برازش مدل های هوش مصنوعی و آمار کلاسیک سری زمانی جهت پیش بینی تعداد بیماران بستری بیمارستان ها

مطالعه و تجزیه وتحلیل هر سیستم بهداشتی و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان به شمار می آید. در این میان، مدیریت و تجزیه وتحلیل تعداد بیماران یک عامل مهم و تعیین کننده در بهبود تصمیمات مدیران این حوزه است. هدف از این پژوهش، مطالعه و بررسی روش های پیش بینی مبتنی بر سری های زمانی جهت پیش بینی ماهیانه تعداد بیماران بستری و مقایسه صحت عملکرد این روش ها می باشد.
در این مطالعه مقطعی مدل سازی بر اساس داده های ماهیانه تعداد بیماران بستری 6 بیمارستان دولتی شهر مشهد از فروردین 1383 تا فروردین 1395 انجام گرفت که از پایگاه داده اداره آمار دانشگاه علوم پزشکی مشهد استخراج شد. جهت پیش بینی تعداد بیماران بستری سه ماهه نخست سال 1395 هر یک از بیمارستان ها، از تکنیک های پیش بینی Holt-Winters، SARIMA،MLP و GRNN استفاده گردید. برای هر مدل، خطای مقادیر پیش بینی شده توسط معیار میانگین قدرمطلق درصد خطا (MAPE) گزارش شد.
روش Holt-Winters با ارائه بهترین نتایج پیش بینی برای 4 بیمارستان می تواند روش کارآمدی برای پیش بینی تعداد بیماران بیمارستان ها باشد. در مجموع، مدل های پیش بینی مورد بررسی در این مطالعه با ارائه معیار صحت MAPE در بازه 2/13 درصد تا 4/12 درصد، عملکرد قابل قبولی برای هر 6 بیمارستان داشته اند.
در این مطالعه نشان داده شد که تجزیه وتحلیل سری های زمانی ابزاری مناسب و کاربردی برای پیش بینی تعداد بیماران بستری بیمارستان های مورد مطالعه می باشد. با توجه به ویژگی های منحصربه فرد بیمارستان های مختلف، فرایندهای ذکرشده در این پژوهش شامل مدل سازی و تجزیه وتحلیل داده ها را می توان در دیگر بیمارستان ها جهت بهبود تخصیص منابع و برنامه ریزی های استراتژیک مورد استفاده قرار داد.