برازش مدل‌ هاي هوش مصنوعي و آمار كلاسيك سري زماني جهت پيش‌بيني تعداد بيماران بستري بيمارستان‌ها

Evaluation of Artificial Intelligence Models and Classical Statistics Models of Time Series in Forecasting the Number of Hospital Inpatient Admissions

مطالعه و تجزيه وتحليل هر سيستم بهداشتي و درماني، يك ضرورت براي بهبود عملكرد آن در طول زمان به شمار مي آيد. در اين ميان، مديريت و تجزيه وتحليل تعداد بيماران يك عامل مهم و تعيين كننده در بهبود تصميمات مديران اين حوزه است. هدف از اين پژوهش، مطالعه و بررسي روش هاي پيش بيني مبتني بر سري هاي زماني جهت پيش بيني ماهيانه تعداد بيماران بستري و مقايسه صحت عملكرد اين روش ها مي باشد.روش: در اين مطالعه مقطعي مدل سازي بر اساس داده هاي ماهيانه تعداد بيماران بستري 6 بيمارستان دولتي شهر مشهد از فروردين 1383 تا فروردين 1395 انجام گرفت كه از پايگاه داده اداره آمار دانشگاه علوم پزشكي مشهد استخراج شد. جهت پيش بيني تعداد بيماران بستري سه ماهه نخست سال 1395 هر يك از بيمارستان ها، از تكنيك هاي پيش بيني holt-winters، sarima،mlp و grnn استفاده گرديد. براي هر مدل، خطاي مقادير پيش بيني شده توسط معيار ميانگين قدرمطلق درصد خطا (mape) گزارش شد.نتايج: روش holt-winters با ارائه بهترين نتايج پيش بيني براي 4 بيمارستان مي تواند روش كارآمدي براي پيش بيني تعداد بيماران بيمارستان ها باشد. در مجموع، مدل هاي پيش بيني مورد بررسي در اين مطالعه با ارائه معيار صحت mape در بازه 2/13 درصد تا 4/12 درصد، عملكرد قابل قبولي براي هر 6 بيمارستان داشته اند.نتيجه گيري: در اين مطالعه نشان داده شد كه تجزيه وتحليل سري هاي زماني ابزاري مناسب و كاربردي براي پيش بيني تعداد بيماران بستري بيمارستان هاي مورد مطالعه مي باشد. با توجه به ويژگي هاي منحصربه فرد بيمارستان هاي مختلف، فرايندهاي ذكرشده در اين پژوهش شامل مدل سازي و تجزيه وتحليل داده ها را مي توان در ديگر بيمارستان ها جهت بهبود تخصيص منابع و برنامه ريزي هاي استراتژيك مورد استفاده قرار داد.

Introduction: The study and analysis of each health system has become a necessity for its performance improvement through time. In this context, management and analysis of the number of patients is an important factor in the process of improving managers' decisions. The aims of this study were to explore and evaluate the use of multiple time series forecasting methods to predict monthly hospital inpatient admissions at six public hospitals in Mashhad city and to compare the accuracy performance of these methods. Methods: This cross-sectional modeling study was performed based on monthly data of inpatient admissions at six public hospitals in Mashhad from March 2004 through March 2016. Data were extracted from database of the Statistics Office of Mashhad University of Medical Sciences. Holtwinters, Seasonal Autoregressive Integrated Moving Average (SARIMA), Multilayer Perceptron (MLP) and Generalized Regression Neural Networks (GRNN) models were applied to forecast monthly inpatient numbers at each hospital. The error of the models in regard to the predicted values was reported through Mean Absolute Percentage Error (MAPE). Results: Holt-Winters method, due to providing the optimal forecasting performance in four hospitals, could be an efficient method for predicting the number of inpatients in hospitals. Totally, the studied models with a MAPE from 2.13% to 4.12% showed acceptable performance in all six hospitals. Conclusion: Time series analysis is an adequate practical tool for predicting the number of hospital inpatient admissions. Given the unique characteristics of different hospitals, applied methods in this study, including modeling and data analysis can be used in other hospitals to improve their resource allocation and strategic planning.