این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت اطلاعات سلامت، جلد ۸، شماره ۷(ویژه نامه اقتصاد سلامت)، صفحات ۹۴۸-۹۵۷
عنوان فارسی برآورد هزینه‌ی درمان و طول دوره‌ی بستری شدن با استفاده از رویکرد شبکه‌ی‌ عصبی
چکیده فارسی مقاله 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 برنامه‌ریزی، دانشگاه اصفهان، اصفهان، ایران سحر عباسپورکارشناس ارشد، گروه اقتصاد توسعه و برنامه‌ریزی، 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 8، شماره 7، 1390 (ویژه نامه ی اقتصاد سلامت) برآورد هزینه‌ی درمان و طول دوره‌ی بستری شدن با استفاده از رویکرد شبکه‌ی‌ عصبی سعید صمدی, مینو نظیفی نائینی, سحر عباسپور چکیده مقدمه: استفاده از شبکه‌های عصبی و الگوریتم‌های ژنتیک در بررسی مسایل و متغیرهای پر کاربرد در زمینه‌ی سلامت، این روزها بیش از پیش رواج یافته است. مجهز شدن علم پزشکی به ابزارهای هوشمند در تشخیص و درمان بیماری‌ها می‌تواند اشتباهات پزشکان و خسارت جانی و مالی را کاهش دهد. در این مقاله کاربردهای نوعی شبکه‌ی 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 نمونه‌ی داده‌های موجود در نرم‌افزار SPSS به نام Patient_los.sav که شامل ثبت درمان یک نمونه از بیمارانی است که برای بیماری قلبی درمان دریافت نموده‌اند، استفاده خواهیم کرد و با به کارگیری فرایند پرسپترون چند لایه برای ساختن یک شبکه‌ی عصبی، به پیش‌بینی هزینه و طول درمان بیماران پرداخته شده است. متغیرهای طول مدت بستری شدن و هزینه‌ی درمان به عنوان متغیرهای وابسته و سایر متغیرها را نیز به عنوان عامل یا فاکتور وارد مدل شده‌اند. یافته‌ها: شبکه‌ی عصبی می‌تواند نتایج بیمارانی که عمل شده باشد یا عمل نشده باشند، را بررسی کند و سپس شبکه‌های جداگانه می‌تواند هزینه‌ی درمان و مدت بستری شدن را پیش‌بینی کند، به شرط این که بدانیم روی چه بیماری جراحی انجام شده است. نتیجه‌گیری: شبکه‌ی عصبی طراحی شده در این قسمت به خوبی مقادیر معمول بیماران را پیش‌بینی می‌کند و با به وجود آوردن شبکه‌ی عصبی چند لایه می‌توان بیمارانی که قبل از عمل جراحی می‌میرند، را به خوبی به تصویر کشید. شبکه‌ی عصبی به خاطر خاصیت مدل‌سازی غیر خطی می‌تواند کمک مؤثری در مدل‌سازی و پیش‌بینی باشد.
کلیدواژه‌های فارسی مقاله شبکه‌های عصبی (کامپیوتر)، تشخیص، یادگیری،
عنوان انگلیسی Estimating the Duration of Treatment and Hospitalization Costs Using Neural Network Approach
چکیده انگلیسی مقاله Introduction: Using neural networks and genetic algorithms in evaluating health-related variables has increased recently. Employing intelligent tools for diagnosis and treatment of diseases can reduce medical errors and human and financial losses. In this paper, medical applications of neural networks have been studied in order to help both medical and artificial intelligence researchers. Methods: We used an existing sample in SPSS (patient_los.sav). The sample consisted of patients who received treatment for heart disease. Multilayer perceptron (MLP) was employed to build a neural network to predict the cost and length of treatment. Duration of hospitalization and treatment cost were considered as dependent variables. Other variables were entered into the model as agents or factors. Results: Neural networks can evaluate the outcomes of patients who have or have not undergone surgery. Separate networks can then be used to predict treatment and hospitalization costs and duration provided that the patients who had surgery had been identified. Conclusion: Neural networks designed in this paper can well forecast the usual outcomes of patients. Multilayer neural networks can precisely identify patients who would die after surgery. Non-linear properties of neural networks can help in modeling and forecasting.
کلیدواژه‌های انگلیسی مقاله شبکه‌های عصبی (کامپیوتر), تشخیص, یادگیری
نویسندگان مقاله سعید صمدی |
استادیار، اقتصاد،دانشگاه اصفهان، اصفهان، ایران.

مینو نظیفی نائینی |
کارشناس ارشد، اقتصاد توسعه و برنامه ریزی، دانشگاه اصفهان، اصفهان، ایران.

سحر عباسپور |
کارشناس ارشد، اقتصاد توسعه و برنامه ریزی، دانشگاه اصفهان، اصفهان،

نشانی اینترنتی https://him.mui.ac.ir/article_26164_eceb78259ebc7edc239c43949b49bba8.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات