پیشینه تحقیق مفهوم سیستم اطلاعات بیمارستانی و داده کاو ی و مدل های آن و رویکردهای مسائل داده کاوی در پزشکی  دارای ۵۰  صفحه می باشد فایل پیشینه تحقیق به صورت ورد  word و قابل ویرایش می باشد. بلافاصله بعد از پرداخت و خرید لینک دنلود فایل نمایش داده می شود و قادر خواهید بود  آن را دانلود و دریافت نمایید . ضمناً لینک دانلود فایل همان لحظه به آدرس ایمیل ثبت شده شما ارسال می گردد.

فهرست مطالب

۱-۱- فناوری اطلاعات در بهداشت و درمان    ۴
۱-۲- مروری بر تحقیقات انجام شده    ۴
۱-۳- سیستم های اطلاعات بیمارستان    ۱۷
۱-۴- تعریف و مفهوم سیستم اطلاعات بیمارستانی    ۱۹
۱-۵- داده کاوی    ۲۳
۱-۶- مراحل داده کاوی    ۲۴
۱-۷- وظایف داده کاوی    ۲۸
۱-۸- کاربرد های داده کاوی    ۳۱
۱-۹- رویکردهای مسائل داده کاوی در پزشکی    ۳۲
۱-۱۰- مدلها و الگوریتمهای داده کاوی    ۳۴
۱-۱۱- نرم افزارهای داده کاوی    ۴۵

 منابع

 Reichertz P. Hospital information systems—Past, present, future. International Journal of Medical Informatics. . 2006;75(3-4):282-99.

yan-feng l. Data Mining of Inspection-time Rules in HIS with DeepSee. Database Technology and Applications (DBTA), 2010 2nd International Workshop on 27-28 Nov; Wuhan: IEEE; 2010. p. 1-4.

Berry MJA. Data Mining Tehniques: For Marketing, Sales, and Customer Support. New York: John Wiley & Sons; 2004.

Stephen. Pharmaceutical Marketing in Perspective – Its Value and Role as One of Many Factors Informing Prescribing2008 [cited 2008 07.01.08].

Qingkui C. Study on the Demand Forecasting of Hospital Stocks Based on Data Mining and BP Neural Networks International Conference on Electronic Commerce and Business Intelligence2009. p. 284-9.

Desikan P. DATA MINING FOR HEALTHCARE MANAGEMENT. SIAM international conference on data minig2011.

HAMURO Y. Mining Pharmacy Data Helps to Make Profits. Data Mining and Knowledge Discovery 1998;2:391–۸

Li J-s. “Data Mining in Hospital Information System”. New Fundamental Technologies in Data Mining. 2011:143-71.

Bereznicki BJ. Data-mining of medication records to improve asthma management. MJA. 2008;189:21-5.

Asadi F. Pharmacy information systems in Tehran university hospitals and their relationship with pharmaceutical companies. Journal of Paramedical Sciences 2011;2:48-55.

Asfandiary N . Knowledge discovery in medicine: Current issue and future trend [press release]. ELSEVIER2014.

Ranjan J. APPLICATIONS OF DATA MINING TECHNIQUES IN PHARMACEUTICAL INDUSTRY. Journal of Theoretical and Applied Information Technology 2007:61-7.

Doddi S. Discovery of Association Rules in Medical Data. Medical informatics and the Internet in medicine 2001;26(1):25-33

.۲۳       ا. حاجوی ، مدارک پزشکی، چاپ اول ، انتشارات نشرالکترونیک و اطلاع رسانی جهان رایانه،  ۱۳۸۱٫

.۲۴       ح. وکیلی منفرد، سیستم اطلاعات بیمارستانی و نقش آن در توسعه خدمات پزشکی وبهداشتی. مجله علمی-پژوهشی پژوهان. ۱۳۹۱;دوره۱۱(شماره۱).

۱-۱- فناوری اطلاعات در بهداشت و درمان

در سال­های اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستم­های اطلاعاتی خود برآمده­اند. در ابتدا مقصود از چنین فعالیت­هایی کاهش هزینه­های ناشی ازکاغذ بازی­ موجود در سیستم­های دستی و اداری بوده است، اما اکنون به مرحله ای رسیده­ایم که بهبود کیفیت ارائه خدمات درمانی اهمیتی روزافزون می­یابد و در این راستا بکار­گیری سیستم های اطلاعات بیمارستان­ها بسیار مرسوم شده است.

بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جواب­ها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواست­ها که در حالت دستی می تواند ناخوانا باشد، همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [۱]. با استفاده از تکنیک های داده کاوی می توان از داده­های موجود در این سیستم­ها در جهت پشتیبانی از تصمیم و مدیریت  و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست  .[۲] داده‌کاوی یکی از ده دانش در حال توسعه است و در سال‌های اخیر در دنیا گسترش فوق‌العاده سریعی داشته است. داده‌کاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینه‌های تخصصی با توصیف، تشریح، پیش‌بینی و کنترل پدیده‌های گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزه‌های مختلفی ازجمله پزشکی و تجارت دارد [۳].

