عنوان مقاله :
پايش و پيش‌بيني كيفيت عمل جراحي دومرحله‌يي سرطان تيروئيد با استفاده از مدل فضاي حالت زمان‌متغير تعديل ريسك شده
عنوان به زبان ديگر :
MONITORING AND FORECASTING QUALITY OF TWO-STAGE THYROID CANCER SURGERY USING RISK-ADJUSTED TIME VARYING STATE SPACE MODEL
پديد آورندگان :
رسولي، محمد دانشگاه علم و صنعت ايران - دانشكده‌ي مهندسي صنايع , نورالسنا، رسول دانشگاه علم و صنعت ايران - دانشكده‌ي مهندسي صنايع , صميمي، ياسر دانشگاه صنعتي خواجه نصيرالدين طوسي - دانشكده‌ي مهندسي صنايع , حيدري، كامران دانشگاه علوم پزشكي شهيد بهشتي - دانشكده‌ي پزشكي - گروه طب اورژانس
كليدواژه :
فرايند درماني چندمرحله‌يي , تعديل ريسك , مدل فضاي حالت , شناسايي سيستم , جراحي سرطان تيروئيد
چكيده فارسي :
در مطالعه‌ي فرايندهاي درماني چندمرحله‌يي، دو مفهوم از اهميت ويژه‌يي برخوردارند: «تعديل ريسك» و «در نظر گرفتن خاصيت آبشاري». به منظور پايش اين فرايندها ابتدا مي‌بايست مدل مناسبي براي شناسايي رفتار فرايندهاي چندمرحله‌يي توأم با ريسك شناسايي شود. سپس بر اساس مدل شناسايي شده، نمودارهاي كنترل مي‌توانند پيشنهاد شوند. در اين تحقيق، يك مدل فضاي حالت خطي متغير با زمان تعديل شده با ريسك به منظور تحليل فرايندهاي درماني چندمرحله‌يي معرفي شده است. سپس مرتبه‌ي مدل و پارامترهاي آن به ترتيب بر اساس روش‌هاي تجزيه‌ي مقادير تكين هنكل (HSVD) و كمينه‌سازي خطاي برآورد (PEM)، تخمين زده شده‌اند. به منظور ارزيابي مدل شناسايي شده، عملكرد مدل بر روي داده‌هاي شبيه‌سازي و مجموعه داده‌ي واقعي عمل جراحي دومرحله‌يي سرطان تيروئيد مورد بررسي قرار گرفته است. از مدل شناسايي شده پيشنهادي مي‌توان براي شبيه‌سازي، پيش‌بيني و پايش فرايندهاي درماني چندمرحله‌يي استفاده كرد.
چكيده لاتين :
Health services research (HSR) is of great importance to communities because decision-makers and public consider HSR as the primary source of information to determine how well health systems are meeting their specifications. Nowadays, in healthcare, there are many therapeutic processes whose results are obtained by some related stages. For studying these kinds of processes, commonly referred to as multi-stage processes, two concepts are important: one is risk adjustment, and the other is considering the cascade property. An example of a
multi-stage therapeutic process is thyroid cancer surgery, which is usually performed on patients in two stages and part of the cancerous tumors are removed at each stage. In the two-stage thyroid cancer surgery, the quality of second surgery will be affected by the results of the first stage operation. For monitoring these processes, various control charts are used including model-based control charts. To design such charts, an appropriate model should be identified at first; then, control charts could be proposed based on the identified model. In this research, a risk-adjusted time-varying linear state space model is introduced for analyzing the multi-stage therapeutic processes. The state space models are statistical models that many researchers have used to analyze multi-stage processes. These models are based on engineering
knowledge and the physical laws of real systems. Then, the model order and its parameters are estimated by Hankel singular value decomposition (HSVD) and prediction error minimization (PEM) methods, respectively. This is called input-output identification. The model performance is evaluated using numerical simulation and a real world two-stage thyroid surgery dataset. Based on the satisfactory results, one can use the model while simultaneously considering risk adjustment, cascade property, transmission error, and test error to forecast and monitor multi-stage therapeutic processes.
عنوان نشريه :
مهندسي صنايع و مديريت شريف
