برآورد هزینه ی درمان و طول دوره ی بستری شدن با استفاده از رویکرد شبکه ی عصبی

نام کاربری رمز عبور  ورود خودکار    رمز عبور خود را فراموش کرده اید؟ زبان انتخاب زبان English   Persian   محتوای مجله جستجو محدوده جستجو   تمام   نویسندگان   عنوان   چکیده   جملات اندکس   تمام متن   ابزارهای مقاله  چاپ این مقاله  اندکس متاداده  چگونه به مقاله ارجاع بدهیم درباره نویسندگان سعید صمدیاستادیار، گروه اقتصاد، دانشگاه اصفهان، اصفهان، ایران   مینو نظیفی نائینیکارشناس ارشد، گروه اقتصاد توسعه و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران   سحر عباسپورکارشناس ارشد، گروه اقتصاد توسعه و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران اطلاع رسانی هامشاهدهمشترک شدن     This journal subscribes to the principles of, the Committee on Publication Ethics (COPE). صفحه اصلی مشخصات مجله درباره مجله هیات تحریریه بانک ها و نمایه نامه ها اطلاعیه ها راهنما راهنمای ارسال مقاله راهنمای نویسندگان فرم تعهدنامه فرم تعهد پرداخت آرشیو شماره آتی شماره جاری شماره های قبلی برقراری ارتباط مجلات مرتبط دوره ۸، شماره ۷، ۱۳۹۰ (ویژه نامه ی اقتصاد سلامت) برآورد هزینه ی درمان و طول دوره ی بستری شدن با استفاده از رویکرد شبکه ی عصبی سعید صمدی, مینو نظیفی نائینی, سحر عباسپور چکیده مقدمه: استفاده از شبکه های عصبی و الگوریتم های ژنتیک در بررسی مسایل و متغیرهای پر کاربرد در زمینه ی سلامت، این روزها بیش از پیش رواج یافته است. مجهز شدن علم پزشکی به ابزارهای هوشمند در تشخیص و درمان بیماری ها می تواند اشتباهات پزشکان و خسارت جانی و مالی را کاهش دهد. در این مقاله کاربردهای نوعی شبکه ی عصبی در پزشکی مورد بررسی قرار گرفته است، تا هم برای محققان هوش مصنوعی و هم برای پزشکی قابل استفاده باشد. روش بررسی: در این مطالعه از نمونه ی داده های موجود در نرم افزار SPSS به نام Patient_los.sav که شامل ثبت درمان یک نمونه از بیمارانی است که برای بیماری قلبی درمان دریافت نموده اند، استفاده خواهیم کرد و با به کارگیری فرایند پرسپترون چند لایه برای ساختن یک شبکه ی عصبی، به پیش بینی هزینه و طول درمان بیماران پرداخته شده است. متغیرهای طول مدت بستری شدن و هزینه ی درمان به عنوان متغیرهای وابسته و سایر متغیرها را نیز به عنوان عامل یا فاکتور وارد مدل شده اند. یافته ها: شبکه ی عصبی می تواند نتایج بیمارانی که عمل شده باشد یا عمل نشده باشند، را بررسی کند و سپس شبکه های جداگانه می تواند هزینه ی درمان و مدت بستری شدن را پیش بینی کند، به شرط این که بدانیم روی چه بیماری جراحی انجام شده است. نتیجه گیری: شبکه ی عصبی طراحی شده در این قسمت به خوبی مقادیر معمول بیماران را پیش بینی می کند و با به وجود آوردن شبکه ی عصبی چند لایه می توان بیمارانی که قبل از عمل جراحی می میرند، را به خوبی به تصویر کشید. شبکه ی عصبی به خاطر خاصیت مدل سازی غیر خطی می تواند کمک موثری در مدل سازی و پیش بینی باشد.

کلیدواژه ها:

شبکه های عصبی (کامپیوتر) ، تشخیص ، یادگیری