1-3- داده کاوی.. 3

 

 

1-3-1- داده کاوی چیست؟. 3

 

 

1-3-2- تكنیك های مختلف داده كاوی.. 4

 

 

1-3-2-1-انواع تکنیک داده کاوی. 5

 

 

1-4- بیان مسئله. 6

 

 

1-5- اهداف تحقیق.. 8

 

 

1-6- سوالات وفرضیات تحقیق.. 9

 

 

1-6-1- سوالات.. 9

 

 

1-6-2- فرضیات تحقیق.. 9

 

 

1-7- فصول پایان نامه. 9

 

 

فصل 2- پیشینه پژوهشی… 12

 

 

2-1- جمع بندی.. 24

 

 

فصل 3- مروری بر ادبیات تحقیق و مبانی نظری… 26

 

 

3-1- سیستم های اطلاعات بیمارستان.. 26

 

 

3-2- تعریف و مفهوم سیستم اطلاعات بیمارستانی.. 28

 

 

3-2-1– اهداف سیستم اطلاعات بیمارستانی.. 29

 

 

3-2-2- اهمیت و ضرورت راه‌اندازی سیستم اطلاعات بیمارستانی.. 30

 

 

3-2-3- مزایایی سیستم اطلاعات بیمارستانی.. 31

 

 

3-3- داده کاوی.. 32

 

 

3-4- مراحل داده کاوی.. 33

 

 

3-4-1- پیش پردازش داده ها 35

 

 

3-4-2- پاکسازی داده ها 35

 

 

3-4-3-یکپارچه سازی داده ها 36

 

 

3-4-4- تبدیل دادهها 36

 

 

3-4-5- تلخیص داده ها 37

 

 

3-5- وظایف داده کاوی.. 37

 

 

3-5-1- دسته بندی.. 38

 

 

3-5-2- تخمین.. 39

 

 

3-5-3- پیش بینی.. 39

 

 

3-5-4- گروه بندی شباهت یا قوانین وابستگی.. 40

 

 

3-5-5- خوشه بندی.. 40

 

 

3-5-6- نمایه سازی.. 41

 

 

3-6- كاربرد های داده كاوی.. 41

 

 

3-7- رویکردهای مسائل داده کاوی در پزشکی.. 42

 

 

3-8- مدلها و الگوریتمهای داده کاوی.. 43

 

 

 

3-8-1- شبکه های عصبی مصنوعی.. 43

 

 

3-8-1-1-ساختار شبکه عصبی… 44

 

 

3-8-1-2-معماری شبکه عصبی… 45

 

 

3-8-1-3-آموزش شبکه های عصبی مصنوعی… 46

 

 

3-8-1-4-انواع یادگیری در شبکه های عصبی مصنوعی… 47

 

 

3-8-2- درخت های انتخاب.. 47

 

 

3-8-3- Bagging & Boosting. 48

 

 

3-8-3-1-Bagging.. 55

 

 

3-8-1-1-Boosting.. 44

 

 

3-8-1-1-الگوریتم های Boosting.. 44

 

 

3-8-4- Adaptive Boosting(Adaboost) 50

 

 

3-8-5- رگرسیون بردار پشتیبان. 51

 

 

3-8-6- رگرسیون خطی.. 52

 

 

نرم افزارهای داده کاوی.. 54

 

 

55

 

 

.. 56

 

 

…. 58

 

 

. 58

 

 

.. 59

 

 

60

 

 

60

 

 

… 67

 

 

… 44

 

 

… 69

 

 

. 63

 

 

. 64

 

 

. 64

 

 

. 67

 

 

. 69

 

 

70

 

 

72

 

 

.. 72

 

 

.. 74

 

 

… 76

 

 

.. 76

 

 

.. 77

 

 

.. 83

 

 

.. 93

 

 

. 95

 

 

 

 

 

 

 

 

فهرست جداول

 

 

 

 

 

 عنوان                                                                                         صفحه

 

 

 

 

 

جدول 2- 1تکنیک های مهم داده کاوی در بخش دارویی[21] 21

 

 

جدول 4- 1 ماتریس داده بصورت ماههای متوالی60

 

 

جدول 4- 2 ماتریس داده  بصورت ماههای یکسان61

 

 

جدول 4- 3  ماتریس داده بصورت فصول متوالی2

 

 

جدول 5- 1 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 77

 

 

جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin81

 

 

جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol82

 

 

جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 82

 

 

جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin 85

 

 

جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol86

 

 

جدول 5-  7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine 91

 

 

جدول 5 – 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol 93

 

 

 

 

 

 

 

 

 

 

 

فهرست شکل ها و نمودارها

 

 

 

 

 

عنوان                                                                                   صفحه

 

 