۱-۲- مروری بر تحقیقات انجام شده

Qingkui در مطالعه در سال ۲۰۰۹ مدلی جهت پیش بینی تقاضا برای استفاده از خدمات و امکانات بیمارستان CQDP  ارائه کرد [۱۴] وی در ابتدا بیان می­دارد که پیش بینی موجودی بیمارستان یک دانش مدیریتی جدید و با قابلیت پیاده سازی بالا می باشد که پایه اصلی آن نگهداری موجودی مناسب دارو و سایر مواد و تجهیزات مورد استفاده  در بیمارستان می باشد. با انجام این پیش بینی می توان موجودی غیر ضرور ی را کاهش داد ،جریان مالی را بهبود بخشید و در نهایت باعث افزایش سود آوری بیمارستان شد. برای پیش بینی تقاضا چارچوبی را ارائه کردند که در شکل ۲-۱ نشان  داده شده است. در این چارچوب در ابتدا به تجزیه و تحلیل فاکتور­های تاثیر گذار بر پیش بینی می­پردازد در این مرحله عواملی همچون تعداد افرادی که از خدمات بیمارستان بهره می­گیرند و تعداد تخت خواب و سایر عوامل محیطی می­پردازد. و در بخش بعدی به معرفی فاکتورهای تاثیر گذار بر روی پیش بینی که توسط الگوریتم مورد استفاده قرار می گیرند همچون هزینه نگهداری موجودی وتعداد درخواست ها و چرخه استفاده و مواردی دیگر را بررسی می­کند. در مرحله بعد داده­های مورد پردازش را مشخص می کند و با استفاده از داده­کاوی در فاز پیش پردازش داده­ها آماده سازی و یکپارچه می شوند و با پیاده سازی الگوریتم شبکه عصبی BP به آموزش الگوریتم می پردازد تا ساختار شبکه پیاده سازی شود و در نهایت با استفاده از شبکه عصبی پیش بینی را انجام  می­دهد [۱۴].

لایه ورودی : شامل داده های پیش پردازش شده توسط داده کاوی مربوط به عوامل تاثیر گذار بر پیش بینی تقاضا می باشد.

لایه مخفی : در الکوریتم BP معمولا یک یا چند لایه مخفی وجود دارد تا به همگرایی کند و مینیم محلی غلبه کند در این مقاله با ضافه کردن فاکتور  MOMENTUMتوانسته کارای الگوریتم را بالا ببرند.

لایه خروجی : پیش بینی را ارائه می دهد.

پس از ساختن ساختار شبکه با وارد کردن داده­های آموزشی شبکه را آموزش می دهدند و پس از ۳۳۰ دوره شبکه همگرا می شود. بعد از آموزش شبکه با استفاده از MATLAB تقاضای آینده را با دقت  ۸۷٫۹% پیش بینی کرده اند [۱۴].

Desikan و همکاران  [۱۵]در یک تحقیق، چگونگی بکارگیری داده کاوی در بهداشت و درمان را مورد بررسی قرار دادند. این تحقیق بیان می کند که سیستم های بهداشت و درمان در حال حاضر حجم بالایی از داده ها مربوط به بیماران واطلاعات بیمارستانی را دارا می باشند که با استفاده از دانش تولید شده توسط داده کاوی می توان در تصمیم گیریها بهتر عمل کرد و با اتخاذ تصمیمات بهتر در مصرف منابع مالی صرفه جویی کرد. وی یک چارچوب برای بکار گیری داده کاوی در سیستم های اطلاعات بهداشت و درمان ارایه کرده است. مدل پیشنهادی دارای چندین مرحله می­باشد که در مرحله اول اطلاعات خام از منابع مختلف مانند کتابها، ژورنالها، مجلات علمی و بازبینیهای سیستماتیک، راهنماهای درمانی، پروتکل ها و سیاست گذاریها در حوزه سلامت، استخراج شده و سپس برروی این داده های خام، یک فیلترینگ جهت بهسازی داده­ها  انجام شده و با تبادلاتی سعی در تبدیل داده­های کیفی به کمی انجام می­گیرد.  سپس تلاش می شود تا با ایجاد یک مجموعه قوانین ارتباط بین آیتمهای ورودی مشخص گردد. این مرحله شامل دو قسمت می­باشد که در ابتدا ارتباط بین آیتم ها از یک انباره داده استخراج شده و سپس قوانین ابتدایی تشکیل میگردند.

در قسمت بعد جهت تصحیح قوانین ابتدایی از یک سری معیار ارزیابی مفهومی استفاده میشود تا قوانینی که با هم در تضاد هستند و یا قوانین غیر صحیح، تصحیح گردند. پس از مرحله تصحیح قوانین، قوانین ایجاد شده برای بکارگیری در کاربردهایی مانند خرید اقلام و یا کارهای تحقیقاتی استفاده میگردند. شکل۲-۳، بصورت شماتیک توصیف کننده مراحل مذکور است که تحت عنوان یک مدل توسط  Desikan و همکاران ارائه شده است [۱۵].

