جستجو در سایت :   

دانلود متن کامل پایان نامه مقطع کارشناسی ارشد رشته مهندسی فناوری اطلاعات

گرایش : تجارت الکترونیک

عنوان : بهینه سازی خرید دارو با بهره گیری از داده کاوی

دانشگاه شیراز

دانشکده آموزش­های الکترونیکی

 

پایان ‌نامه کارشناسی ارشد در رشته مهندسی فناوری اطلاعات

(تجارت الکترونیک)

بهینه سازی خرید دارو با بهره گیری از داده­کاوی

 

استاد راهنما:

دکتر رضا بوستانی

 

بهمن ۱۳۹3

 

برای رعایت حریم خصوصی نام نگارنده پایان نامه درج نمی گردد

(در فایل دانلودی نام نویسنده موجود می باشد)

تکه هایی از متن پایان نامه به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

چکیده

بهینه سازی خرید دارو با بهره گیری از داده کاوی

 

 

توسعه­ی بهره گیری از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می گردد تا حجم زیادی از داده­های مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیری­ها  و فرایند­های مدیریتی را بهبود بخشید. در این پایان نامه کوشش شده می باشد ضمن مطالعه الگوریتم­های مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانه­های بیمارستان­ها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده می باشد. برای پیش بینی مصرف دارو عملکرد مدل­های MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد مطالعه قرار می گیرد. دقت پیش بینی بر اساس معیارها  MSE ,RMSE ,MAE وR2 ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE  در روش های مختلف بهتر از سایر مدل ها بوده می باشد.

 

واژگان کلیدی : سیستم های اطلاعات بیمارستان، پیش بینی، خرید دارو، داروخانه

 

 

فهرست مطالب

 

عنوان                                                                                                 صفحه

فصل 1- مقدمه.. 2

1-1- فناوری اطلاعات در بهداشت و درمان.. 2

1-2- داروخانه های بیمارستانی.. 3

1-3- داده کاوی.. 3

1-3-1- داده کاوی چیست؟. 3

1-3-2- تکنیک های مختلف داده کاوی.. 4

1-3-2-1-انواع تکنیک داده کاوی. 5

1-4- اظهار مسئله. 6

1-5- اهداف پژوهش.. 8

1-6- سوالات وفرضیات پژوهش.. 9

1-6-1- سوالات.. 9

1-6-2- فرضیات پژوهش.. 9

1-7- فصول پایان نامه. 9

فصل 2- پیشینه پژوهشی… 12

2-1- جمع بندی.. 24

فصل 3- مروری بر ادبیات پژوهش 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- کاربرد های داده کاوی.. 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

3-10- فرایند خرید دارو 55

3-11- جمع بندی.. 56

فصل 4- روش انجام پژوهش…. 58

4-1- مقدمه. 58

4-2- الگوریتم پیشنهادی.. 59

4-3- پیش پردازش دادهها 60

4-3-1- ساخت ماتریس داده 60

4-3-1-1-روش ماههای متوالی… 67

4-3-1-2-روش ماههای یکسان… 44

4-3-1-3-روش فصول متولی… 69

4-4- الگوریتمهای Prediction. 63

4-4-1- روش NN. 64

4-42-روش SVR. 64

4-4-3 روش LSSVR. 67

4-4-4- AdaBoost.R. 69

4-5- مجموعه داده 70

4-5-1- پاکسازی داده 72

4-6- معیارهای ارزیابی.. 72

4-7- جمع بندی.. 74

فصل 5- بحث و نتیجهگیری… 76

5-1- مقایسه روشهای مورد مطالعه.. 76

5-1-1- ارزیابی الگوریتم با روش ماههای متوالی.. 77

5-1-2- ارزیابی الگوریتم با روش ماههای یکسان.. 83

5-2- جمع بندی.. 93

فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده. 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 طریقه 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 بهره گیری در SVM64

شکل4- 3  گزارش تهیه شده با کریستال ریپورت70

شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت71

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

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

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

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

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

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

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

 :دانلود فایل متن کامل پایان نامه در سایت sabzfile.com

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

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

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

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

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

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

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

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

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

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

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

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

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

شکل5- 21 اندازه 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 آغاز مقصود از چنین فعالیت­هایی کاهش هزینه­های ناشی ازکاغذ بازی­ موجود در سیستم­های دستی و اداری بوده می باشد، 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 می باشد.