شکل 2- 1 مدل پیش بینی با شبکه عصبی[4]12

 

 

شکل 2- 2  شبکه عصبی [14] BP 12

 

 

شکل 2- 3 مدل بهینه سازی خرید دارو[15]14

 

 

شکل 2- 4 مدل استخراج دانش [26] 16

 

 

شکل 2- 5 جریان عملیات در داروخانه[17]  17

 

 

شکل 2- 6  دسته بندی اهدا بکارگیری داده کاوی[15]19

 

 

شکل 2- 7 روند بکارگیری داده کاوی در پزشکی[20]20

 

 

شکل3- 1   مراحل داده کاوی[40]32

 

 

شکل3- 2 ساختار شبکه عصبی[47]43

 

 

شکل3- 3  مثالی از درخت تصمیم[41]55

 

 

شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان55

 

 

شکل 4- 1 دیاگرام چاچوب تحقیق58

 

 

شکل4- 2 پارامترهای مورد استفاده در SVM64

 

 

شکل4- 3  گزارش تهیه شده با کریستال ریپورت70

 

 

شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت71

 

 

شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R78

 

 

شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR78

 

 

شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE79

 

 

شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR80

 

 

شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR80

 

 

شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE83

 

 

شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR83

 

 

شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR84

 

 

شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R84

 

 

شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR85

 

 

شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R86

 

 

شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR87

 

 

شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR87

 

 

شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR88

 

 

شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R89

 

 

شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN90

 

 

شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR90

 

 

شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR92

 

 

شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE93

 

 

شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR94

 

 

شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE94

 

 

 

 

 

1-1- فناوری اطلاعات در بهداشت و درمان

 

 

در سال­های اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستم­های اطلاعاتی خود برآمده­اند. در ابتدا مقصود از چنین فعالیت­هایی کاهش هزینه­های ناشی ازکاغذ بازی­ موجود در سیستم­های دستی و اداری بوده است، اما اکنون به مرحله ای رسیده­ایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون می­یابد و در این راستا بکار­گیری سیستم های اطلاعات بیمارستان­ها بسیار مرسوم شده است.

 

 

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب­ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواست­ها كه در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از داده­های موجود در این سیستم­ها در جهت پشتیبانی از تصمیم و مدیریت  و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست  .[2] داده‌کاوی یکی از ده دانش در حال توسعه است و در سال‌های اخیر در دنیا گسترش فوق‌العاده سریعی داشته است. داده‌کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه‌های تخصصی با توصیف، تشریح، پیش‌بینی و کنترل پدیده‌های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه‌های مختلفی ازجمله پزشکی و تجارت دارد [3].

 

 

1-2- داروخانه های بیمارستانی

 

 

افزایش هزینه‌های بیمارستانی در سال‌های اخیر و نیز اجرای طرح خودگردانی و اداره‌ی بیمارستان‌ها به وسیله‌ی درآمد اختصاصی آنها، بیمارستان‌ها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخش­های مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش  بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماری­های بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیک­های داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.

 

 

لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.

 

 

1-3- داده کاوی

 

 

1-3-1- داده کاوی چیست؟

 

 

داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود.[5] کشف دانش و داده کاوی امروزه یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید و استفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها که با حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافته است [6]. شناسایی مشکالت کاوش و یا برآورد وابستگی­ها از داده ها یا کلاً کاوش داده های جدید تنها قسمتی ازشیوه­های تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی است که روش­های استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روش­های تجربی معمول با مسائل داده کاوی می­توان به مراحل بیان مسأله و فرموله کردن فرضیه، جمع آوری داده­ها، پیش پردازش داده­ها شامل آشکارسازی و حذف داده­های غیر عادی و مقیاس بندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].

 

 

1-3-2- تكنیك های مختلف داده كاوی

 

 

تكنیك­های مختلف داده كاوی را می­توان بر اساس نوع عملیاتی كه انجام می­دهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیك­های پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیك­های تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند [8].در بین این الگوریتم­ها و مدل­ها، بهترین وجود ندارد و با توجه به داده­ها و کارایی مورد نظر باید مدل انتخاب گردد.

 

 

 

 

 

1-3-2-1-انواع تکنیک داده کاوی [9]

 

 

قواعد انجمنی [1]: قوانین انجمنی در دسته تکنیک های تشریح کننده قرار می گیرد و به پیدا كردن وابستگی­ها و همبستگی­های موجود در بین داده ها، یافتن الگوهایی كه غالبا در بین داده­ها وجود دارند و همچنین پیدا كردن یك سری ساختار سببی در بین آیتم­ها و اشیای موجود در پایگاه داده­های تعاملی و رابطه­ای اشاره كرد.

