پيش‌بيني ميزان مصرف دارو در بيمارستان‌ها با استفاده از مدل شبكه حافظه طولاني كوتاه‌مدت

زمينه و هدف: در سال‌هاي اخير، مديريت زنجيره تامين دارو، به‌ويژه پس از همه‌گيري بيماري كوويد-۱۹ اهميت بيشتري پيدا كرده است. در اين مدت يكي از چالش‌هاي مهم مساله كنترل هزينه زنجيره تامين است. اگر موجودي دارو در بيمارستان‌ها به‌درستي مديريت نشود، مشكلاتي مانند كمبود موجودي برخي داروهاي حياتي، تامين موجودي مازاد، افزايش هزينه‌ها و درنهايت نارضايتي بيماران را به دنبال خواهد داشت.مواد و روش‌ها: در اين پژوهش سعي شده است تا با استفاده از الگوريتم‌هاي يادگيري عميق، نيازهاي دارويي بيمارستان‌هاي كشور را پيش‌بيني و مديريت كنيم. داده‌هاي مصرف دارويي ده سال بيمارستان عمومي بعثت همدان از پايگاه داده‌هاي سامانه مديريت بيمارستان استخراج شده است. به‌عنوان يك مطالعه موردي، عملكرد مدل پيشنهادي براي پيش‌بيني ميزان مصرف سفازولين ارزيابي شده است. اين مدل شامل يك شبكه حافظه طولاني كوتاه‌مدت مي‌باشد كه مي‌تواند پيشينه تغييرات داده‌ها را در كاربردهاي پيش‌بيني سري‌‌هاي زماني تشخيص دهد. مدل پيشنهادي با وجود تعداد زيادي پارامترهاي تطبيق‌پذير در شبكه‌هاي عصبي عميق عملكرد خوبي را براي غلبه بر پيچيدگي‌هاي مسئله يادگيري به ارمغان مي‌آورد.نتايج: استفاده از رويكرد يادگيري عميق پيشنهادي با كاهش اثرات پيچيدگي و عدم قطعيت در داده‌هاي پزشكي، استحكام الگوريتم را افزايش داده است. ميانگين خطاي پيش‌بيني با به‌كارگيري روش پيشنهادي 0.043 و مقادير اندازه‌گيري شده براي RMSE، MAE و R^2  به‌ترتيب برابر با 0.335، 0.260 و 0.851 است.نتيجه‌گيري: مقايسات جامعي بين برخي از ساير روش‌هاي پيش‌بيني و مدل پيشنهادي انجام شده است، كه عملكرد بهتر مدل پيشنهادي را نشان مي‌دهد. علاوه براين، نتايج ارزيابي دقت و كارايي قابل قبول رويكرد پيشنهادي را به‌خوبي نشان مي‌دهد.