مدل بندي زمان بستري بيماران در بخش مراقبت هاي ويژه كودكان در بيمارستان هاي دولتي شهر مشهد در سال 1397 با استفاده از توزيع هاي مركب وايبول معكوس

Modeling the Time of Hospitalization in Pediatric Intensive Care Unit in Mashhad Hospitals in 2018 with Inverse Weibull Composite Distributions

مقدمه: يكي از عوامل موثر در تعيين هزينه هاي بيماران بستري در بخش هاي بيمارستاني، مدت زمان اقامت بيماران در بيمارستان و يكي از بخش‌هاي پرهزينه نيز، بخش مراقبت‌هاي ويژه كودكان (PICU) است. اطلاع از مدت زمان بستري بودن بيماران در مديريت تخت‌هاي بيمارستاني مي تواند موثر باشد. هدف از اين مطالعه ارائه مناسب‌ترين توزيع آماري براي زمان اقامت بيماران در بخش‌هاي PICU بوده تا با استفاده از آن، بتوان زمان بستري بودن بيماران در بخش را پيش‌بيني كرد. روش بررسي: در اين مطالعه علاوه بر بررسي تشخيص‌هاي ارائه شده براي بيماران بستري در بخش PICU، سعي شد با استفاده از توزيع هاي آماري پركاربرد در مطالعات بقا مانند خانواده توزيع هاي وايبول معكوس يا تركيبات آن، بهترين مدل آماري را براي زمان بستري در بخش مراقبت هاي ويژه كودكان سه بيمارستان در شهر مشهد در سال 1397مشخص كرد. براي تجزيه و تحليل اطلاعات و ارائه مدل هاي آماري از نرم افزار R ويرايش 3.5.2 و براي تشخيص مدل مناسب، از معيارهاي آماري ماكزيمم درست نمايي، معيار آكائيك (AIC) و معيار اطلاع بيزي(BIC) استفاده شده است. يافته ها: بر اساس داده‌هاي بررسي شده بيمارستان ها، توزيع هاي آماري هندسي وايبول معكوس، سري‌لگاريتمي وايبول معكوس، هندسي وايبول معكوس تعميم‌يافته و سري‌لگاريتمي ‌وايبول ‌معكوس تعميم‌يافته براي داده‌هاي بقا روي زمان ماندگاري بيماران در بخش‌هاي PICU مورد بررسي برازش داده شدند. پس از برآورد پارامترهاي توزيع‌ها، شاخص‌هاي ميانه، چارك‌هاي اول و سوم براي توزيع ها گزارش شده است. نتيجه گيري: با توجه به نتايج برازش توزيع‌هاي آماري بر مدت زمان بستري بيماران در بخش PICU،توزيع‌هاي سري لگاريتمي وايبول معكوس تعميم يافته و هندسي وايبول معكوس در مقايسه با ساير توزيع‌ها برازش بهتري ارائه دادند.

Introduction: Length of stay in hospital is one of the effective factors in determining the cost of hospitalized patients and one of the high-cost departments is the pediatric intensive care unit (PICU). Knowing how long patients stay in hospital beds can be effective. The purpose of this study was to provide the most appropriate statistical distribution of patients 'stay in PICU wards to predict patients' hospital stay. Methods: In this paper, in addition to investigating the diagnoses presented to patients admitted to the PICU ward, it has been attempted to use the best statistical models in survival studies such as the inverse Weibull distribution family or its combinations to determine the best statistical model for pediatric hospitalization. To determine the pediatric intensive care unit of three hospitals in Mashhad in 2018 based on these distributions, the first, second and third quartiles of survival time are identified and the best statistical distribution is determined for patients' residence time. R statistical software version 3.5.2 was also used for data analysis and statistical modeling of the population. Finally, maximum likelihood, Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) were used to identify the appropriate model. Results: Based on the data from these three hospitals, several statistical distributions suitable for survival data were fitted to patients' survival times in the PICU wards studied, and the distribution parameters along with intermediate indices and first and third quartiles were reported. After fitting the composite statistical Weibull and Generalized Reverse Weibull statistical distributions to the length of hospital stay in the PICU ward, the best distribution was the logistic regression Weibull series distribution with the highest likelihood. Conclusion: Generalized inverse Weibull logarithmic series and Inverse Weibull Geometric distribution had a good fit for patients’ bed time in PICU department of reviewed hospitals.