پایان نامه داده کاوی ارشد فناوری اطلاعات در حوزه پژشکی و با عنوان بهینه سازی خرید دارو با استفاده از داده کاوی می باشد.در این پایان نامه، برای آموزش  و تست ، از روش leaving-one-out استفاده شده است. در این روش در هر مرحله یک داده به عنوان تست و بقیه داده ها برای آموزش استفاده می‌شوند و این عمل برای تمامی داده‌ها تکرار می‌شود. مزیت این روش این است که همه ی داده ها یک بار برای تست مورد استفاده قرار می‌گیرند. در اینجا به عنوان نمونه از سه نوع داروی Cream Calamine ، Vialdigoxin و Syrup Sulbutamol استفاده کرده ایم که تمام روش ها را روی آن ها اعمال کرده و گزارش کنیم.

با توجه به مشکلات مالی که گریبان گیر بیمارستان های کشور است. همچنین اهمیت و نقشی که داروخانه ها درگردش مالی و درآمد بیمارستان های کشور دارند. بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو با استفاده از تکنیک های داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم. هدف از انجام این رساله این است که با استفاده از داده‌های تاریخی و تکنیک‌های داده‌کاوی بتوان مدلی برای پیش‌بینی مصرف دارو ارائه داد. در واقع ارائه یک مدل مبتنی بر تکنیک‌های داده‌کاوی که تا کنون ارائه شده و می‌توان از آنها برای پیش بینی مصرف دارو استفاده کرد.  به همین دلیل باید روش های مختلف  پیش بینی را اعمال کرد تا بتوان مقایسه ای بین روش ها و انتخاب بهترین روش داشته باشیم.

از دیگر اهداف تحقیق بکارگیری مدل ارائه شده بر روی داده های یک بیمارستان و ارزیابی نتایج حاصل از آن می باشد. مدل ارائه شده در این پایان نامه می تواند در سایر بیمارستان های کشور نیز مورد استفاده قرار بگیرد. ایده این تحقیق از پیشینه تحقیق و مطالعات انجام شده در این زمینه گرفته شده است. از جمله تحقیقی که توسط [14] Qinjkui انجام شد و در آن مدلی برای پیش بینی تقاضا برای استفاده از خدمات و تجهیزات در یک بیمارستان ارائه شد همچنین تحقیقی که توسط[19] Asadi  بر روی سیستم اطلاعات داروخانه بیمارستان های آموزشی و درمانی تابعه دانشگاه علوم پزشکی تهران انجام شد و نشان می دهد که اطلاعات موجود در این سیستم ها مورد تجزیه و تحلیل  قرار نمی گیرند.هدفی که این پژوهش را متمایز می کند این است که به پیش بینی مصرف دارو در بیمارستان های ایران می پردازد و مدلی برای پیش بینی مصرف ارائه می هد. همچنین یک جنبه جدید از مزایای سیستم اطلاعات بیمارستان ها را مشخص می کند.

فهرست مطالب
فصل 1- مقدمه    2
1-1- فناوری اطلاعات در بهداشت و درمان    2
1-2- داروخانه های بیمارستانی    3
1-3- داده کاوی    4
1-3-1- داده کاوی چیست؟    4
1-3-2- تكنیك های مختلف داده كاوی    5
1-3-2-1-انواع تکنیک داده کاوی    6
1-4- بیان مسئله    8
1-5- اهداف تحقیق    10
1-6- سوالات وفرضیات تحقیق    11
1-6-1- سوالات    11
1-6-2- فرضیات تحقیق    12
1-7- فصول پایان نامه    12

فصل 2- پیشینه پژوهشی    15
2-1- جمع بندی    24

فصل 3- مروری بر ادبیات تحقیق و مبانی نظری    35
3-1- سیستم های اطلاعات بیمارستان    35
3-2- تعريف و مفهوم سيستم اطلاعات بيمارستاني    38
3-2-1-- اهداف سیستم اطلاعات بیمارستانی    40

