پیش‌بینی میزان مصرف دارو در بیمارستان‌ها با استفاده از مدل شبکه حافظه طولانی کوتاه‌مدت

زمینه و هدف: در سال‌های اخیر، مدیریت زنجیره تامین دارو، به‌ویژه پس از همه‌گیری بیماری کووید-19 اهمیت بیشتری پیدا کرده است. در این مدت یکی از چالش‌های مهم مساله کنترل هزینه زنجیره تامین است. اگر موجودی دارو در بیمارستان‌ها به‌درستی مدیریت نشود، مشکلاتی مانند کمبود موجودی برخی داروهای حیاتی، تامین موجودی مازاد، افزایش هزینه‌ها و درنهایت نارضایتی بیماران را به دنبال خواهد داشت.مواد و روش‌ها: در این پژوهش سعی شده است تا با استفاده از الگوریتم‌های یادگیری عمیق، نیازهای دارویی بیمارستان‌های کشور را پیش‌بینی و مدیریت کنیم. داده‌های مصرف دارویی ده سال بیمارستان عمومی بعثت همدان از پایگاه داده‌های سامانه مدیریت بیمارستان استخراج شده است. به‌عنوان یک مطالعه موردی، عملکرد مدل پیشنهادی برای پیش‌بینی میزان مصرف سفازولین ارزیابی شده است. این مدل شامل یک شبکه حافظه طولانی کوتاه‌مدت می‌باشد که می‌تواند پیشینه تغییرات داده‌ها را در کاربردهای پیش‌بینی سری‌‌های زمانی تشخیص دهد. مدل پیشنهادی با وجود تعداد زیادی پارامترهای تطبیق‌پذیر در شبکه‌های عصبی عمیق عملکرد خوبی را برای غلبه بر پیچیدگی‌های مسئله یادگیری به ارمغان می‌آورد.نتایج: استفاده از رویکرد یادگیری عمیق پیشنهادی با کاهش اثرات پیچیدگی و عدم قطعیت در داده‌های پزشکی، استحکام الگوریتم را افزایش داده است. میانگین خطای پیش‌بینی با به‌کارگیری روش پیشنهادی 0.043 و مقادیر اندازه‌گیری شده برای rmse، mae و r^2  به‌ترتیب برابر با 0.335، 0.260 و 0.851 است.نتیجه‌گیری: مقایسات جامعی بین برخی از سایر روش‌های پیش‌بینی و مدل پیشنهادی انجام شده است، که عملکرد بهتر مدل پیشنهادی را نشان می‌دهد. علاوه براین، نتایج ارزیابی دقت و کارایی قابل قبول رویکرد پیشنهادی را به‌خوبی نشان می‌دهد.

medicine consumption forecasting in hospitals using long short-term memory model

background and objectivesin recent years, medicine supply chain management has become more significant, especially after the covid-19 pandemic. the most important issue is supply chain cost control. if the drug inventory is not properly managed, it will lead to issues such as the lack of inventory of certain drugs, provision of excess inventory, increased costs, and, finally, patient dissatisfaction.materials and methodsin this study, an attempt has been made to predict and manage the pharmaceutical needs of hospitals using an efficient deep-learning algorithm. the drug consumption data for ten years of besat general hospital in hamedan are extracted from the his database. as a case study, the accuracy of the predictive model is evaluated, especially for cefazolin. we use a deep model to analyze the medical time-series data efficiently. this model consists of a long short-term memory network, which can sufficiently recognize the change history in time-series prediction applications. the proposed model with many adjustable parameters in the deep architecture will bring good performance to overcome the complexities of the learning problem.resultsusing the deep learning method can increase robustness by reducing the effects of complexity and uncertainty in medical data. the average forecasting error for the proposed method is 0.043, and the measured values for rmse, mae, and r2  are 0.335, 0.260, and 0.851, respectively.conclusiona comprehensive comparison between some other predictive methods and the implemented model shows the outperformance of the proposed approach. additionally, the evaluation results indicate the efficiency of the proposed approach.