تحلیل و پیش بینی فرایندهای درمانی: رویکرد مبتنی بر علم داده فرایندگرا

مقدمه:فرآیندهای مراقبت های بهداشتی به دلیل پیچیدگی، نیازمند رویکردهای داده محور برای مدیریت اطلاعات سلامت هستند. این مطالعه با تلفیق فرایندکاوی و یادگیری عمیق، پیش بینی فعالیت های بعدی در بخش اورژانس عفونی را مبتنی بر نگاره های رویداد هدف قرار داده تا مدیریت بهینه تر را تسهیل کند.روش بررسی:نگاره رویداد استفاده شده شامل ۱۰۵۰بیمار که با نشانه های عفونت و علائم سپسیس به بخش اورژانس بیمارستان مراجعه کردند می باشد. که یک سری از درمان های خاص برای آن ها انتظار می رود. در ابتدا برای شفافیت جریان بیماران به کمک ابزارهای فرآیندکاوی از نگاره رویداد نقشه برداری صورت گرفت. سپس به کمک داده های فرایندی تجزیه و تحلیل فرایندی انجام شد در گام بعدی مدل پیشنهادی با استفاده ازیادگیری عمیق و به طور مشخص معماری شبکه های ترانسفورمرگام بعدی هر بیمار در مجموعه پیش بینی شد . مدل پیشنهادی با استفاده از معیارهایی همچون صحت(Accuracy) مورد ارزیابی قرارگرفت.یافته ها:فرایندکاوی، گلوگاه هایی چون تاخیر در آزمایش های تشخیصی و ترافیک واحدهای آزمایش خون را شناسایی کرد. مدل ترانسفورمر با دقت میانگین ۸۳.۵٪ در پیش بینی فعالیت بعدی، نسبت به روش های موجود ۱۳٪ بهبود نشان داد و خطای میانگین مطلق (MAE) برای زمان رویداد بعدی (۹۳/۰ روز) و زمان باقی مانده (۴۳/۵ روز) را کاهش داد.نتیجه گیری:مدل ارائه شده، ابزاری قدرتمند برای تحلیل و بهبود فرایندهای درمانی است. این رویکرد می تواند به کاهش زمان انتظار بیماران، بهبود تخصیص منابع و ارتقای تصمیم گیری مبتنی بر داده در محیط های درمانی کمک کند. یافته های این پژوهش گامی موثر در توسعه سیستم های مدیریت اطلاعات سلامت و بهبود خدمات درمانی محسوب می شود.

کلیدواژه ها:

علوم داده ، فرایندکاوی ، یادگیری عمیق ، مدیریت اطلاعات سلامت