خداکرم سلیمی فرد

زمینه: بیماری مزمن کلیه یکی از بیماری های غیرواگیر رو به رشد در ایران است که با افزایش شیوع دیابت و فشار خون، تقاضای خدمات دیالیز را به گونه‏ای چشمگیر بالا برده است. مدیریت منابع محدود بخش های دیالیز (مانند پرستار، دستگاه و تخت) در شرایط نوسان تقاضا و محدودیت های اقتصادی، چالش اصلی بیمارستان ها به شمار می رود. نادقیق بودن پیش بینی تقاضا و تخصیص ناکارآمد منابع رهنمون به هرزرفت ظرفیت، افزایش زمان انتظار بیماران و هزینه های عملیاتی بالا می شود. هدف: هدف این پژوهش، توسعه یک مدل ترکیبی یادگیری ماشین و شبیه سازی گسسته پیشامد برای بهینه سازی تخصیص منابع بیمارستانی در مدیریت بیماری مزمن کلیه است، که از طریق پیش بینی مراحل بیماری و تقاضای آتی دیالیز، ارزیابی عملکرد بخش دیالیز و مقایسه سناریوهای تخصیص منابع، در راستای افزایش کارایی عملیاتی و کاهش هزینه ها عمل می کند. روش‏شناسی: برای پیش بینی مرحله بیماری، از مجموعه داده بیماری مزمن کلیه مخزن UCI (که دربرگیرنده 400 بیمار و 25 ویژگی بالینی است) استفاده شد. چهار تکنیک یادگیری ماشین، جنگل تصادفی، ماشین بردار پشتیبان، تقویت گرادیان و کت بوست با روش های جستجوی شبکه ای و TPE ارزیابی گردیدند. برای ارزیابی و بهبود تخصیص منابع نیز، مدل گسسته پیشامد بخش دیالیز بیمارستان شهدای خلیج فارس بوشهر با نرم افزار آرنا ساخته شد و سناریوهای گوناگون تخصیص منابع آزمون شدند. یافته‏ها: برای پیش بینی مرحله بیماری، مدل تقویت گرادیان با جستجوی شبکه ای بهترین عملکرد را با نمره 938/0 برای سنجه F1 Score نشان داد و ویژگی کراتینین سرم بالاترین اهمیت را داشت. در شبیه سازی، سناریوی پایه نرخ بهره گیری پایین پرستار (03/6درصد) و میانگین دستگاه/تخت ( 56/47درصد) را نشان داد. سناریوهای پیشنهادی تغییرهای محدودی ایجاد کردند و هیچ سناریوی برتری وجود نداشت؛ برای نمونه، ورود پیوسته بهره گیری منابع را افزایش داد اما زمان انتظار را به گونه‏ چشمگیری بالا برد. نتیجه‏گیری: پژوهش چارچوب آمیخته برای پیش بینی پویای تقاضا و ارزیابی تخصیص منابع پیشنهاد داد که پتانسیل بالایی برای بهبود مدیریت بخش دیالیز دارد. با بومی سازی این چارچوب و استفاده از داده های واقعی بیمارستان ها، می توان به کاهش هدررفت منابع، مدیریت بهتر تقاضای متغیر و بهبود کیفیت مراقبت از بیماران دیالیزی دست یافت.