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

نویسندگان

1 دانشگاه علوم پزشکی تهران

2

doi
10.48305/him.2026.45810.1350
چکیده

مقدمه: فرآیندهای مراقبت‌های بهداشتی به دلیل پیچیدگی، نیازمند رویکردهای داده‌محور برای مدیریت اطلاعات سلامت هستند. این مطالعه با تلفیق فرایندکاوی و یادگیری عمیق، پیش‌بینی فعالیت‌های بعدی در بخش اورژانس عفونی را مبتنی بر نگاره‌های رویداد هدف قرار داده تا مدیریت بهینه‌تر را تسهیل کند. روش‌بررسی: نگاره رویداد استفاده شده شامل 1050بیمار 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 شبکه‌های ترانسفورمرگام بعدی هر بیمار در مجموعه پیش بینی شد . مدل پیشنهادی با استفاده از معیارهایی همچون صحت(Accuracy) مورد ارزیابی قرارگرفت. یافته‌ها: فرایندکاوی، گلوگاه‌هایی چون تأخیر در آزمایش‌های تشخیصی و ترافیک واحدهای آزمایش خون را شناسایی کرد. مدل ترانسفورمر با دقت میانگین ۸۳.۵٪ در پیش‌بینی فعالیت بعدی، نسبت به روش‌های موجود ۱۳٪ بهبود نشان داد و خطای میانگین مطلق (MAE) برای زمان رویداد بعدی (93/0 روز) و زمان باقی‌مانده (43/5 روز) را کاهش داد. نتیجه‌گیری: مدل ارائه‌شده، ابزاری قدرتمند برای تحلیل و بهبود فرایندهای درمانی است. این رویکرد می‌تواند به کاهش زمان انتظار بیماران، بهبود تخصیص منابع و ارتقای تصمیم‌گیری مبتنی بر داده در محیط‌های درمانی کمک کند. یافته‌های این پژوهش گامی مؤثر در توسعه سیستم‌های مدیریت اطلاعات سلامت و بهبود خدمات درمانی محسوب می‌شود.