برآورد هزينه ي درمان و طول دوره ي بستري شدن با استفاده از رويكرد شبك هي عصبي

Estimating the Duration of Treatment and Hospitalization Costs

مقدمه: استفاده از شبكه هاي عصبي و الگوريتم هاي ژنتيك در بررسي مسايل و متغيرهاي پر كاربرد در زمينه ي سلامت، اين روزها بيش از پيش رواج يافته است. مجهز شدن علم پزشكي به ابزارهاي هوشمند در تشخيص و درمان بيماري ها مي تواند اشتباهات پزشكان و خسارت جاني و مالي را كاهش دهد. در اين مقاله كاربردهاي نوعي شبك هي عصبي در پزشكي مورد شناسايي قرار گرفته است، تا هم براي محققان هوش مصنوعي و هم براي پزشكي قابل استفاده باشد. كه شامل ثبت درمان يك نمونه Patient_los.sav به نام SPSS روش بررسي: در اين مطالعه از نمونه ي داده هاي موجود در نرم افزار چند لايه Perceptron از بيماراني است كه براي بيماري قلبي درمان دريافت نموده اند، استفاده خواهيم كرد و با به كارگيري فرايند براي ساختن يك شبكه ي عصبي، به پيش بيني هزينه و طول درمان بيماران پرداخته شده است. متغيرهاي طول مدت بستري شدن و هزينه ي درمان به عنوان متغيرهاي وابسته و ساير متغيرها را نيز به عنوان عامل يا فاكتور وارد مدل شده اند. يافته ها: شبكه ي عصبي مي تواند نتايج بيماراني كه عمل شده باشد يا عمل نشده باشند، را بررسي كند و سپس شبكه هاي جداگانه مي تواند هزينه ي درمان و مدت بستري شدن را پيش بيني كند، به شرط اين كه بدانيم روي چه بيماري جراحي انجام شده است. نتيجه گيري: شبكه ي عصبي طراحي شده در اين قسمت به خوبي مقادير معمول بيماران را پيش بيني مي كند و با به وجود آوردن شبكه ي عصبي چند لايه مي توان بيماراني كه قبل از عمل جراحي مي ميرند، را به خوبي به تصوير كشيد. شبكه ي عصبي به خاطر خاصيت مدل سازي غير خطي مي تواند كمك موثري در مدل سازي و پيش بيني باشد. واژه هاي كليدي: شبكه هاي عصبي (كامپيوتر)؛ تشخيص؛ يادگيري

Introduction: Using neural networks and genetic algorithms in evaluating health-related variables has increased recently. Employing intelligent tools for diagnosis and treatment of diseases can reduce medical errors and human and financial losses. In this paper, medical applications of neural networks have been studied in order to help both medical and artificial intelligence researchers. Methods: We used an existing sample in SPSS (patient_los.sav). The sample consisted of patients who received treatment for heart disease. Multilayer perceptron (MLP) was employed to build a neural network to predict the cost and length of treatment. Duration of hospitalization and treatment cost were considered as dependent variables. Other variables were entered into the model as agents or factors. Results: Neural networks can evaluate the outcomes of patients who have or have not undergone surgery. Separate networks can then be used to predict treatment and hospitalization costs and duration provided that the patients who had surgery had been identified. Conclusion: Neural networks designed in this paper can well forecast the usual outcomes of patients. Multilayer neural networks can precisely identify patients who would die after surgery. Non-linear properties of neural networks can help in modeling and forecasting. Keywords: Neural Networks (Computer); Diagnosis; Learning.