برازش مدل‌های هوش مصنوعی و آمار کلاسیک سری زمانی جهت پیش‌بینی تعداد بیماران بستری بیمارستان‌ها

مقدمه: مطالعه و تجزیه وتحلیل هر سیستم بهداشتی و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان به شمار می آید. در این میان، مدیریت و تجزیه وتحلیل تعداد بیماران یک عامل مهم و تعیین کننده در بهبود تصمیمات مدیران این حوزه است. هدف از این پژوهش، مطالعه و بررسی روش های پیش بینی مبتنی بر سری های زمانی جهت پیش بینی ماهیانه تعداد بیماران بستری و مقایسه صحت عملکرد این روش ها می باشد.روش: در این مطالعه مقطعی مدل سازی بر اساس داده های ماهیانه تعداد بیماران بستری 6 بیمارستان دولتی شهر مشهد از فروردین 1383 تا فروردین 1395 انجام گرفت که از پایگاه داده اداره آمار دانشگاه علوم پزشکی مشهد استخراج شد. جهت پیش بینی تعداد بیماران بستری سه ماهه نخست سال 1395 هر یک از بیمارستان ها، از تکنیک های پیش بینی holt-winters، sarima،mlp و grnn استفاده گردید. برای هر مدل، خطای مقادیر پیش بینی شده توسط معیار میانگین قدرمطلق درصد خطا (mape) گزارش شد.نتایج: روش holt-winters با ارائه بهترین نتایج پیش بینی برای 4 بیمارستان می تواند روش کارآمدی برای پیش بینی تعداد بیماران بیمارستان ها باشد. در مجموع، مدل های پیش بینی مورد بررسی در این مطالعه با ارائه معیار صحت mape در بازه 2/13 درصد تا 4/12 درصد، عملکرد قابل قبولی برای هر 6 بیمارستان داشته اند.نتیجه گیری: در این مطالعه نشان داده شد که تجزیه وتحلیل سری های زمانی ابزاری مناسب و کاربردی برای پیش بینی تعداد بیماران بستری بیمارستان های مورد مطالعه می باشد. با توجه به ویژگی های منحصربه فرد بیمارستان های مختلف، فرایندهای ذکرشده در این پژوهش شامل مدل سازی و تجزیه وتحلیل داده ها را می توان در دیگر بیمارستان ها جهت بهبود تخصیص منابع و برنامه ریزی های استراتژیک مورد استفاده قرار داد.

Evaluation of Artificial Intelligence Models and Classical Statistics Models of Time Series in Forecasting the Number of Hospital Inpatient Admissions

Introduction: The study and analysis of each health system has become a necessity for its performance improvement through time. In this context, management and analysis of the number of patients is an important factor in the process of improving managers' decisions. The aims of this study were to explore and evaluate the use of multiple time series forecasting methods to predict monthly hospital inpatient admissions at six public hospitals in Mashhad city and to compare the accuracy performance of these methods.Methods: This crosssectional modeling study was performed based on monthly data of inpatient admissions at six public hospitals in Mashhad from March 2004 through March 2016. Data were extracted from database of the Statistics Office of Mashhad University of Medical Sciences. Holtwinters, Seasonal Autoregressive Integrated Moving Average (SARIMA), Multilayer Perceptron (MLP) and Generalized Regression Neural Networks (GRNN) models were applied to forecast monthly inpatient numbers at each hospital. The error of the models in regard to the predicted values was reported through Mean Absolute Percentage Error (MAPE).Results: HoltWinters method, due to providing the optimal forecasting performance in four hospitals, could be an efficient method for predicting the number of inpatients in hospitals. Totally, the studied models with a MAPE from 2.13% to 4.12% showed acceptable performance in all six hospitals.Conclusion: Time series analysis is an adequate practical tool for predicting the number of hospital inpatient admissions. Given the unique characteristics of different hospitals, applied methods in this study, including modeling and data analysis can be used in other hospitals to improve their resource allocation and strategic planning.