عوامل موثر بر مدت زمان فرايند ترخيص به روش داده كاوي در بيمارستان شهيد مدرس شهر تهران

Determining Factors on Hospital Discharge Process Via Data-Mining Method Administered at Shahid Modares Hospital, Tehran

فرايند ترخيص بيمار از بيمارستان از جمله مهمترين مواردي است كه در سالهاي اخير مورد توجه مديران قرار گرفته است. پژوهش حاضر به تعيين متغيرهاي تاثيرگذار بر مدت زمان فرايند ترخيص و انتخاب بهترين الگوريتم داده كاوي پرداخته است.روش بررسي: جامعه پژوهش حاضر، شامل كليه بيماران ترخيص شده در سه ماهه ي اول سال 92 از بيمارستان مدرس بود. نمونه گيري انجام نشده و تعداد مشاهده ها به 1060 مورد رسيد. داده ها با استفاده از چك ليست پژوهشگر ساخته جمع آوري شد. رابطه ي بين متغيرهاي مستقل با متغير وابسته به كمك آزمون تي، آزمون همبستگي پيرسون و آناليز واريانس يك طرفه مشخص شد. الگوريتم هاي داده كاوي مورد استفاده در پژوهش حاضر درخت تصميم، شبكه عصبي، ماشين بردار پشتيبان و رگرسيون خطي ساده مي باشد.يافته ها: در مطالعه ي حاضر متوسط مدت زمان فرايند ترخيص برابر 3/25±246/96 دقيقه است. بين عوامل موثر بر مدت زمان فرايند ترخيص، بخش بستري بيشترين تاثير را دارد. مدل درخت تصميم با ميزان همبستگي 0/30 و ريشه ميانگين مربع خطا 103/29 به عنوان بهترين الگوريتم انتخاب شد. نتيجه گيري: نتايج نشان داد كه از الگوريتم هاي داده كاوي مي توان براي شناسايي عوامل موثر بر مدت زمان فرايند ترخيص استفاده نمود و مهمترين عامل در مدت زمان فرايند ترخيص متغير بخش بستري مي باشد.

Background and Aim: Over the recent years, patient discharge process time has been an important issue focused by so many officials. Therefore, the present study is aimed to identify the main factors with regard to the discharge process and selecting the best data-mining algorithm. Materials and Methods: The population in question is all the patients discharged from Modarres Hospital during the first three months in the year 2014. Sampling wasn’t carried out but the number of observations has reached over 1060. Data was gathered via the researcher’s checklist while the relation between dependent and independent variants was examined and identified through T-test, Pearson Correlation Test and one-way analysis of variance. Data Mining Algorithms, in this study, were as follows: Neural Network, Support Vector Machine, Decision Tree, Simple Linear Regression. Results: The average discharging process in the present study was 246.96 ± 3.25, which shows that among main factors concerned with discharging process, bedridden ward is considered as the most crucial . Also, according to the algorithms employed in this study, Decision Tree, with Correlation Value=0.30 and Root-Mean Square Error=103.29, was the best algorithm. Conclusion: Results show that Data-Mining Algorithms can be employed to identify crucial factors regarding the whole discharging process and the most important factor during discharge process variable is hospitalization.