه ها را مورد بررسی قرار داده است.
در این مدل از داده کاوی برای پیش بینی فروش دارو استفاده شده و نتایج بدست آمده از داده کاوی در اختیار شرکت های پخش دارو و کارخانجات دارو سازی قرار گرفته است. در شکل 2-5 جریان عملیات در داروخانه ها را معرفی می کند که در ان ستاد مرکزی آمار و اطلاعات را از خرده فروشان دریافت می کند. و با توجه به نیاز ها و پیش بینی مصرف، داروخانه ها تقاضای دارو را به شرکت های پخش دارو می دهند و شرکتها اقدام به ارسال دارو به داروخانه ها میکند. همچنین ستاد مرکزی آمار و اطلاعات مربوط به مصرف دارو را در اختیار کارخانجات دارو سازی قرار می دهد تا با استفاده از این اطلاعات اقدام به تولید دارو کنند به بررسی تاثیرات استفاده از داده کاوی در داده های جمع اوری شده از دارو خانه ها می پردازد .
شکل 2-5 جریان عملیات در داروخانه های زنجیره ای را نشان می دهد که در ان ستاد مرکزی به عنوان واسطه بین خرده فروش و عمده فروش و کارخانجات تولید دارو قرار دارد و آمار و اطلاعات مربوط به مصرف دارو و پیش بینی مصرف دارو را در اختیار تولید کنندگان وشرکت های پخش دارو قرار می هد [17].
این تحقیق به خوبی نشان می دهد که داده کاوی می تواند بطور موثری در افزایش سود آوری مفید واقع شود. اما با توجه به اینکه در ایران داروخانه های زنجیرهایی و مدیریت متمرکز بر داروخانه وجود ندارد امکان پیاده سازی این سیستم در ایران نمیباشد.
Bereznicki و همکاران در تحقیقی از داده کاوی کمک گرفته اند تا با استفاده از سوابق مصرف دارو در داروخانه ها بیماران مبتلا به آسم که به خوبی درمان نشدهاند را شناسایی کنند [18] و سپس پیاده سازیها وارزیابیهای چند رشتهای برای بهبود درمان آسم ارائه کردهاند. این مطالعه به صورت کنترل شده از طریق چند مرکز، در 42 داروخانه در تاسمانی انجام شده است. در این داروخانه ها از نرم افزاری که دادهکاوی در اطلاعات ثبت شده مربوط به داروها را انجام می دهد استفاده شده است تا لیستی از بیمارانی که داروهای مربوط به کنترل آسم را دریافت میکنند تهیه کند.
به عبارت دیگر در این مطالعه با استفاده از داده کاوی در اطلاعات ثبت شده مرتبط با داروها به شناسایی بیمارانی که درمان مناسب دریافت نکرده اند پرداخته شده است. بدین ترتیب امکان ارجاع این بیماران به پزشک جهت بررسی بیشتر و در پی آن ارتقاء کیفیت خدمات دریافتی توسط بیماران ایجاد شده است. در این تحقیق از داده کاوی برای مسائل درمانی استفاده شده و یکی از موارد پرکاربرد داده کاوی در سیستمهای اطلاعات داروخانهها مسائل درمانی میباشد.
Asadi و همکاران [19]درتحقیقی وضعیت ﺳﻴﺴــﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧه ﺑﻴﻤﺎﺭﺳــﺘﺎﻥﻫﺎﻱ ﺁﻣﻮﺯﺷــﻲ ﻭ ﺩﺭﻣﺎﻧﻲ ﺗﺎﺑﻌﻪ ﺩﺍﻧﺸــﮕﺎﻩ ﻋﻠﻮﻡ ﭘﺰﺷﻜﻲ تهران را ﺑﺮﺭﺳﻲ کردهاند. ﺭﻭﺵ ﺑﺮﺭﺳـﻲ ﺍﻳﻦ ﭘﮋﻭﻫﺶ ﻳﻚ ﺑﺮﺭﺳــﻲ ﺗﻮﺻﻴﻔﻲ ﺑﺮ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺑﻴﻤﺎﺭﺳــﺘﺎﻥﻫﺎﻱ ﺁﻣﻮﺯﺷﻲ ﻭ ﺩﺭﻣﺎﻧﻲ ﺗﺎﺑﻌﻪ ﺩﺍﻧﺸــﮕﺎﻩ ﻋﻠﻮﻡﭘﺰﺷﻜﻲ تهران ﺩﺭﺳــﺎﻝ 1388 ﺍﺳﺖ. این پژوهش نشان می دهد ﻋﻨﺎﺻﺮ ﺍﻃﻼﻋﺎﺗﻲ ﻣﻮﺟﻮﺩ ﺩﺭ ﭘﺎﻳﮕﺎﻩ ﺍﻃﻼﻋــﺎﺕ ﺩﺍﺭﻭﻳــﻲ، ﭘﺎﻳﮕﺎﻩ ﺍﻃﻼﻋﺎﺕ ﺑﻴﻤﺎﺭ ﻭ ﭘﺎﻳﮕﺎﻩ ﺍﻃﻼﻋﺎﺕ ﺗﺠﻮﻳﺰﻛﻨﻨﺪﻩ ﺩﺍﺭﻭ ﺑــﻪ ﻃﻮﺭ ﻧﺎﻗﺺ ﺑﻪ ﺗﺮﺗﻴﺐ ﺑﻪ ﻣﻴﺰﺍﻥ 21.9 ،50.1 ﻭ33.3 ﺩﺭﺻﺪ ﺩﺭﺳﻴﺴــﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺑﻴﻤﺎﺭﺳــﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﻭﺍﺭﻳﺰ ﻣﻲﮔﺮﺩﺩ. ﻭﻇﺎﻳﻒ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ 43.9 ﺩﺭﺻﺪ ﺑﻴﻤﺎﺭﺳﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﭘﺮﺩﺍﺯﺵ ﻧﻤﻲﺷﻮد[19] .
ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ 60.7 ﺩﺭﺻﺪ ﻭ ﮔﺰﺍﺭﺵ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ 33.2 ﺩﺭﺻﺪ ﺑﻴﻤﺎﺭﺳﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﺍﻧﺠﺎﻡ ﻧﻤﻲﺷﻮﺩ. ﻧﺘﻴﺠﻪﮔﻴﺮﻱ بدست آمده از این تحقیق به این صورت بوده است که ﺑﺎﻳﺪ ﻃﺮﺍﺣﺎﻥ ﻭﺗﺤﻠﻴﻠﮕﺮﺍﻥ ﺳﻴﺴــﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺑﺎ ﻣﺸــﺎﻭﺭﻩ ﻣﺘﺨﺼﺼﻴﻦ ﻣﺮﺑﻮﻃﻪ ﺑﻪ ﺩﻗﺖ ﺑﻪ ﻃﺮﺍﺣﻲ ﺍﻳﻦ ﭘﺎﻳﮕﺎﻩﻫﺎﻱ ﺍﻃﻼﻋﺎﺕ ﺑﭙﺮﺩﺍﺯﻧﺪ. ﻭ ﺿﺮﻭﺭﻱ اﺳﺖ ﻓﺮﺍﻳﻨﺪ ﭘﺸﺘﻴﺒﺎﻧﻲ ﺍﺯ ﻓﻌﺎﻟﻴﺖ ﺩﺭﻣﺎﻧﻲ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺩﺭ ﺳﻴﺴﺘﻢ ﺍﻃﻼﻋﺎﺕ ﺩﺍﺭﻭﺧﺎﻧﻪ ﺗﻤﺎﻡ ﺑﻴﻤﺎﺭﺳﺘﺎﻥﻫﺎﻱ ﺗﺤﺖ ﻣﻄﺎﻟﻌﻪ ﺍﻧﺠﺎﻡ ﺷﻮﺩ. این تحقیق وضعیت سیستم های اطلاعات بیمارستان را بررسی میکند که داده های ذخیره شده در این سیستم تا چه اندازه دقیق هستند و به چه اندازه از این داده ها استفاده میشود. و نشان می دهد که در کشور ما بطورفراگیر اطلاعات ذخیره شده در پایگاه داده ها مورد تجزیه و تحلیل قرار نمی گیرند و سیستم های اطلاعات صرفا جهت افزایش دقت و سرعت در انجام خدمات استفاده می شوند که در صورت بکار گیری داده کاوی بر روی این سیستم ها می توانیم دانش مفید و کارآمدی را تولید کنیم.
