ارائه کننده: فاطمه فرزانگان
استاد راهنما: دكتر محمدمهدي سپهري
استاد داور داخلي: دكتر توكتم خطيبي
استاد داور خارج از دانشگاه: دكتر عباس حبيب الهي
نماينده تحصيلات تكميلي : دكتر توكتم خطيبي 
تاریخ: 1402/11/08        
ساعت: 16:00 
مكان: اتاق 351 دانشكده فني و مهندسي

چکیده:

مدت اقامت يكي از مهم­ترين شاخص­ های ارزیابی بيمارستاني است که به عنوان شاخص زمان بهبودی بیمار و معیار سنجش عملکرد و کارایی در بیمارستان­ ها مورد استفاده قرار می ­گیرد. افزایش سریع هزینه­ های سیستم سلامت و محدودیت منابع از جمله چالش­ های مدیریتی تمام بیمارستان ­هاست. تخت­ های بیمارستانی از ضروری ­ترین منابع برای نگهداری بیماران بستری هستند و بیمارستان­ ها اغلب با کمبود آن مواجه­ اند. کنترل زمان بستری و کاهش مدت اقامت غیرضروری بیماران می ­تواند سبب کاهش هزینه­ ها و استفاده کارآمد از منابع موجود شود. همچنین با توجه به اینکه مدت اقامت برای اندازه ­گیری مصرف منابع در بیمارستان­ ها استفاده می­­شود، پیش ­بینی این مدت و آگاهی از عوامل مرتبط با آن در برنامه­ ریزی مدیریت و استفاده بهینه از منابع محدود در دسترس مفید خواهد بود.
هدف از این پژوهش، شناسایی عوامل مؤثر بر مدت اقامت و طراحی مدل پیش ­بینی مدت اقامت بیمار در بیمارستان کودکان با استفاده از تکنیک­ های واکاوش داده و یادگیری ماشین است. داده ­های پژوهش از بیمارستان فوق­ تخصصی کودکان طالقانی گرگان و بیماران بستری مبتلا به بیماری ­های پنومونی، گاستروانتریت و تشنج در بازه زمانی فروردین تا اسفند 1401 جمع ­آوری شده است. پس از بررسی متغیرهای قابل استخراج از سیستم اطلاعات بیمارستانی و حذف پرونده ­های تکراری و نامرتبط، یک مجموعه داده با 2360 سطر و 30 ستون به دست آمد. با انجام آزمون­ های آماری مرتبط و استفاده از روش ­های انتخاب ویژگی، متغیرهای مؤثر بر مدت اقامت، شناسایی شده و پیشنهادهای اجرایی به منظور کاهش اقامت غیرضروری و جلوگیری از طولانی شدن مدت بستری به مدیریت بیمارستان ارائه گردیده است.
در ادامه از این متغیرها برای ساخت مدل­ های پیش ­بینی مدت اقامت استفاده و در نهایت با مقایسه مدل­ ها و نتایج حاصله بر مبنای معیارهای ارزیابی و اعتبارسنجی، مدل CatBoost به عنوان بهترین مدل در تخمین و دسته­ بندی مدت اقامت انتخاب شد. این مدل با 4.3% خطا بر اساس معیار میانگین مربعات خطا و 12% خطا بر اساس معیار میانگین قدر مطلق خطا، مدت اقامت را پیش ­بینی نموده و همچنین به صحت 97.2% در دسته ­بندی مدت اقامت دست یافته است. در نهایت نموداری جهت سنجش ریسک اقامت بیماران طراحی شده که می­ تواند یک پیش ­بینی زود هنگام از طول اقامت ارائه و به پزشکان در شناسایی بیمارانی که در معرض طولانی شدن مدت اقامت هستند، کمک کند و مدیران و سیاست گذاران را در برنامه ­ریزی مصرف منابع یاری نماید.