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان مانند کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب­ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن اندازه دقت در درج اطلاعات و درخواست­ها که در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن اندازه 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 بهره گیری 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 می باشد و در سال‌های اخیر در دنیا گسترش فوق‌العاده سریعی داشته می باشد. داده‌کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ می باشد 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 معضلات مالی جدی رو به رو ساخته می باشد. 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 نمود. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که بعضی داروها برای درمان یک بیماری مکمل یکدیگرند، مانند فاکتورهایی هستند که بایستی در خرید دارو درنظر گرفته شوند [4]. به تعبیری با در نظر داشتن بیماری­های بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی نمود 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 نمود.

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد : نهان نگاری تصاویر دیجیتال بااستفاده از استخراج ویژگی های محلی درحوزه تبدیل فوریه

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

1-3- داده کاوی

1-3-1- داده کاوی چیست؟

داده کاوی به مطالعه و تجزیه و تحلیل مقادیر عظیمی از داده ها به مقصود 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 می باشد 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 بهره گیری 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 می باشد [6]. شناسایی مشکالت کاوش و یا برآورد وابستگی­ها از داده ها یا کلاً کاوش داده های جدید تنها قسمتی ازشیوه­های تجربی مورد بهره گیری دانشمندان، مهندسین و دیگر کسانی می باشد که روش­های استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روش­های تجربی معمول با مسائل داده کاوی می­توان به مراحل اظهار 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 تصریح نمود [7].

1-3-2- تکنیک های مختلف داده کاوی

تکنیک­های مختلف داده کاوی را می­توان بر اساس نوع عملیاتی که انجام می­دهند به دو دسته « پیش بینی کننده » و « تشریح کننده » تقسیم نمود. تکنیک­های پیش بینی کننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موردها ناشناخته را بر عهده دارند. در حالی که تکنیک­های تشریح کننده ، الگوهایی قابل فهم از داده ها را برای بشر کشف می کنند [8].در بین این الگوریتم­ها و مدل­ها، بهترین وجود ندارد و با در نظر داشتن داده­ها و کارایی مورد نظر بایستی 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 یافتن وابستگی­ها و همبستگی­های موجود در بین داده ها، یافتن الگوهایی که غالبا در بین داده­ها وجود دارند و همچنین یافتن یک سری ساختار سببی در بین آیتم­ها و اشیای موجود در پایگاه داده­های تعاملی و ارتباط­ای تصریح نمود.

 

پیش بینی :[2] 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 یافتن مدلی می باشد 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، بهره گیری نمود. در رده بندی بر خلاف پیش بینی، هدف پیش بینی مقدار یک متغیر گسسته می باشد. روش های مورد بهره گیری 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 بهره گیری می گردد و با مطالعه الگوریتم­های مختلف این تکنیک کوشش می گردد 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 بهره گیری در مدل‌ها و تکینیک های داده‌کاوی بهره گیری خواهد گردید.

1-4- اظهار 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 نمود

 

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

  • بیمارستان‌های دولتی در صورت عدم رسیدگی تعطیل خواهند گردید .[10]
  • در بیمارستان‌های دولتی معضل اصلی این می باشد که هزینه و درآمد با هم انطباق ندارد[11].
  • معضلات بیمارستان به قدری زیاد می باشد که معمولا پولی برای دارو باقی نمی ماند.[12]

 

معضلات خرید و ویژگی­های دارو که با در نظر داشتن مطالعه های انجام شده در داروخانه بیمارستان­ها می­توان به آنها شاره نمود.

  • خرید و نگهداری دارو حساسیتی بالایی دارد.
  • جهت خرید دارو از اطلاعات مصرف قبلی برای پیش بینی مصرف بهره گیری نمی گردد و این باعث می گردد در انتها فصل با اضافه موجودی مواجه شوند و مقداری از دارو ها به دلیل اتمام تاریخ مصرف غیر قابل بهره گیری شوند. و همچنین با در نظر داشتن عدم پیش بینی مناسب در بعضی از موردها با کمبود دارو مواجه شوند.که با در نظر داشتن وابستگی دارو ها در صورت نداشتن بعضی از داروها، مراجعه کنندگان برای دریافت کل دارو ها بصورت کامل به داروخانه­های خارج از بیمارستان مراجعه می­کنند.
  • فروش دارو در داروخانه­ها بر خلاف سایر فروشگاه­ها بر اساس سلیقه مشتری نمی باشد و در نظر گرفتن اینکه نسخه پزشکان از اصول درمانی پیروی می­کند.
  • بر طبق قانون جدید بیمارستان ها موظف اند تمام داروها و لوازم مصرفی که در بیمارستان بهره گیری می گردد را موجود داشته باشند و بیماران نباید برای تهیه دارو و لوازم مصرفی به داروخانه های خارج از بیمارستان مراجعه کنند.

با در نظر داشتن ویژگی­ها و مشکلاتی که در بالا به آنها تصریح گردید در صورت پیش بینی مصرف دارو می توان خرید را بهبود بخشید همچنین پیش بینی باعث می­گردد تا بیشترین پاسخگویی در برابر نیاز های درمانی بیماران را ارائه نمود.

راه اندازی سیستم های اطلاعات بیمارستان[5] در بیمارستان های کشور،علاوه بر مزایای فراوان حجم زیادی از اطلاعات مربوط به بیمارستان­ها مانند مصرف دارو را نگهداری می کنند[13 ] با بکارگیری داده کاوی بر روی داده های ذخیره شده در این سیستم­ها می توان مصرف دارو را پیش بینی نمود و با لحاظ کردن این پیش بینی در خرید دارو نهایتا خرید دارو را بهینه نمود.

 

 

1-5- اهداف پژوهش

با در نظر داشتن معضلات مالی که گریبان گیر بیمارستان های کشور می باشد. همچنین اهمیت و نقشی که داروخانه­ها درگردش مالی و درآمد بیمارستان­های کشور دارند. بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو با بهره گیری از تکنیک­های داده کاوی، در داروخانه یک بیمارستان بزرگ به مقصود افزایش بهره وری مالی آن بپردازیم. هدف از انجام این رساله این می باشد که با بهره گیری از داده‌های تاریخی و تکنیک‌های داده‌کاوی بتوان مدلی برای پیش‌بینی مصرف دارو ارائه داد. در واقع ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی که تا کنون ارائه شده و می‌توان از آنها برای پیش بینی مصرف دارو بهره گیری نمود.  به همین دلیل بایستی روش­های مختلف  پیش بینی را اعمال نمود تا بتوان مقایسه ای بین روش­ها و انتخاب بهترین روش داشته باشیم.

از دیگر اهداف پژوهش بکارگیری مدل ارائه شده بر روی داده های یک بیمارستان و ارزیابی نتایج حاصل از آن می باشد. مدل ارائه شده در این پایان نامه می تواند در سایر بیمارستان های کشور نیز مورد بهره گیری قرار بگیرد. ایده این پژوهش از پیشینه پژوهش و مطالعات انجام شده در این زمینه گرفته شده می باشد. مانند تحقیقی که توسط [14] Qinjkui انجام گردید و در آن مدلی برای پیش بینی تقاضا برای بهره گیری از خدمات و تجهیزات در یک بیمارستان ارائه گردید همچنین تحقیقی که توسط[19] Asadi  بر روی سیستم اطلاعات داروخانه بیمارستان­های آموزشی و درمانی تابعه دانشگاه علوم پزشکی تهران انجام گردید و نشان می دهد که اطلاعات موجود در این سیستم ها مورد تجزیه و تحلیل  قرار نمی گیرند.

هدفی که این پژوهش را متمایز می کند این می باشد که به پیش بینی مصرف دارو در بیمارستان های ایران می پردازد و مدلی برای پیش بینی مصرف ارائه می هد. همچنین یک جنبه  جدید از مزایای سیستم اطلاعات بیمارستان ها را مشخص می کند.

تعداد صفحه : 120

قیمت : 14700 تومان

بلافاصله پس از پرداخت لینک دانلود فایل در اختیار شما قرار می گیرد

و در ضمن فایل خریداری شده به ایمیل شما ارسال می گردد.

پشتیبانی سایت :        ****       serderehi@gmail.com

در صورتی که مشکلی با پرداخت آنلاین دارید می توانید مبلغ مورد نظر برای هر فایل را کارت به کارت کرده و فایل درخواستی و اطلاعات واریز را به ایمیل ما ارسال کنید تا فایل را از طریق ایمیل دریافت کنید.

***  *** ***