fa برازش مدل‌های هوش مصنوعی و آمار کلاسیک سری زمانی جهت پیش‌بینی تعداد بیماران بستری بیمارستان‌ها مدیریت اطلاعات سلامت Health Information Management پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color:black;">مقدمه:</span></strong> مطالعه و تجزیه‌وتحلیل هر سیستم بهداشتی و درمانی، یک ضرورت برای بهبود عملکرد آن در طول زمان به‌ شمار‌ می‌آید. در‌ این میان، مدیریت و تجزیه‌وتحلیل تعداد بیماران یک عامل مهم و تعیین‌کننده در بهبود تصمیمات مدیران این حوزه است. هدف از این پژوهش، مطالعه‌و بررسی روش‌های پیش‌بینی مبتنی بر سری‌های‌زمانی جهت پیش‌بینی ماهیانه‌ تعداد بیماران بستری و مقایسه‌ صحت عملکرد این روش‌ها می‌باشد.<br> <strong><span style="color:black;">روش:</span></strong><span style="color:black;"> در این مطالعه مقطعی </span>مدل‌سازی بر اساس داده‌های ماهیانه‌ تعداد بیماران بستری 6 بیمارستان دولتی شهر مشهد از فروردین 1383 تا فروردین 1395 انجام‌گرفت که از پایگاه‌ داده‌ اداره آمار دانشگاه علوم‌پزشکی‌مشهد استخراج شد. جهت پیش‌بینی تعداد بیماران بستری سه‌ماهه‌ نخست سال 1395 هر یک از بیمارستان‌ها، از تکنیک‌‌های پیش‌بینی <span dir="LTR"><span style="font-size:11.0pt;">Holt-Winters</span></span>، <span dir="LTR"><span style="font-size:11.0pt;">SARIMA</span></span>،<span dir="LTR"><span style="font-size:11.0pt;">MLP</span></span> &nbsp;و <span dir="LTR"><span style="font-size:11.0pt;">GRNN</span></span> استفاده گردید. برای هر مدل، خطای مقادیر پیش‌بینی‌شده توسط معیار میانگین قدرمطلق درصد خطا (<span dir="LTR">MAPE</span>) گزارش ‌شد.<br> <strong><span style="color:black;">نتایج</span></strong><strong>:</strong> روش‌ <span dir="LTR"><span style="font-size:11.0pt;">Holt-Winters</span></span> با ارائه بهترین نتایج پیش‌بینی برای 4 بیمارستان می‌تواند روش‌ کارآمدی برای پیش‌بینی تعداد بیماران بیمارستان‌ها باشد. در مجموع، مدل‌های پیش‌بینی مورد‌ بررسی در این مطالعه با ارائه‌ معیار صحت <span dir="LTR"><span style="font-size:11.0pt;">MAPE</span></span> در بازه‌ 2/13 درصد تا 4/12 درصد، عملکرد قابل‌قبولی برای هر 6 بیمارستان داشته‌اند.<br> <strong>نتیجه‌گیری:</strong> در این مطالعه نشان‌داده‌شد که تجزیه‌وتحلیل سری‌های‌زمانی ابزاری مناسب و کاربردی برای پیش‌بینی تعداد بیماران بستری بیمارستان‌های مورد‌ مطالعه می‌باشد. با توجه به ویژگی‌های منحصربه‌فرد بیمارستان‌های مختلف، فرایندهای ذکرشده در این پژوهش شامل مدل‌سازی و تجزیه‌وتحلیل داده‌ها را می‌توان در دیگر بیمارستان‌ها جهت بهبود تخصیص منابع و برنامه‌ریزی‌های استراتژیک مورد استفاده قرار داد. </span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> The study and analysis of each health system has become a necessity for its performance improvement through time. In this context, management and analysis of the number of patients is an important factor in the process of improving managers&#39; decisions. The aims of this study were to explore and evaluate the use of multiple time series forecasting methods to predict monthly hospital inpatient admissions at six public hospitals in Mashhad city and to compare the accuracy performance of these methods.<br> <strong>Methods:</strong> This cross-sectional modeling study was performed based on monthly data of inpatient admissions at six public hospitals in Mashhad from March 2004 through March 2016. Data were extracted from database of the Statistics Office of Mashhad University of Medical Sciences. Holt-winters, Seasonal Autoregressive Integrated Moving Average (SARIMA), Multilayer Perceptron (MLP) and Generalized Regression Neural Networks (GRNN) models were applied to forecast monthly inpatient numbers at each hospital. The error of the models in regard to the predicted values was reported through Mean Absolute Percentage Error (MAPE).<br> <strong>Results:</strong> Holt-Winters method, due to providing the optimal forecasting performance in four hospitals, could be an efficient method for predicting the number of inpatients in hospitals. Totally, the studied models with a MAPE from 2.13% to 4.12% showed acceptable performance in all six hospitals.<br> <strong>Conclusion</strong>: Time series analysis is an adequate practical tool for predicting the number of hospital inpatient admissions. Given the unique characteristics of different hospitals, applied methods in this study, including modeling and data analysis can be used in other hospitals to improve their resource allocation and strategic planning.</div> تجزیه‌و تحلیل سری‌زمانی, تعداد بیماران,Holt-Winters ,SARIMA‌, شبکه‌های عصبی Time Series Analysis, Inpatient Numbers, Holt-Winters, SARIMA, Neural Networks 12 24 http://jhbmi.ir/browse.php?a_code=A-10-250-1&slc_lang=fa&sid=1 Samira Rasouli سمیرا رسولی sam.rasouli@mums.ac.ir 10031947532846003699 10031947532846003699 No mashhad university of medical sciences دانشجوی کارشناسی ارشد انفورماتیک پزشکی، کمیته تحقیقات دانشجویی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران Hamed Tabesh حامد تابش TabeshH@mums.ac.ir 10031947532846003700 10031947532846003700 No mashhad university of medical sciences دکتری آمار زیستی، استادیار گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران kobra Etminani کبری اطمینانی Etminanik@mums.ac.ir 10031947532846003701 10031947532846003701 Yes mashhad university of medical sciences دکتری کامپیوتر، استادیار گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران