| تاریخ ارسال: 1402/6/18 |
دانشجو: آقای محمدرضا انصافی
استاد راهنما: دکتر اشکان مزدگیر
استاد راهنما: دکتر نسیم غنبرطهرانی
زمان: شنبه ۱۸ شهریور ماه ۱۴۰۲ ساعت: ۰۸:۰۰
مکان: کرج دانشکده فنی و مهندسی
استاد راهنما: دکتر اشکان مزدگیر
استاد راهنما: دکتر نسیم غنبرطهرانی
زمان: شنبه ۱۸ شهریور ماه ۱۴۰۲ ساعت: ۰۸:۰۰
مکان: کرج دانشکده فنی و مهندسی
چکیده
عدم حضور بیماران در مراکز درمانی یکی از چالش‌های مهم فعالان حوزه سلامت است که بر کارایی عملیاتی و تخصیص منابع هر مرکز تأثیر می‌گذارد. در این پژوهش، رویکرد‌های یادگیری ماشین جهت پیش‌بینی عدم حضور بیمار در مراکز درمانی با تمرکز بر حل مشکل نامتوازن بودن ذاتی مجموعه داده‌های مربوط به سلامت پیشنهاد شده است.
روش توسعه داده شده در این پایان‌نامه، ارائه چارچوبی شامل پیش‌پردازشی کامل و دقیق داده‌ها، استفاده از روش حذف بازگشتی ویژگی برای انتخاب ویژگی‌ها و تکنیک‌های استخراج ویژگی جدید برای افزایش قابلیت‌های پیش‌بینی مدل‌ها است. برای مقابله با مسئله عدم توازن داده‌ها، از تکنیک نمونه‌برداری بیش از حد اقلیت مصنوعی استفاده شده است و مدل‌ها با استفاده از اعتبارسنجی متقاطع طبقه‌بندی شده ارزیابی شده‌اند.
نتایج به‌دست‌آمده از این چارچوب بر اثربخشی به‌کارگیری طیف متنوعی از الگوریتم‌ها، از جمله XGBoost، LightGBM، CatBoost، Gradient Boosting، شبکه عصبی مصنوعی، درخت تصمیم و جنگل تصادفی تأکید می‌کند. شایان به‌ذکر است، مدل ارائه شده((Stacking که پیش‌بینی‌های این الگوریتم‌ها را ترکیب می‌کند، توانست به امتیاز ناحیه‌ی زیر منحنی مشخصه‌ی عملکرد برابر با ۹۱ درصد برسد. این رویکرد از نقاط قوت فردی هر الگوریتم استفاده می‌کند تا نتایج دقیق‌تری به‌دست آورد. علاوه براین، مدل ارائه شده از نظر معیارهای امتیاز ناحیه‌ی زیر منحنی مشخصه‌ی عملکرد، دقت، صحت و خاصیت، بهتر از سایر مدل‌ها عمل کرد. همچنین، مدل درخت تصمیم از منظر معیار بازیابی نسبت به سایر مدل‌ها عملکرد بهتری را ثبت کرد.
در این پژوهش همچنین متغیرهای مهم برای پیش‌بینی الگوهای حضور و یا غیبت بیماران مانند سن، فاصله زمانی بین برنامه‌ریزی قرار ملاقات و قرار واقعی، کمک مالی دولتی، روز هفته‌ی قرار ملاقات، مصرف الکل، دریافت پیامک از مرکز درمانی، سابقه ملاقات قبلی بیمار، و دفعات عدم حضور گذشته شناسایی شدند. این متغیرها درک ارزشمند و عمیقی را در مورد رفتار گذشته بیماران و تأثیر آن بر الگوهای حضور و غیاب ارائه می‌دهند.
در نتیجه، مطالعه ما یک چارچوب یادگیری ماشین برای پیش‌بینی عدم حضور بیماران در کلینیک‌های سرپایی ارائه می‌کند که به طور مؤثر به چالش عدم توازن داده و دستیابی به عملکردی قابل‌توجه در پیش‌بینی می‌پردازد. بینش به‌دست آمده از این تحقیق می‌تواند به مؤسسات مراقبت‌های بهداشتی و درمانی در بهینه‌سازی تخصیص منابع، کاهش هزینه‌ها و بهبود کارایی عملیاتی کمک کند. در آینده، محققان می‌توانند تحقیقات بیشتری را برای کشف تکنیک‌های مدل‌سازی پیشرفته‌تر و ترکیب طیف وسیع‌تری از منابع داده انجام دهند که در نهایت منجر به بهبود حضور بیماران و افزایش کیفیت خدمات مراقبت‌های بهداشتی شود.
کلید واژه‌ها: پیش‌بینی عدم حضور بیمار، سیستم‌های سلامت، یادگیری ماشین، روش‌های یادگیری جمعی
روش توسعه داده شده در این پایان‌نامه، ارائه چارچوبی شامل پیش‌پردازشی کامل و دقیق داده‌ها، استفاده از روش حذف بازگشتی ویژگی برای انتخاب ویژگی‌ها و تکنیک‌های استخراج ویژگی جدید برای افزایش قابلیت‌های پیش‌بینی مدل‌ها است. برای مقابله با مسئله عدم توازن داده‌ها، از تکنیک نمونه‌برداری بیش از حد اقلیت مصنوعی استفاده شده است و مدل‌ها با استفاده از اعتبارسنجی متقاطع طبقه‌بندی شده ارزیابی شده‌اند.
نتایج به‌دست‌آمده از این چارچوب بر اثربخشی به‌کارگیری طیف متنوعی از الگوریتم‌ها، از جمله XGBoost، LightGBM، CatBoost، Gradient Boosting، شبکه عصبی مصنوعی، درخت تصمیم و جنگل تصادفی تأکید می‌کند. شایان به‌ذکر است، مدل ارائه شده((Stacking که پیش‌بینی‌های این الگوریتم‌ها را ترکیب می‌کند، توانست به امتیاز ناحیه‌ی زیر منحنی مشخصه‌ی عملکرد برابر با ۹۱ درصد برسد. این رویکرد از نقاط قوت فردی هر الگوریتم استفاده می‌کند تا نتایج دقیق‌تری به‌دست آورد. علاوه براین، مدل ارائه شده از نظر معیارهای امتیاز ناحیه‌ی زیر منحنی مشخصه‌ی عملکرد، دقت، صحت و خاصیت، بهتر از سایر مدل‌ها عمل کرد. همچنین، مدل درخت تصمیم از منظر معیار بازیابی نسبت به سایر مدل‌ها عملکرد بهتری را ثبت کرد.
در این پژوهش همچنین متغیرهای مهم برای پیش‌بینی الگوهای حضور و یا غیبت بیماران مانند سن، فاصله زمانی بین برنامه‌ریزی قرار ملاقات و قرار واقعی، کمک مالی دولتی، روز هفته‌ی قرار ملاقات، مصرف الکل، دریافت پیامک از مرکز درمانی، سابقه ملاقات قبلی بیمار، و دفعات عدم حضور گذشته شناسایی شدند. این متغیرها درک ارزشمند و عمیقی را در مورد رفتار گذشته بیماران و تأثیر آن بر الگوهای حضور و غیاب ارائه می‌دهند.
در نتیجه، مطالعه ما یک چارچوب یادگیری ماشین برای پیش‌بینی عدم حضور بیماران در کلینیک‌های سرپایی ارائه می‌کند که به طور مؤثر به چالش عدم توازن داده و دستیابی به عملکردی قابل‌توجه در پیش‌بینی می‌پردازد. بینش به‌دست آمده از این تحقیق می‌تواند به مؤسسات مراقبت‌های بهداشتی و درمانی در بهینه‌سازی تخصیص منابع، کاهش هزینه‌ها و بهبود کارایی عملیاتی کمک کند. در آینده، محققان می‌توانند تحقیقات بیشتری را برای کشف تکنیک‌های مدل‌سازی پیشرفته‌تر و ترکیب طیف وسیع‌تری از منابع داده انجام دهند که در نهایت منجر به بهبود حضور بیماران و افزایش کیفیت خدمات مراقبت‌های بهداشتی شود.
کلید واژه‌ها: پیش‌بینی عدم حضور بیمار، سیستم‌های سلامت، یادگیری ماشین، روش‌های یادگیری جمعی
مطالب مشابه
دفعات مشاهده: 554 بار |
دفعات چاپ: 101 بار |
دفعات ارسال به دیگران: 0 بار |
0 نظر