کاربرد داده کاوی در پیش بینی هزینه های درمانی

1 1 1 1 1 1 1 1 1 1 میانگین امتیاز 3.13 (4 رای)
امتیاز کاربران
ضعیفعالی 


3) اهداف تحقيق (كلي و ويژه):

 حوزه تحقیقاتی این پروژه محدود به چارچوب ذیل است :
تعیین تعرفه‌های پزشکی - درمانی
استفاده از داده کاوی برای ارزیابی دقیق هزینه‌ها و تعرفه‌های درمانی

هدف اصلی و نهایی این مطالعه بدست آوردن تخمین دقیق از تعرفه های پزشکی – درمانی و پاسخ‌گویی به سوالاتی مانند: «هزینه بیمارستان و سیستم درمانی در قبال بستری کردن یک بیمار با شکستگی حاد مچ دست چه میزان می باشد؟ » است. در این تحقیق از تکنیک‌های داده کاوی که در بخش‌های بعدی به تفصیل شرح داده شده است، به منظور تجزیه و تحلیل و مدلسازی استفاده شده است. هدف اصلی استفاده از تکنیک‌های داده‌کاوی پاسخ به سوالاتی مانند: «کدام یک از تکنیک‌های داده کاوی در ارزیابی میزان هزینه ها کارایی بیشتری دارد؟» می باشد.

به منظور یافتن پاسخ‌های مناسب برای سوالات کلیدی مطرح شده،‌ پاسخگویی به دو مسئله 1- تخمین هزینه های بیمارستانی با دقت بالا 2- کاربرد داده کاوی برای ارزیابی هزینه‌های درمانی ، هدف گذاری شده است. که در این تحقیق سعی می‌شود به طور گسترده به کاربرد داده‌کاوی برای تخمین هزینه های درمانی پرداخته شود. بدین منظور از تکنیک‌های کلاس‌ بندی، خوشه‌بندی، کشف قواعد وابستگی و شبکه های عصبی استفاده خواهد شد.

اهداف کلی طرح
ارزیابی هزینه‌های درمانی – مطالعه موردی بیمارستان شهید معیری
کاربرد داده‌کاوی برای ارزیابی هزینه‌های درمانی

اهداف ویژه طرح
پیش بینه هزینه‌ها و تعرفه‌های پزشکی – درمانی با دقت بالای 98%
ارائه مدل ارزیابی هزینه به منظور استفاده در سیستم مراقبتهای درمانی
بررسی اثر بخشی متغیرها و داده‌های پزشکی ذخیره شده در سیستمهای بیمارستانی
ارزیابی هزینه‌ها به منظور تصمیم گیری در سطوح مختلف بیمارستان‌ها[5]

همانطور که گفته شد از جمله اهداف نهایی این طرح پیدا کردن مدلهای تخمین هزینه بیماران بیمارستانی می‌باشد که با توسعه این مدلها می‌توان  مشکلات عمده وزارت بهداشت و درمان و آموزش پزشکی را حل کرد. بدین ترتیب یافته های این تحقیق به عنوان یک طرح پایلوت می‌تواند مقدمه ای برای اجرای این طرح در سطح کلان کشور در وزارت بهداشت و درمان و  آموزش پزشکی باشد. لذا مجری طرح و تیم همراه امیدوار است تا با حمایت دانشگاه بتواند یافته های خود را در قالب یک طرح ملی به آن وزارتخانه ارائه دهد.


4) ادبيات يا پيشينه تحقيق :

