3-4-5- تلخیص داده ها…………………….. 37

3-5- وظایف داده کاوی………………………. 37

3-5-1- دسته بندی………………………. 38

3-5-2- تخمین………………………. 39

3-5-3- پیش بینی………………………. 39

3-5-4- گروه بندی شباهت یا قوانین وابستگی…………….. 40

3-5-5- خوشه بندی………………………. 40

3-5-6- نمایه سازی………………………. 41

3-6- كاربرد های داده كاوی………………………. 41

3-7- رویکردهای مسائل داده کاوی در پزشکی………………………. 42

3-8- مدلها و الگوریتمهای داده کاوی………………………. 43

3-8-1- شبکه های عصبی مصنوعی………………………. 43

3-8-1-1-ساختار شبکه عصبی……………………….. 44

3-8-1-2-معماری شبکه عصبی……………………….. 45

3-8-1-3-آموزش شبکه های عصبی مصنوعی……………………….. 46

3-8-1-4-انواع یادگیری در شبکه های عصبی مصنوعی…………… 47

3-8-2- درخت های انتخاب………………………. 47

3-8-3- Bagging & Boosting………………………

3-8-3-1-Bagging……………………….

3-8-1-1-Boosting……………………….

3-8-1-1-الگوریتم های Boosting……………………….

3-8-4- Adaptive Boosting(Adaboost)……………………..

3-8-5- رگرسیون بردار پشتیبان……………………… 51

3-8-6- رگرسیون خطی………………………. 52

نرم افزارهای داده کاوی………………………. 54

3-10- فرایند خرید دارو…………………….. 55

3-11- جمع بندی………………………. 56

فصل 4- روش انجام پژوهش………………………… 58

4-1- مقدمه……………………… 58

4-2- الگوریتم پیشنهادی………………………. 59

4-3- پیش پردازش داده ها…………………….. 60

4-3-1- ساخت ماتریس داده ……………………..60

4-3-1-1-روش ماههای متوالی……………………….. 67

4-3-1-2-روش ماههای یکسان……………………….. 44

4-3-1-3-روش فصول متولی……………………….. 69

4-4- الگوریتمهای Prediction………………………

4-4-1- روش NN………………………

4-4-2-روش SVR………………………

4-4-3- روش LSSVR………………………

4-4-4- AdaBoost.R………………………

4-5- مجموعه داده…………………….. 70

4-5-1- پاکسازی داده…………………….. 72

4-6- معیارهای ارزیابی………………………. 72

4-7- جمع بندی………………………. 74

فصل 5- بحث و نتیجه گیری………………………. 76

5-1- مقایسه روشهای مورد بررسی………………………. 76

5-1-1- ارزیابی الگوریتم با روش ماههای متوالی…………. 77

5-1-2- ارزیابی الگوریتم با روش ماه های یکسان……………… 83

5-2- جمع بندی………………………. 93

فصل 6- پیشنهادهاو فرصت های پژوهشی آینده……………………… 95

چکیده:

توسعی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از داده­ های مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیری­ها و فرایند­های مدیریتی را بهبود بخشید. در این پایان نامه تلاش شده است ضمن بررسی الگوریتم­ های مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانه­ های بیمارستان­ها ارائه گردد. مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است. برای پیش بینی مصرف دارو عملکرد مدل­های MLP، SVR، ADABOOST.R، BAGTREE، LR، LSSVR مورد بررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR²ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است.

فصل نخست: مقدمه

1-1- فناوری اطلاعات در بهداشت و درمان

در سال­های اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستم­های اطلاعاتی خود برآمده­اند. در ابتدا مقصود از چنین فعالیت­هایی کاهش هزینه­های ناشی ازکاغذ بازی­ موجود در سیستم­های دستی و اداری بوده است، اما اکنون به مرحله ای رسیده­ایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون می­یابد و در این راستا بکار­گیری سیستم های اطلاعات بیمارستان­ها بسیار مرسوم شده است.

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب­ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواست­ها كه در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از داده­های موجود در این سیستم­ها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2] داده کاوی یکی از ده دانش در حال توسعه است و در سال های اخیر در دنیا گسترش فوق العاده سریعی داشته است. داده کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه های تخصصی با توصیف، تشریح، پیش بینی و کنترل پدیده های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه های مختلفی ازجمله پزشکی و تجارت دارد [3].

2-1- داروخانه های بیمارستانی

افزایش هزینه های بیمارستانی در سال های اخیر و نیز اجرای طرح خودگردانی و اداره ی بیمارستان ها به وسیله ی درآمد اختصاصی آنها، بیمارستان ها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخش­های مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماری­های بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیک­های داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.

لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.

3-1- داده کاوی

1-3-1- داده کاوی چیست؟

داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده ها به منظور کشف الگوها و قوانین معنی دار اطلاق میشود.[5] کشف دانش و داده کاوی امروزه یک حوزه جدید میان رشته ای و در حال رشد است که حوزه های مختلفی همچون پایگاه داده، آمار، یادگیری ماشین و سایر زمینه های مرتبط را با هم تلفیق کرده تا اطلاعات و دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید و استفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها که با حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافته است [6]. شناسایی مشکالت کاوش و یا برآورد وابستگی­ها از داده ها یا کلاً کاوش داده های جدید تنها قسمتی ازشیوه­های تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی است که روش­های استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روش­های تجربی معمول با مسائل داده کاوی می­توان به مراحل بیان مسأله و فرموله کردن فرضیه، جمع آوری داده­ها، پیش پردازش داده­ها شامل آشکارسازی و حذف داده­های غیر عادی و مقیاس بندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].

2-3-1- تکنیک های مختلف داده کاوی

تكنیك­های مختلف داده كاوی را می­توان بر اساس نوع عملیاتی كه انجام می­دهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیك­های پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیك­های تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند [8].در بین این الگوریتم­ها و مدل­ها، بهترین وجود ندارد و با توجه به داده­ها و کارایی مورد نظر باید مدل انتخاب گردد.