طراحي مدل جامع هوش تجاري تخصيص تخت مراقبت هاي ويژه بر پايه اولويت بندي بيماران و اختصاص تجهيزات و خدمات

Designing a Business Intelligence Framework Based on Patient Prioritization and Proposal of Bed Allocation Business Intelligence Model

مقدمه بيمارستان ها همچون يك واحد صنعتي متشكل از عوامل توليد مانند: سرمايه، نيروي انساني، فن آوري، مديريت و... هستند. عملكرد موثر يك بيمارستان به نحوه تخصيص منابع وابسته است كه از جمله اين منابع تخصيص تخت به بيماران مي باشد.از اين رو به منظور دسترسي به مراقبت به هنگام، ضروري است تا مديريت موثري يراي تخصيص تخت صورت پذيرد. در همين راستا براي افزايش بهره وري و پيش بيني ظرفيت تخت ها و به منظور مديريت بهتر تخت بيمارستان ها و ارتقاء سطح درمان هوش تجاري كمك كننده مي باشد. لذا در اين پژوهش درصدد طراحي مدل هوش تجاري تخصيص تخت بر پايه اولويت بندي بيماران و اختصاص تجهيزات و خدمات برآمديم. روش پژوهش در اين پژوهش ابتدا مدل اوليه تخصيص تخت بر پايه اولويت بندي در چارچوب مفاهيم هوش تجاري ارايه شد و طبق مدل مفهومي ارايه شده به جمع آوري داده هاي مورد نياز از ديتابيس هاي مختلف بخش مراقبت هاي ويژه جراحي مغز و اعصاب بيمارستان لقمان حكيم با استفاده از ابزار ETL و ايجاد انباره داده پرداخته شد. در مرحله بعد به منظور دسته بندي بيماران و ساخت مدل پيش بيني از الگوريتم هاي طبقه بندي در داده كاوي استفاده گرديد سپس اولويت بندي هر دسته از بيماران با روش پرومته انجام گرفت و جهت تعيين تاثير اولويت بندي صورت گرفته از مدل شبيه سازي استفاده شد و در پايان مدل نهايي ارايه گرديد. نتايج مدل اوليه تخصيص تخت بر پايه اولويت بندي در چارچوب مفاهيم هوش تجاري با گردآوري داده هاي 420 بيمار و انجام داده كاوي جهت دسته بندي بيماران با انتخاب تكنيك درخت تصميم با دقت 87.2% و اولويت بندي هر دسته از بيماران با استفاده از روش پرومته و شبيه سازي 14 تخت بخش مراقبت هاي ويژه بر اساس داده هاي گردآوري شده مورد آزمايش قرار گرفت و در نتيجه تعداد بيماران بستري شده به صورت ماهيانه در حالت عادي معادل 76 بيمار و پس از اعمال اولويت بندي معادل 86 بيمار برآورد گرديد. بحث و نتيجه گيري پس از آگاهي از نتايج مثبت مدل اوليه تخصيص تخت بر پايه اولويت بندي و افزايش 13 درصدي تعداد پذيرش در ماه و به تبع آن افزايش بهره وري و اثبات كاركرد مدل، اقدام به ارايه مدل جامع هوش تجاري تخصيص تخت بر پايه اولويت بندي شد. مدل ارايه شد در چارچوب هوش تجاري و با استفاده از تحليل انلاين داده هاي بدست امده از بيمار طراحي شده و اطلاعات ارايه شده از اين مدل مي تواند پشتيبان موثري در تصميم گيري پزشك براي انتخاب بيماران جهت پذيرش باشد.

Introduction: Similar to industrial units, hospitals comprise of production factors including capital, human resource, technology and management. Successful performance of hospitals depends upon the way in which resources and in particular beds are allocated to patients. Thus it is necessary to implement an effective bed management so that on-demand healthcare services are accessible. In the same vein, hospitals need business intelligence tools to increase productivity, predict resource and equipment capacity and upgrade the healthcare service level so that they can achieve an effective bed management. Thus present research aimed to design a business intelligence model for bed allocation based on patient prioritization and allocation of equipment and services. Materials and methods: First the primary model was provided for bed allocation based on prioritization in a business intelligence concept framework. Then according to the conceptual model, required data were collected from various databases of neurosurgical intensive care units (ICUs) of Loqhman Hakim hospital by using ETL process and building data warehouse. In the next step, data mining classification algorithms were used to classify patients and develop prediction model. Then, patient classes were prioritized and simulation model was used to identify the effect of this prioritization. At last, the final model was provided. Results: The primary model for bed allocation based on prioritization in business intelligence concept framework was tested by data collection from 420 patients, data mining to classify them using decision tree technique with %87.02 accuracy, prioritization of patient classes using PROMETHEE technique and simulation of 14 ICU beds based on collected data. Finally, it was estimated that the monthly number of hospitalized patients with and without prioritization were 76 and 86 respectively, Discussion and Conclusion: After observing the positive results of the primary model for bed allocation based on prioritization including a 13 percent increase in monthly admission numbers and in turn, increased productivity proving model effectiveness, the next step was to develop a comprehensive business intelligence model for bed allocation based on prioritization of patients. The model was designed in business intelligence framework using online data collected from patients. The information provided by this model can be an effective decision making support for physicians and healthcare service providers in choosing patients in admission process.