ارائه مدل بهينه تهيه دارو با استفاده از داده‌كاوي

An Optimal Model for Medicine Preparation Using Data Mining

مقدمه: كمبود منابع مالي و نقدينگي معضل اصلي بيمارستان‌ها مي‌باشد. داروخانه‌ها از بخش‌هاي تأثيرگذار بر گردش مالي بيمارستان‌ها هستند كه به دليل عدم پيش‌بيني مصرف و تهيه دارو، در انتهاي سال با اضافه موجودي، حجم زياد داروهاي تاريخ مصرف گذشته و گاهي كمبود دارو مواجه مي‌شوند؛ لذا پيش‌بيني مصرف دارو با استفاده از داده‌هاي گذشته‌نگر موجود، منجر به بهبود مديريت منابع در بيمارستان‌ها مي‌شود. به دليل توانمندي بالاي داده‌كاوي در مدل‌سازي مسائل پزشكي، از الگوريتم‌هاي منتخب براي تعيين مدل بهينه تهيه دارو استفاده گرديد. روش: در اين مطالعه مقطعي، براي بررسي انواع الگوريتم‌هاي داده‌كاوي، فرم اطلاعاتي بر اساس اهداف طراحي، سپس در قالب گزارش در سيستم اطلاعات بيمارستاني تعريف گرديد و با كمك نرم‌افزار Crystal Report داده‌ها استخراج گرديد. براي ارائه مدل، دقت الگوريتم‌هاي پيش‌بيني داده‌كاوي KNN, SVM, NN, Random Forest, LR, Adaboost بر اساس معيارهايMSE, RMSE, MAE, R2 در نرم‌افزار Weka بررسي شدند. نتايج: روش Adaboost با معيارهاي R2 MAE, و RMSE (0/78، 247، 827) و روش جنگل تصادفي با معيارهاي (0/6، 1170، 1868) نسبت به بقيه مدل‌ها بالاترين دقت را داشته و ميزان خطا را به نسبت بيشتري كاهش مي‌دهند. ساير روش‌ها با معيارهاي فوق در پيش‌بيني مسئله پژوهش عملكرد ضعيف‌تري را دارند. نتيجه‌گيري: نتايج پژوهش حاكي از دقت بالاي روش Adaboost و جنگل تصادفي در مقايسه با ساير روش‌هاي مورد بررسي است. درصد كمي از بيمارستان‌ها براي مديريت تهيه دارو، برنامه‌ريزي مي‌كنند؛ لذا به مديران بيمارستان‌ها و داروخانه‌ها پيشنهاد مي‌شود كه در مديريت واحدهاي متبوع‌شان از داده‌كاوي استفاده كنند.

Introduction: Lack of financial resources and liquidity are the main problems of hospitals. Pharmacies are one of the sectors that affect the turnover of hospitals and due to lack of forecast for the use and supply of medicines, at the end of the year, encounter over-inventory, large volumes of expired medicines, and sometimes shortage of medicines. Therefore, medicine prediction using available retrospective data leads to improved resource management in hospitals. Due to the high capability of data mining in modeling medical problems, selected algorithms were used to determine the optimal model of medicine preparation. Method: In this cross-sectional study, to investigate different types of data mining algorithms, an information form was developed based on the design objectives and then defined in the form of reports in the hospital information system. The data were extracted using Crystal Report software. To develop the model, the accuracy of the data mining prediction algorithms including KNN, SVM, NN, Random Forest, LR, and Adaboost was examined based on MSE, RMSE, MAE, and R2 criteria in Weka software. Results: Concerning R2, MAE, and RMSE criteria, Adaboost method (0.78, 247, 827) and random forest method (0.6, 1170, 1868) had the highest accuracy compared to other models and reduced the error rate more. Other methods with the above criteria had poorer performance in predicting the research problem. Conclusion: The results of this study indicated that the Adaboost and random forest methods are more accurate than other methods. A small percentage of hospitals plan to manage the preparation of medicines; thus, it is suggested that managers of hospitals and pharmacies use data mining in the management of their respective units.