پیش بینی ریسک بازگشت مجدد بیماران با استفاده از معماری عمیق ترکیبی جهت بهینه سازی جریان بیمارستانی

یکی از چالش های اساسی بهبود کیفیت و کارایی مراکز درمانی پیش بینی ریسک بازگشت مجدد بیماران به ویژه در بازه های زمانی کوتاه مدت است. عدم کنترل این مسئله علاوه بر تحمیل هزینه های مستقیم و غیرمستقیم موجب کاهش ظرفیت پذیرش بیماران جدید و اختلال در کارآمدی جریان بستری می شود. محدودیت های روش سنتی به ویژه در محیط های پیچیده و با حجم بالای مراجعین، فرایند شناسایی دقیق بیماران پرخطر و پیش بینی بازگشت مجدد آن ها را مختل می کند. در این راستا بهره گیری از الگوریتم های هوشمند یادگیری ماشین به ویژه شبکه ضربدری و عمیق دقت پیش بینی را ارتقا داده و زمینه ساز تصمیم گیری آگاهانه و تخصیص بهینه منابع خواهد بود. بدین منظور پژوهش با رویکرد توصیفی-تحلیلی و جامعه آماری بیماران دیابتی بستری شده در ۱۳۰ بیمارستان در یک دوره زمانی ۱۰ ساله انجام شد. پیاده سازی این ساختار در بستر سامانه های اطلاعات بیمارستانی زمینه ساز طراحی یک سیستم تصمیم یار عملیاتی برای ترخیص و پیگیری هدفمند بیماران خواهد بود. این تحقیق علاوه بر پوشش خلا علمی موجود مسیر مشخصی برای کاهش اشغال غیر ضروری تخت ها و بهبود جریان بیمارستانی را ارائه می کند. در نهایت این پژوهش با غلبه بر چالش های ذاتی داده های پزشکی نظیر عدم تعادل شدید و نویز ساختاری موفق به توسعه سامانه هوشمند بر پایه معماری نوین شد که فراتر از یک مدل پیش بینی صرف عمل می کند. مدل نهایی توانست ضمن دستیابی به دقت رقابتی، شانس شناسایی بیماران پرخطر را در نقطه اثر تا ۳ برابر افزایش دهد. دستاورد برجسته این طرح تبدیل خروجی های ریاضی به یک ابزار مدیریتی یعنی طبقه بندی ریسک است که تنها با تمرکز بر ۲۰ درصد از جمعیت بیماران قادر به شناسایی و مدیریت بیش از ۳۶ درصد از کل بازگشت های مجدد می باشد.

کلیدواژه ها:

بازگشت مجدد بیماران ، پیش بینی ، ریسک ، شبکه ضربدری و عمیق ، یادگیری ماشین