 

 

 

 

 

پیش بینی : دراین روش هدف، پیش بینی یک متغیر پیوسته می باشد. مانند پیش بینی نرخ ارز یا هزینه های درمانی. اینجا ﻣﻘـﺎﺩﻳﺮ ﻣﻤﻜـﻦ ﺑـﺮﺍﻱ ﻣﺘﻐﻴﺮﻫﺎﻱ ﻧﺎﻣﻌﻠﻮﻡ ﭘﻴﺶ ﺑﻴﻨﻲ ﻣﻲ ﺷﻮﻧﺪ. ﺩﺭ پیش­ بینی ﺍﺑﺘﺪﺍ ﺩﺍﺩﻩ ﻫﺎﻳﻲ ﻛﻪ ﺑﻪ ﻣﺘﻐﻴﺮ ﻧـﺎﻣﻌﻠﻮﻡ ﻣﺮﺑـﻮﻁ ﻫﺴﺘﻨﺪ ﺑﻮﺳﻴﻠﻪ ﻱ ﺑﺮﺧﻲ ﺗﺤﻠﻴﻞ ﻫﺎﻱ ﺁﻣﺎﺭﻱ ﭘﻴﺪﺍ ﻣﻲ ﺷﻮﻧﺪ. ﺳـﭙﺲ ﺍﺯ ﺑﺮﺧـﻲ ﺭﻭﺵ ﻫـﺎﻱ ﻫﻮﺷـﻤﻨﺪ ﻣﺎﻧﻨﺪ ﺷﺒﻜﻪ ﻫﺎﻱ ﻋﺼﺒﻲ ﻭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﮊﻧﺘﻴﻚ ﺑﺮﺍﻱ ﺍﻧﺠﺎﻡ ﭘﻴش بینی ﺍﺳﺘﻔﺎﺩﻩ ﻣﻲ ﺷﻮﺩ.

 

 

 

 

 

رده بندی یا طبقه بندی[3] : فرآیندی برای پیدا کردن مدلی است که رده های موجود در داده‌ها را تعریف می نماید و متمایز می کند، با این هدف که بتوان از این مدل برای پیش بینی رده رکوردهایی که برچسب رده آنها (متغیر هدف) ناشناخته می باشد، استفاده نمود. در رده بندی بر خلاف پیش بینی، هدف پیش بینی مقدار یک متغیر گسسته است. روش های مورد استفاده در پیش بینی و رده بندی عموما یکسان هستند. و در دسته تکنیک های پیش بینی کننده قرار می گیرند.

 

 

 

 

 

خوشه بندی[4]  : گروه بندی مجموعه ای از اعضاء، رکوردها یا اشیاء به نحوی که اعضای موجود در یک خوشه بیشترین شباهت را به یکدیگر  و کمترین شباهت را به اعضای خوشه های دیگر داشته باشند.

 

 

در این پایان نامه جهت پیش بینی مصرف دارو از تکنیک های  پیش بینی استفاده می شود و با بررسی الگوریتم­های مختلف این تکنیک تلاش می شود مدلی مناسب جهت پیش بینی مصرف  دارو در داروخانه­های بیمارستان­های ایران معرفی گردد. همچنین از داده‌های واقعی بیمارستان پاستور شهر تاریخی بم که در پایگاه داده SQL SERVER سیستم اطلاعات بیمارستان با حجمی در حدود GB220  و در مدت 5 سال ذخیره شده­اند جهت استفاده در مدل‌ها و تکینیک های داده‌کاوی استفاده خواهد شد.

 

 

1-4- بیان مسئله

 

 

در حال حاضر بیمارستان های دولتی کشور ما از کمبود منابع مالی ونقدینگی بشدت رنج می برند. یکی از بخش های تاثیر گذار بر وضعیت مالی بیمارستان ها داروخانه  می باشد که در صورت افزایش سود­آوری این بخش می توان به نحوی به وضعیت مالی بیمارستان ها کمک کرد

 

 

 

 

 

در ادامه به اختصار به گزیده هایی از اعتراف برخی از روسای بیمارستا­ن­های بزرگ کشور توجه کنیم:

 

 

 

• بیمارستان‌های دولتی در صورت عدم رسیدگی تعطیل خواهند شد .[10]

 

 

• در بیمارستان‌های دولتی معضل اصلی این است که هزینه و درآمد با هم انطباق ندارد[11].

 

 

• مشکلات بیمارستان به قدری زیاد است که معمولا پولی برای دارو باقی نمی ماند.[12]

 

 

 

 

 

مشکلات خرید و ویژگی­های دارو که با توجه به بررسی های انجام شده در داروخانه بیمارستان­ها می­توان به آنها شاره کرد.