3-2-2- اهمیت و ضرورت راه‌اندازی سیستم اطلاعات بیمارستانی    41

3-2-3- مزایایی سیستم اطلاعات بیمارستانی    42
3-3- داده کاوی    44
3-4- مراحل داده کاوی    46
3-4-1- پیش پردازش داده ها    49
3-4-2- پاکسازی داده ها    49
3-4-3-یکپارچه سازی داده ها    50
3-4-4- تبدیل دادهها    50
3-4-5- تلخیص داده ها    51
3-5- وظایف داده کاوی    51
3-5-1- دسته بندی    52
3-5-2- تخمین    53
3-5-3- پیش بینی    54
3-5-4- گروه بندی شباهت یا قوانین وابستگی    54
3-5-5- خوشه بندی    55
3-5-6- نمایه سازی    56
3-6- كاربرد هاي داده كاوي    56
3-7- رویکردهاي مسائل داده کاوي در پزشکی    58
3-8- مدلها و الگوريتمهای داده کاوی    60
3-8-1- شبکه هاي عصبی مصنوعی    60
3-8-1-1-ساختار شبکه عصبی    61
3-8-1-2-معماري شبکه عصبی    62
3-8-1-3-آموزش شبکه هاي عصبی مصنوعی    64
3-8-1-4-انواع یادگیري در شبکه هاي عصبی مصنوعی    64
3-8-2- درخت هاي انتخاب    65
3-8-3- Bagging & Boosting    67
3-8-3-1-Bagging    55
3-8-1-1-Boosting    61
3-8-1-1-الگوریتم های Boosting    61
3-8-4- Adaptive Boosting(Adaboost)    69
3-8-5- رگرسیون بردار پشتیبان    70
3-8-6- رگرسیون خطی    72
3-9 نرم افزارهای داده کاوی    75
3-10- فرایند خرید دارو    76
3-11- جمع بندی    78

فصل 4- روش انجام پژوهش    80
4-1- مقدمه    80
4-2- الگوریتم پیشنهادی    81
4-3- پیش پردازش دادهها    82
4-3-1- ساخت ماتریس داده    83
4-3-1-1-روش ماههای متوالی    67
4-3-1-2-روش ماههای یکسان    61
4-3-1-3-روش فصول متولی    69
4-4- الگوریتمهای Prediction    86
4-4-1- روش NN    87
4-4-2-روش SVR    88
4-4-3- روش LSSVR    92
4-4-4- AdaBoost.R    94
4-5- مجموعه داده    96
4-5-1- پاکسازی داده    97
4-6- معیارهای ارزیابی    98
4-7- جمع بندی    100

فصل 5- بحث و نتیجهگیری    103
5-1- مقایسه روشهای مورد بررسی    103
5-1-1- ارزیابی الگوریتم با روش ماههای متوالی    104
5-1-2- ارزیابی الگوریتم با روش ماههای یکسان    111
5-2- جمع بندی    123

فصل 6- پیشنهادهاو فرصت‌های پژوهشی آینده    127

فهرست جداول

جدول 2- 1تکنیک های مهم داده کاوی در بخش دارویی[21]     21

جدول 4- 1 ماتریس داده بصورت ماههای متوالی    60
جدول 4- 2 ماتریس داده  بصورت ماههای یکسان    61
جدول 4- 3  ماتریس داده بصورت فصول متوالی    2
جدول 5- 1 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine     77
جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin    81
جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol    82
جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine     82
جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin     85
جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol    86
جدول 5-  7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine     91
جدول 5 - 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol     93

فهرست شکل ها و نمودارها 
شکل 2- 1 مدل پیش بینی با شبکه عصبی[4]    12
شکل 2- 2  شبکه عصبی [14] BP     12
شکل 2- 3 مدل بهینه سازی خرید دارو[15]    14
شکل 2- 4 مدل استخراج دانش [26]     16
شکل 2- 5 جریان عملیات در داروخانه[17]      17
شکل 2- 6  دسته بندی اهدا بکارگیری داده کاوی[15]    19
شکل 2- 7 روند بکارگیری داده کاوی در پزشکی[20]    20
شکل3- 1   مراحل داده کاوی[40]    32
شکل3- 2 ساختار شبکه عصبی[47]    43
شکل3- 3  مثالی از درخت تصمیم[41]    55
   شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان    55
شکل 4- 1 دیاگرام چاچوب تحقیق    58
شکل4- 2 پارامترهای مورد استفاده در SVM    64
شکل4- 3  گزارش تهیه شده با کریستال ریپورت    70
شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت    71
شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R    78
شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR    78
شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE    79
شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR    80
شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR    80
شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE    83
شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR    83
شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR    84
شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R    84
شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR    85
شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R    86
شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR    87
شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR    87
شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR    88
شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R    89
شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN    90
شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR    90
شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR    92
شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE    93
شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR    94
شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE    94