تشخیص ناهنجاری در شاخصهای عملکردی تختهای بیمارستانی با رویکردهای یادگیری بدون نظارت مطالعه موردی مرکز آموزشی درمانی شهدا قاین

اشغال بهینه تختهای بیمارستانی یکی از شاخصهای کلیدی مدیریت منابع در مراکز درمانی است و شناسایی الگوهای غیر عادی در آن می تواند به پیشگیری از بحران های ظرفیتی و بهبود برنامه ریزی کمک کند. در این پژوهش، داده های ماهانه شاخص های عملکردی ۱۸ بخش بیمارستانی در مرکز آموزشی درمانی شهدا قاین طی یک سال، شامل درصد اشغال تخت، متوسط اقامت، تعداد بستری شدگان و تخت روز اشغالی مورد تحلیل قرار گرفت. برای کاهش اثر تفاوت اندازه بخش ها شاخص های نسبی نسبت بستری به تخت فعال و گردش (تخت استخراج و به همراه سایر متغیرها استانداردسازی شدند. سپس دو الگوریتم یادگیری بدون نظارت Isolation Forest و Autoencoder برای شناسایی ماه-بخش های دارای رفتار ناهنجار به کار گرفته شد. نتایج نشان داد بخش LDR با اشغال تخت مزمن بالای ۱۰۰ در اکثر ماه های سال، بخش NICU با نوسانات فصلی شدید، ظرفیت و بخش روان پزشکی با الگوی ترکیبی اقامت طولانی و اشغال پایین به عنوان برجسته ترین موارد ناهنجار شناسایی شدند. مقایسه دو الگوریتم نشان داد Isolation Forest در شناسایی ناهنجاری های حدی (extreme) و Autoencoder در کشف الگوهای غیر معمول در ترکیب چند شاخص عملکرد مکمل دارند در حالی که از نظر سربار محاسباتی نیز هر دو روش برای استقرار در یک سامانه پایش ماهانه عملی ارزیابی شدند. یافته های این مطالعه می تواند به مدیران بیمارستان در شناسایی زودهنگام نقاط فشار ظرفیتی و تخصیص بهینه تر منابع تخت کمک کند.

کلیدواژه ها:

تشخیص ناهنجاری ، مدیریت تخت بیمارستانی ، یادگیری بدون نظارت ، Autoencoder ، Isolation Forest