پیش‌بینی پذیرش بخش اورژانس با استفاده از داده‌کاوی (مطالعه موردی: بیمارستان امام علی شهرکرد)

مقدمه: امروزه، بیمارستان‌ها با چالش‌هایی مانند ازدحام در بخش اورژانس و افزایش بی‌نظمی و اختلال در کار پرسنل مواجه هستند که سبب افزایش نارضایتی بیماران می‌شود. با پیشرفت هوش مصنوعی و گسترش علم داده‌کاوی، پیش‌بینی پذیرش بیماران اهمیت زیادی پیدا کرده است. هدف این پژوهش، پیش‌بینی پذیرش بیماران بخش اورژانس در بیمارستان امام‌علی (ع) شهرکرد است.روش بررسی: در این پژوهش، 2180 پرونده بیماران بخش اورژانس بیمارستان مورد بررسی قرار گرفت و اطلاعات اولیه بیماران شامل مشخصات فردی، علائم حیاتی بیمار و سطح تریاژ که توسط پرستاران در فرم تریاژ ثبت شده بود، استخراج شد. با استفاده از ماتریس مقایسات زوجی، ویژگی‌های موثر توسط خبرگان انتخاب شدند. سپس با استفاده از الگوریتم‌های بیز ساده، درخت تصمیم، جنگل تصادفی و ماشین بردار پشتیبان، داده‌ها طبقه‌بندی شدند.یافته‌ها: از بین 14 ویژگی جمع‌آوری شده، 9 ویژگی منتخب توسط خبرگان انتخاب شد و نتایج نشان داد که الگوریتم جنگل تصادفی با دقت 92/2درصد و حساسیت 96 درصد و صحت 86.3 درصد نسبت به الگوریتم‌های بیز ساده ، ماشین بردار پشتیبان و درخت تصمیم بهترین عملکرد را در پیش‌بینی پذیرش بیماران این مطالعه موردی داشته است.نتیجه‌گیری: نتایج نشان می‌دهد که دقت مدل‌های یادگیری ماشین با استفاده از نظرات خبرگان در انتخاب ویژگی‌ها بیشتر می‌شود و و با توجه به حوزه مورد مطالعه، الگوریتم‌های یادگیری ماشین نتایج متفاوتی دارند که در این مطالعه الگوریتم جنگل تصادفی بهترین عملکرد را در پیش‌بینی پذیرش بیماران داشته است.

predicting emergency department admission using data mining: imam ali hospital in shahrekord in focus

introduction: today, hospitals face challenges such as overcrowding in the emergency ward and increased chaos and disruption in staff work, which leads to increased patient dissatisfaction. with the advancement of artificial intelligence and the expansion of data mining, predicting patient admission has become important. this study endeavors to predict patient admission in the emergency department of imam ali hospital in shahrekord.methods: in this study, 2180 patient records from the emergency ward of the hospital were examined. initial patient information, including personal details, vital signs, and triage level which were recorded by nurses, were extracted. using pairwise comparison matrix, the effective features were selected by experts. then, using naive bayes, decision tree, random forest, and support vector machine algorithms, the data were classified.results: out of the 15 collected features, 9 features were selected by experts, and the results revealed that the random forest algorithm had the good performance in predicting patient admission in this case study, with an accuracy of 92/2%.conclusion: the results indicated that the accuracy of machine learning models increases with the use of expert opinions, and the random forest algorithm can predict patients’ admission with high accuracy in this case study.