معرفی یک سیستم پیش‌بینی مناسب برای برآورد تقاضای درمان در بیمارستان امام رضا(ع) ارومیه

بیمارستان ها وظیفه حفظ سلامت افراد را بر عهده داشته و قسمت اعظم هزینه های سلامت را به خود اختصاص می دهند. شواهد حاکی از آن است که چشم انداز وسیعی برای ارتقاء و اعتلای منابع بیمارستان ها (مالی و انسانی) وجود دارد. آگاهی و اطلاع از مقدار تقاضای آینده، مدیریت بهینه این منابع و کیفیت خدمات‌رسانی در حوزه سلامت را تا حد زیادی تضمین می­نماید. هدف اصلی این مطالعه بررسی مدل­های خطی (arima) و غیرخطی (شبکه عصبیmlp) در پیش­بینی تقاضای تعداد افراد بیمار جهت بستری در بیمارستان امام رضا (ع) ارومیه، در بازه های زمانی ساعتی، روزانه، هفتگی و ماهانه و همچنین به تفکیک بخش های مختلف بیمارستان است. نتایج این پژوهش بیانگر آن است که مدل غیرخطی شبکه ی عصبی مصنوعی مبتنی بر الگوریتم mlp، دارای عملکرد بهتری در پیش­بینی تقاضای درمان (در دوره نمونه) بوده و قادر است پیش­بینی­های دقیق­تری نسبت به مدل arima ارائه دهد. مدل شبکه عصبی mlp  با متوسط درصد خطای 96/24% نسبت به مدل arima با متوسط درصد خطای کل 73/26% دارای قدرت پیش بینی بالایی می باشد. همچنین نتایج پیش بینی های بخش کودکان و نوزادان نشان می دهد که مدل خطی arma دارای قدرت پیش بینی بالاتری نسبت به مدل غیرخطی شبکه عصبی mlp می باشد که دلیل این ناسازگاری با فرضیه های تحقیق را می توان در واریانس پایین داده های این بخش جستجو کرد.

Introducing an appropriate forecasting system to estimate the treatment demand at Imam Reza hospital of Urmia

The hospitals are responsible for maintaining the health of the population and devote himself a large part of health expenditure. Evidence shows that there is a vast prospect to improve and promote hospitals resources (financial and human). Awareness of the amount of future demand highly ensures optimal management of resources and quality of services in the health field. The aim of this study is to investigate the linear (ARIMA) and nonlinear (neural network MLP) models to estimate the treatment demand at Imam Reza hospital of Urmia, using data at different time intervals such as daily, weekly and monthly in different sections of the hospital. The results of this study indicate that ANN MLP nonlinear model has a good performance in predicting treatment demand and it is capable to provide more accurate forecasts than ARIMA model. Neural network MLP model with an average error of 24.96% compared to ARIMA model with an average error of 26.73% has a high predictive power. Also the estimation results of pediatric ward indicate that the ARIMA model compared to Neural network MLP model has more predictive power, the reason for this inconsistency with research hypotheses must be sought in low variance of this section.