پیش بینی میزان مصرف دارو در بیمارستان ها با استفاده از مدل شبکه حافظه طولانی کوتاه مدت
در سال های اخیر، مدیریت زنجیره تامین دارو، به ویژه پس از همه گیری بیماری کووید-19 اهمیت بیشتری پیدا کرده است. در این مدت یکی از چالش های مهم مساله کنترل هزینه زنجیره تامین است. اگر موجودی دارو در بیمارستان ها به درستی مدیریت نشود، مشکلاتی مانند کمبود موجودی برخی داروهای حیاتی، تامین موجودی مازاد، افزایش هزینه ها و درنهایت نارضایتی بیماران را به دنبال خواهد داشت.
در این پژوهش سعی شده است تا با استفاده از الگوریتم های یادگیری عمیق، نیازهای دارویی بیمارستان های کشور را پیش بینی و مدیریت کنیم. داده های مصرف دارویی ده سال بیمارستان عمومی بعثت همدان از پایگاه داده های سامانه مدیریت بیمارستان استخراج شده است. به عنوان یک مطالعه موردی، عملکرد مدل پیشنهادی برای پیش بینی میزان مصرف سفازولین ارزیابی شده است. این مدل شامل یک شبکه حافظه طولانی کوتاه مدت می باشد که می تواند پیشینه تغییرات داده ها را در کاربردهای پیش بینی سری های زمانی تشخیص دهد. مدل پیشنهادی با وجود تعداد زیادی پارامترهای تطبیق پذیر در شبکه های عصبی عمیق عملکرد خوبی را برای غلبه بر پیچیدگی های مسیله یادگیری به ارمغان می آورد.
استفاده از رویکرد یادگیری عمیق پیشنهادی با کاهش اثرات پیچیدگی و عدم قطعیت در داده های پزشکی، استحکام الگوریتم را افزایش داده است. میانگین خطای پیش بینی با به کارگیری روش پیشنهادی 043/0 و مقادیر اندازه گیری شده برای RMSE، MAE و R2 به ترتیب برابر با 335/0، 260/0 و 851/0 است.
مقایسات جامعی بین برخی از سایر روش های پیش بینی و مدل پیشنهادی انجام شده است، که عملکرد بهتر مدل پیشنهادی را نشان می دهد. علاوه براین، نتایج ارزیابی دقت و کارایی قابل قبول رویکرد پیشنهادی را به خوبی نشان می دهد.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.