قدرت تخمین داده‌ها عنوان اصلی تحقیقات در سالهای اولیه 1980 بوده است (Zhao 2005) و تحقیقات فراوانی در زمینه داده‌های اجرایی مراقبت‌های بهداشتی به منظور پیش بینی هزینه ها انجام گردید (Ash 2000, Zhao 2001). در سال 2000 Van de Ven مدل پیش بینی هزینه‌ها بر پایه ریسک را ارائه کرد. در حال حاضر مدلهای متنوعی برای پیش بینی هزینه ها برای شرکتهای بیمه‌‌گر وجود دارد Cumming 2002)). این مدلها از داده‌های مربوط به تشخیص بیماری و از نسخه‌های پزشکی استخراج می‌شوند، همچنین مطالعات بیشتر نشان دهنده اعتبار استفاده از داده‌های موجود می‌باشد.[6] تحقیقات متعددی برای ارزیابی هزینه‌های بیمارستانی با استفاده از رگراسیون و آنالیز واریانس انجام شده است. درحالیکه این تحقیقات بر پایه فقط تعداد کمی از متغیرهای موجود هستند در حالیکه متغیرهای بسیاری در هزینه های بیمارستانی نقش دارند، همچنین دقت این ارزیابی ها کمتر از حد انتظار می باشد.[7]

سانگ می در سال 2004 تفاوت استفاده از تکنیکهای دسته بندی و شبکه عصبی را برای ارزیابی هزینه بیماران موضوع تحقیقات خود قرار داد. او جامعه آماری تحقیق خود را از بین 492 بیمار از 1022 پذیرش بین ژانویه 1999 تا دسامبر 2002 انتخاب کرد. برخی از متغیرهای تحقیق او مدت بستری، تعداد عمل، سن، جنسیت، نام دکتر، تعداد مراجعات به مشاور، تعداد عکس برداری‌ها بود و در نتیجه و پس از مدلسازی‌های گوناگون مشخص شد الگوریتم های شبکه عصبی بهتر از الگوریتم‌های دسته بندی پاسخگو هستند.[10]

دیمیتریس برای تخمین هزینه‌های درمانی از الگوریتم‌های دسته بندی و خوشه بندی استفاده کرد. او با بررسی اطلاعات 800،000 بیمه شده در طول 3 سال دریافت که میزان خطای الگوریتم‌های داده کاوی از جمله دسته بندی و خوشه بندی از خطای روش‌های دیگر مانند: آنالیز واریانس و رگرسیون، کمتر می‌باشد.[8] همچنین موضوعات پیشنهادی وی برای تحقیقات آتی میزان حق بیمه ها یا بازپرداخت‌های مالی بوده است.

اما در سال 2009 جین اوه کانگ  تحقیقات کاملتری در حوزه تخمین هزینه‌های بیمارستانی برای بیماران سرطانی انجام داد. او از الگوریتم کلاسه بندی و شبکه عصبی برای تخمین هزینه‌ها با استفاده از اطلاعات 1605 بیمار در طی 2 سال، استفاده نمود .که در نهایت الگوریتم‌های شبکه عصبی با دقت 98% توانستند هزینه ‌ها را بهتر تخمین بزنند. متغیرهای مهم شبکه عصبی برای پیش بینی هزینه ها مدت بستری و تعداد مشاوره های پزشکی و گروه درمانی می باشد و همچنین متغیرهای مهم برای روش دسته بندی مدت بستری، تعداد مراجعات به ICU و تعداد مشاوره های پزشکی می باشد.

همچنین جینگ وانگ در سال 2009 تحقیقاتی را در ارتباط با تفاوت دقت مدل شبکه عصبی و درخت تصمیم برای تخمین هزینه های درمانی بیماران دارای سرطان معده انجام داد و در نتیجه الگوریتم شبکه عصبی ضریب همبستگی بهتری را نسبت به درخت تصمیم نمایان ساخت.8
علاوه بر کاربرد داده کاوی برای تخمین هزینه‌های درمانی، داه‌کاوی همچنین به منظور پیش بینی میزان وقوع حملات قلبی [10و11] و به منظور تخصیص منابع مراقبت‌های درمانی برای بیماران دارای سرطان ریه [12] نیز استفاده شده است.
شایان ذکر است در کنفرانس سال جاری  (2010 ) انجمن مهندسی صنایع در مکزیک ، مقاله‌ای با عنوان داده‌کاوی داده‌های دارویی توسط Michael Gray ارائه شد.

