ارایه یک چارچوب ترکیبی مبتنی بر تحلیل همبستگی و الگوریتم ژنتیک برای پیش‌بینی مصرف دارو در بخش اورژانس با در نظرگیری عوامل هواشناسی و تقویمی
چکیده
هدف: بخش اورژانس بیمارستان به‌دلیل حساسیت بالا، نیازمند مدیریت دقیق داروها و منابع است. هدف این پژوهش، توسعه یک چارچوب هوشمند برای شناسایی عوامل هواشناسی و تقویمی موثر بر پیش‌بینی مصرف داروها در اورژانس و بهینه‌سازی تخصیص منابع دارویی است.
روش‌شناسی پژوهش: برای دستیابی به این هدف، از ترکیب تحلیل همبستگی و الگوریتم‌های فراابتکاری جهت انتخاب ویژگی‌های موثر استفاده شده است. در این چارچوب، ابتدا با تحلیل داده‌های واقعی مربوط به مصرف دارو در طول یک سال، ماتریس همبستگی میان متغیرها محاسبه و ویژگی‌های کم‌اهمیت حذف شدند. سپس مدل‌های پیش‌بینی بر اساس متغیرهای منتخب شامل شرایط جوی، روزهای هفته و تعطیلات آموزش داده شدند تا دقت پیش‌بینی به حداکثر برسد.
یافته‌ها: نتایج نشان داد که با حذف متغیرهای غیرموثر و تمرکز بر فاکتورهای کلیدی، دقت مدل‌های پیش‌بینی به‌طور معناداری افزایش یافت. چارچوب پیشنهادی توانست الگوهای مصرف دارو را در پاسخ به شرایط محیطی و زمانی با دقت بالا شناسایی کرده و زمینه‌ساز تصمیم‌گیری بهینه برای تخصیص منابع شود.
اصالت/ارزش افزوده علمی: نوآوری اصلی پژوهش، طراحی یک چارچوب مبتنی بر FS و به‌کارگیری الگوریتم‌های فراابتکاری در ترکیب با تحلیل همبستگی برای پیش‌بینی تقاضای دارو در بخش اورژانس است. برخلاف مطالعات پیشین که تنها بر چند داروی خاص تمرکز داشتند، این تحقیق رویکردی جامع بر اساس کل داده‌های مصرف سالانه اتخاذ کرده و از منظر روش‌شناسی و کاربردی، دارای ارزش افزوده بالایی است.
کلمات کلیدی:
پیش‌بینی تقاضای دارو، تحلیل همبستگی، انتخاب ویژگی، الگوریتم‌های فراابتکاریمراجع
- [1] Rahnamae Rudposhti, F., Nikomaram, H., Shahvardiani, S. (2019). Strategic financial management (Value creation) based on risk management. Hakim Bashi Publications. (In Persian). https://b2n.ir/pf1519
- [2] Chandrashekar, G., & Sahin, F. (2014). A survey on feature selection methods. Computers & electrical engineering, 40(1), 16–28. https://doi.org/10.1016/j.compeleceng.2013.11.024
- [3] Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. Science, 313(5786), 504–507. https://doi.org/10.1126/science.1127647
- [4] Aali, M., Kargarbideh, M. J., & Aali, L. (2016). Optimization of drug purchasing using data mining techniques. case study: Shahid sadoughi hospital, yazd. The second conference on computer and network technology vision in 2030. (In Persian). Yazd, Iran. Civilica. https://civilica.com/doc/654981/
- [5] Mohammadzadeh, M., Rasuli, P., & G. T. (2017). Trend analysis and future market forecasting of cardiovascular drugs in Iran. Research in medicine, 41(2), 120-129. (In Persian). https://pejouhesh.sbmu.ac.ir/article-1-1620-fa.html
- [6] Khadem Ghasemi, M., & Rezaei, M. M. (2018). Studying the effect of weather on the use of anti-inflammatory and anti-allergic drugs; case study: Cetirizine and dexamethasone. The second national conference on meteorology and hydrology of Iran. (In Persian). Khorasan Razavi, Iran. Civilica. https://civilica.com/doc/780982/
- [7] Biglarkhani, A., Abbasi, R., & Sanaei, M. (2023). Medicine consumption forecasting in hospitals using long short-term memory model. Hospital, 21(4), 22-35. (In Persian). https://jhosp.tums.ac.ir/browse.php?a_id=6568&sid=1&slc_lang=fa
- [8] Jiang, S., Chin, K.-S., Wang, L., Qu, G., & Tsui, K. L. (2017). Modified genetic algorithm-based feature selection combined with pre-trained deep neural network for demand forecasting in outpatient department. Expert systems with applications, 82, 216–230. https://doi.org/10.1016/j.eswa.2017.04.017
- [9] Hussein, B. R., Kasem, A., Omar, S., & Siau, N. Z. (2018). A data mining approach for inventory forecasting: A case study of a medical store. International conference on computational intelligence in information system (pp. 178–188). Springer. https://doi.org/10.1007/978-3-030-03302-6_16
- [10] Permanasari, A. E., Fitriana, I., & Fauziati, S. (2018). Predicting the amount of digestive enzymes medicine usage with LSTM. International journal on advanced science, engineering and information technology, 8(5), 1845–1849. https://ijaseit.insightsociety.org/index.php/ijaseit/article/view/6511
- [11] Kim, J. H., Hong, J., Jung, J., & Im, J. S. (2020). Effect of meteorological factors and air pollutants on out-of-hospital cardiac arrests: a time series analysis. Heart, 106(16), 1218–1227. https://doi.org/10.1136/heartjnl-2019-316452
- [12] Ryu, B., Yoo, S., Kim, S., & Choi, J. (2021). Thirty-day hospital readmission prediction model based on common data model with weather and air quality data. Scientific reports, 11(1), 23313. https://doi.org/10.1038/s41598-021-02395-9
- [13] Zhang, Y., Zhang, J., Tao, M., Shu, J., & Zhu, D. (2022). Forecasting patient arrivals at emergency department using calendar and meteorological information. Applied intelligence, 52(10), 11232–11243. https://doi.org/10.1007/s10489-021-03085-9
دانلود
چاپ شده
شماره
نوع مقاله
ارجاع به مقاله
شماره 1