Jing-song Li  و همکاران در تحقیقی به معرفی برنامه های کاربردی داده کاوی بر روی سیستم­های اطلاعات بیمارستان پرداخته اند [۱۶]. وی در این مطالعه به بیان اصول و مبانی داده کاوی و ارائه مدل جدید برای کشف دانش از سیستم اطلاعات بیمارستان و در نهایت به معرفی تکنیک های داده کاوی پیشرفته پرداخته است .همچنین مثال­هایی از مطالعات موردی در تکنیک­های داده کاوی پیشرفته را ارئه کرده اند.

مطالعه­ی مذکور ابزارهای داده کاوی را به سه دسته تقسیم کرده که عبارتند از:

طبقه بندی :داده ها را به کلاس­ها یا گروه­های از پیش تعریف شده تقسیم می­کنند. این نوع طبق بندی به آموزش نظارت شده نیز معروف است. چرا که گروه­ها قبل از بررسی و آزمایش داده­ها تعیین شده­اند.

خوشه بندی :خوشه بندی شبیه طبقه بندی است با این تفاوت که داده در گروه­های از پیش تعریف شده قرار نمی­گیرند. این گروه به عنوان آموزش کنترل نشده نیز مطرح شده است. خوشه بندی معمولاً از طریق تعیین تشابه بین داده ها قبل از تعریف موقعیت ها صورت می گیرد.

قوانین وابستگی: تجزیه وتحلیل وابستگی بین داده ها می باشد که در واقع وظیفه ی اصلی داده کاوی را در کشف روابط بین داده ها مطرح می کند.

در ادامه به معرفی فرایند استخراج دانش از پایگاه داده^[۱] سیستم اطلاعات بیمارستان می پردازد.اصطلاح  KDD اشاره دارد به فرایند کشف دانش مفید از داده­ها، که این شامل ارزیابی­ها و تفسیر­های ممکن برای اتخاذ تصمیم­های مناسب با استفاده از دانش و همچنین شامل پردازش­ها وشمای کد گذاری و نمونه برداری و پیش بینی داده­ها قبل از داده کاوی است. اما داده کاوی اشاره دارد به برنامه­های کاربردی از الگوریتم ها برای استخراج الگو ها از داده ها بدون مرحله اضافی کشف دانش [۱۶]. بطور کلی استخراج دانش مفهوم وسیعتری نسبت به  داده کاوی دارد.

همانطور که در شکل ۲-۴ مشخص شده است فرایند استخراج دانش از ۵ مرحله زیر تشکیل شده است که عبارتند از :

انتخاب مجموعه ی داده­ی هدف :داده­های مورد نیاز برای داده کاوی ممکن است از چندین منبع باشند. اولین گام فراهم کردن داده­ها از پایگاه داده­های مختلف، فایل ها و منابع غیر الکترونیکی است.

پیش پردازش داده­ها: داده­هایی که توسط فرایند پردازش می شوند ممکن است صحیح نباشند و یا کامل نباشند. همچنین ممکن است داده ها دارای بی نظمی و یا اینکه از چندین نوع باشند.در این مرحله چندین فعالیت از جمله استفاده از منابع در دسترس برای مقابله با  داده­های نامربوط و همچنین تصمیم­گیری در مورد داده­های از دست رفته انجام می گیرد.

تبدیل داده ها: صفات و ویژگی­های مناسب به داده­ی هدف اضافه می­شوند و یا مواردی از آنها حذف می­شوند. داده­ها به یک فرمت مشترک برای پردازش شدن تبدیل می­شوند. برخی از داده ها ممکن است رمز گذاری شده یا به فرمت های قابل استفاده تبدیل شوند. به منظور کاهش تعداد مقادیر داده­های ممکن برخی از اطلاعات حذف می­شوند.

داده کاوی: بهترین مدل برای نمایش داده ها با استفاده از یک یا چند الگوریتم داده کاوی بر اساس وظیفه داده کاوی انجام می­شود. این مرحله شامل بکار بردن الگوریتم داده کاوی برای تبدیل به نتایج مورد نظرمی باشد.

تفسیر و ارزیابی: در این مرحله خروجی مرحله ۴ را بررسی می کنیم تا مشخص شود چه چیزی کشف شده است. تصمیم گیری در مورد اینکه مرحله با استفاده از ویژگیها و صفات جدید تکرار شود.

[۱]knowledge discovery in database (KDD)

تمامی فایل های پیشینه تحقیق و پرسشنامه و مقالات مربوطه به صورت فایل دنلودی می باشند و شما به محض پرداخت آنلاین مبلغ همان لحظه قادر به دریافت فایل خواهید بود. این عملیات کاملاً خودکار بوده و توسط سیستم انجام می پذیرد. جهت پرداخت مبلغ شما به درگاه پرداخت یکی از بانک ها منتقل خواهید شد، برای پرداخت آنلاین از درگاه بانک این بانک ها، حتماً نیاز نیست که شما شماره کارت همان بانک را داشته باشید و بلکه شما میتوانید از طریق همه کارت های عضو شبکه بانکی، مبلغ  را پرداخت نمایید.