Esfandiarya و همکارانش در یک مطالعه مروری به بررسی روشهای داده کاوی و زمینه های داده کاوی در پزشکی در بین سال های 1999 تا 2013 پرداخته اند [20] و بیان می دارند که داده کاوی در پزشکی بیشتر در 6 زمینه غربالگری،تشخیص ، درمان، پیشگیری، نظارت و مدیریت است و پنج روش داده کاوی مورد استفاده عبارتند از طبقه بندی و رگرسیون و خوشه بندی و ارتباط و ترکیبی است.در شکل2-6 اهداف بکار گیری داده کاوی در بهداشت و درمان به صورت درصد بیان شده است و بیشترین درصد مربوط به افزایش کارایی می باشد.
.
شکل 2-6 دسته بندی اهداف بکارگیری داده کاوی در بهداشت و درمان که در ان بهبود کارایی 28%، کاهش زمان معطلی 28%، سیستم های تصمیم یار 27%، استخراج دانش28% از کل اهداف بکار گیری داده گاوی در بهداشت و درمان رو شامل می شوند [20].
در شکل 2-7 روند بکار گیری داده کاوی در بهداشت و درمان را در مقایسه با داده کاوی بصورت کلی نمایش داده شده است. رشد بکارگیری داده کاوی در بین سال های 2005 تا 2010 را نشان می دهد عوامل این امر به شکل شرح زیر می باشند:
پیشرفتهای اخیردر زمینه بیوانفورماتیک
توجه بیشتر به برنامههای کاربردی دادهکاوی در میکرو آرایه و ژنتیکی است.
موفقیت داده کاوی در زمینه های دیگر مانند CRM
توسعه داده کاوی از علوم دانشگاهی مشترک ابزارهای بهره وری تحلیلی
شکل شماره 2-7 تلاش دارد تا ثابت کند که استفاده از دادهکاوی موضوعی جذاب بوده و گرایش محققان در حال افزایش است. از سوی دیگر، با مقایسه داده کاوی با داده کاوی پزشکی نشان می دهد که تمایل به استخراج اطلاعات پزشکی به سبب رشد در برنامه های کاربردی داده کاوی ، و رشد داده های پزشکی افزایش یافته است.
شکل 2-7 روند بکارگیری داده کاوی پزشکی در مقایسه با کاوی را نشان می دهد [20]
Ranjan در مطالعهای در سال 2007 به بررسی استفاده از دادهکاوی در صنعت داروسازی می پردازد[21] . وی در این مطالعه نشان میدهد که چگونه داده کاوی، الگوهای مناسب را از بین حجم زیادی از اطلاعات کشف و استخراج می کند و نیز با توجه به تغییرات سریعی که در زمینه محصولات دارویی رخ می دهد سیستم های پشتیبان تصمیم نقش مهمی را در تصمیم گیری ها ایفا می کنند و صنایع دارویی در حال گسترش برنامههای کاربردی دادهکاوی به عنوان ابزار پشتیبانی تصمیم گیری برای اتخاذ تصمیمهای استراتژیک هستند.
در این مطالعه پس از معرفی داده کاوی به ذکر تکنیکها ی دادهکاوی پرداخته می شود. این تکنیکها عبارتند از
قوانین انجمنی: در این روش قوانین وابستگی بین مجموها ها کشف می گردد و به الگوهایی که در طی فرایند داده کاوی به طور مکرر وجود دارد اشاره می گردد.
دسته بندی و پیش بینی: دسته بندی و پیش بینی دو تکنیک جهت آنالیز داده ها می باشد که جهت توصیف گروه اطلاعات استفاده می شود و دسته داده های بعدی را پیش بینی می نمایند.
خوشه بندی: در این روش اطلاعات ثبت شده ی مشابه در یک گروه قرار می گیرند. این روش معمولاً جهت معنی بخشیدن به دسته بندی ها استفاده می شود.
درجدول2-1: درک روشنی از تکنیک های اصلی داده کاوی که در شرکت های دارویی استفاده می شوند را ارائه می دهد.
جدول 1: تکنیک های مهم داده کاوی در بخش دارویی را معرفی می کند[21]
منابع داده مورد استفاده در بخش دارویی عبارتند از
داده های بالینی: (داده های بیمار، اطلاعات دارویی ، اطلاعات درمانی)
داده های اداری: (مهارت کارکنان ، مراقیت پرستاری)
اطلاعات مالی: (هزینه های درمان حقوق کارکنان)
اطلاعات سازمانی: (تجهیزات ، امکانات)

دسته بندی : پایان نامه ارشد

پاسخ دهید