داده‌کاوی با استفاده از حجم عظیمی از داده ها به کشف الگوها ، قوانین و آمارها با استفاده از الگوریتم‌های متعدد از جمله دسته بندی، خوشه بندی، قواعد وابستگی و شبکه عصبی و ...، می‌پردازد. این علم، علمی نوین و نوپا می‌باشد به طوریکه داده‌کاوی و رواج تکنیکهای آن از سال 1980 شروع شد.[13]


منابع:

  1. سالنامه آماری کشور 1386 – مرکز آمار ایران
  2. روزنامه ایران 1 آبان، 1386 – به نقل از دكتر محمدعلى امام هادى معاون درمان دانشگاه علوم پزشكى شهيد بهشتى
  3. خبرگزاری ایلنا 17 آذر،  - 1388- به نقل از دکتر زالي قائم مقام سازمان نظام پزشكي  
  4. خبرگزاری فارس 22 فروردین،1388 -  به نقل از آقای حسينعلي ضيايي مديرعامل سازمان تامين اجتماعي
  5. Evaluating in hospital cost in kaunas medical university hospital – vytenis kalibatas – Nordic school of  public health -  june 2005
  6. Algorithmic Prediction of Health-Care Costs - Dimitris Bertsimas et al-OPERATIONS RESEARCH-Vol. 56, No. 6, November–December 2008, pp. 1382–1392
  7. Comparison of Hospital Charge Prediction Models for Colorectal Cancer Patients: Neural Network vs. Decision Tree Models - Seung-Mi Lee and Jin-Oh Kang and Yong-Moo Suh - The Korean Academy of Medical Sciences - 20 May 2004
  8. Algorithmic Prediction of Health-Care Costs - Dimitris Bertsimas et al -OPERATIONS RESEARCH-Vol. 56, No., November–December 2008
  9. Prediction of Hospital Charges for the Cancer Patients with Data Mining Techniques - Jin Oh Kang, Suk-Hoon Chung, Yong-Moo Suh - Kyung Hee University Research Fund – 2009
  10. Applications of Data Mining Techniques in Healthcare and Prediction of Heart Attacks -K.Srinivas and B.Kavihta Rani and Dr. A.Govrdhan - (IJCSE) International Journal on Computer Science and Engineering - Vol. 02, No. 02, 2010, pages 250-255
  11. Intelligent and Effective Heart Attack Prediction System Using Data Mining and Artificial Neural Network - Shantakumar B.Patil and Y.S.Kumaraswamy - IJCSNS International Journal of Computer Science and Network Security, VOL.8 No.8, August 2008
  12. Mining lung cancer patient data to assess healthcare resource utilization - Gloria Phillips-Wren, Phoebe Sharkey, Sydney Morss Dy - Expert Systems with Applications 35 (2008) pages:1611–1619 - Elsevier
  13. Data Mining: Concepts and Techniques - Jiawei Han & Micheline Kamber - 2006 by Elsevier Inc- ISBN 13: 978-1-
 

این صفحه را به اشتراک بگذارید

نویسنده
Taha Mokfi
Author: Taha MokfiEmail: این آدرس ایمیل توسط spambots حفاظت می شود. برای دیدن شما نیاز به جاوا اسکریپت دارید

طه مکفی عضو ارشد گروه داده کاوی ایران می باشد.


نوشتن دیدگاه


تصویر امنیتی
تصویر امنیتی جدید

شما اینجا هستید: خانه مقالات کاربردهای داده کاوی کاربرد داده کاوی در پیش بینی هزینه های درمانی

مایل به شرکت در کدامیک از دوره های زیر هستید؟

داده کاوی - 60.7%
متن کاوی - 19.7%
وب کاوی - 9.8%
آموزش پروپزال نویسی - 3.3%
عقیده کاوی و تحلیل احساسات - 6.6%

كل آرا: 61
اين نظرسنجي به پايان رسيده است on: 19 سپتامبر 2014 - 00:00

جملات طلایی

نظر BBC در مورد داده کاوی

درمستندی از سوی شبکه BBC که در آن علم داده های بزرگ بررسی شد

ادامه مطلب...

فرضیه سازی قبل از وجود داده

اشتباه خیلی بزرگی است که قبل از وجود داده به فرضیه پردازی روی بیاوریم.

از: Arthur Conan Doyle

ادامه مطلب...