پيش بيني مدت اقامت بيماران در بخش مراقبت هاي ويژه مغز و اعصاب با تكنيك هاي داده كاوي

Prediction of the Length of Stay of Patients in the Neuro-Critical Care Unit Using Data Mining Techniques

مقدمه: امروزه كاهش هزينه ها و برنامه ريزي منابع نقش بسيار مهمي در مديريت بيمارستان ها ايفا مي كنند. بخش مراقبت هاي ويژه بيمارستان ها داراي پرهزينه ترين تخت ها است. مدل هاي پيش بيني مدت اقامت بيماران در بخش مراقبتهاي ويژه ابزاري براي مديريت بهينه تخت ها و منابع كمياب بخش مراقبت هاي ويژه است. هدف ما در اين پژوهش ارائه مدل هايي جهت پيش بيني مدت اقامت بيماران در بخش مراقبتهاي ويژه مغز و اعصاب با استفاده از تكنيك هاي داده كاوي است. روش پژوهش: در اين مطالعه از نرم افزار داده كاوي رپيدماينر براي مدلسازي به منظور طبقه بندي و ساخت مدل پيش بيني براي بيماران بستري در بخش مراقبت هاي ويژه مغز و اعصاب بيمارستان لقمان حكيم تهران استفاده شده است. داده هاي مورد نياز اين پژوهش از 592 بيمار بستري در بخش مراقبتهاي ويژه بين سال هاي 94 تا 97 استخراج گرديد. الگوريتم هايي كه براي طبقه بندي بيماران استفاده گرديد شامل شبكه عصبي، نزديكترين همسايه، درخت تصميم و جنگل تصادفي بود. در نهايت ماتريس اغتشاش براي محاسبه دقت به دست آمد. نتايج: يافته هاي اين پژوهش نشان مي دهد كه متغير نوع جراحي و عارضه پنوموني بيشترين تأثير را بر مدت اقامت بيماران دارند. همچنين دقت الگوريتمهاي مورد استفاده براي ساخت مدل پيشبيني به ترتيب درخت تصميم 84,28 % ، جنگل تصادفي 83,96 % ، شبكه عصبي 83,79 % و نزديكترين همسايه 77,90 % به دست آمد. نتيجه گيري: مدلهاي ساخته شده بر اساس هر چهار تكنيك مورد استفاده در اين پژوهش قادر به پيش بيني مدت اقامت بيمار بودند. اما يافته هاي حاصل از ماتريس اغتشاش نشان داد كه تكنيك درخت تصميم با دقت 84,28 % عملكرد نسبتاً بهتري را در بين تكنيك هاي مورد مطالعه داشته و قوانين استخراج شده از درخت تصميم مي تواند به عنوان الگويي براي پيش بيني وضعيت مدت اقامت بيماران در بخش مراقبت هاي ويژه مورد استفاده قرار گيرد

Introduction: Today, cost reduction and resource planning play an important role in managing hospitals. Hospital,s intensive care departments have the most expensive beds. The prediction model for length of stay is a tool for optimal management of beds and scarce resources in intensive care units. Our goal in this study is to provide models for predicting the patient length of stay in neurocritical care unit using data mining techniques. Materials and methods: In this study, RapidMiner data mining software was used for modeling in order to classify and construct the prediction model for patients admitted to the neuro-critical care unit of Loghman Hakim Hospital in Tehran. The data of this study were extracted from 592 patients admitted to the intensive care unit between 94-97. Artificial neural network, K-nearest neighbors, decision tree and random forest algorithms used to classify the patients. Finally, the confusion matrix was obtained to calculate accuracy Results: The findings of this study indicate that the type of surgery and the pneumonia as a complication have the greatest impact on the length of ICU stay. Also, the accuracy of the algorithms used to construct the prediction model was: decision tree 84.28%, random forest 83.96%, artificial neural network 83.79%, and the K-nearest neighbors, 77.90%. Conclusion: Models of four techniques used in this study were able to predict the length of ICU stay. But the findings from the confusion matrix showed that the Decision trees with accuracy 84.28% had a relatively better performance among the techniques studied and the rules extracted from the decision tree could serve as a model for predicting the patient's stay in the neuro-critical care unit to be used