شناسايي عوامل مرتبط با طول مدت اقامت بيمارستاني با استفاده از درخت تصميم

Identifying Factors Associated with Length of Hospital Stay Using Decision Tree

مقدمه: يكي از عوامل اصلي هزينه هاي بيمارستاني طول مدت اقامت مي باشد كه باعث محدوديت منابع در بيمارستان مي-گردد. شناسايي عوامل مرتبط با اين شاخص جهت بهره برداي بهينه از منابع و كاهش مدت اقامت ، مي تواند مفيد باشد. مطالعه حاضر با هدف بررسي عوامل مرتبط با طول مدت اقامت با استفاده از اعمال درخت تصميم بر روي داده هاي پذيرش بيمارستان انجام شد. روش كار: اين مطالعه از نوع توصيفي گذشته نگر است. نمونه هاي مورد مطالعه از 188068 پرونده ي كامپيوتري بيماران بستري در تمام بخش هاي بيمارستان قايم(عج) مشهد شامل 16 متغير و در بازه ي زماني ابتداي سال 1388 تا انتهاي سال 1392 خورشيدي استخراج شد. پس از پاكسازي داده ها، جهت تعيين عوامل مرتبط با طول مدت اقامت ، از تحليل تك متغيره شامل تست هاي آماري كاي دو و تحليل واريانسيك طرفه و همچنين الگوريتم درخت تصميم CHAIDدر نرم افزار SPSS نسخه 19 استفاده گرديد. يافته ها: ميانگين مدت اقامت در بيمارستان مورد مطالعه 5/6 با ميانه چهار روز بوده است. از بين 15 متغير مستقل وارد شده به درخت تصميم، 11 متغير شامل بخش بستري، سن، دليل مراجعه، پزشك معالج، نحوه مراجعه، شغل، وضعيت تاهل، نوع محل زندگي، داشتن همراه، روز پذيرش در هفته، و نوع بيمه، به عنوان عوامل مرتبط با LOS شناخته شدند. نتيجه گيري: نتايج تكنيك هاي داده كاوي مي تواند بر اساس داده هاي ورودي متفاوت باشد، لذا جهت آگاهي از عوامل مرتبط با طول مدت اقامت لازم است داده هاي مربوط به هر بيمارستان به طور جداگانه وارد مدل شده و از نتايج به دست آمده، در همان بيمارستان استفاده شود. كليد واژه ها: طول مدت اقامت ، عوامل مرتبط، داده كاوي، درخت تصميم

Introduction: One of the main factors of hospital costs resulting in hospital resources constraints is Length of Stay (LOS). Recognizing factors associated with this index can result in optimized utilization of resources and reducing LOS. The present study has been conducted with the aim of investigating LOS-related factors using decision tree applied on hospital admission data. Methods: In this descriptive-retrospective study, 188068 patient data were extracted from computerized patient records including 16 variables in all wards in Ghaem Hospital in Mashhad, Iran, during 2009-2014. After data cleaning, in order to determine the factors associated with LOS, statistical procedures including univariate analysis, chi-Square statistical test, one-way ANOVA, and CHAID algorithm were applied on our data using SPSS Statistical Software version 19. Results: The mean and median of LOS in Ghaem hospital were 6. 5 and 4 days, respectively. Out of 15 independent variables entered the model, 11 variables including the ward, the patient’s age, the admission reason, the doctor, the referral status, the patient’s job, the marital status, the status of the residential place, the caregiver(s), admission day of the week, and the insurance type were associated with LOS. Conclusion: The results of data mining techniques can be different based on the input data. Therefore, to identify the factors related to LOS, it is necessary to enter the related data of individual hospitals into the model and to use the obtained results at the same hospital. Keywords: Length of Stay, Associated Factors, Data Mining, Decision Tree