KaydedilenlerDerginizi ekleyin

Dergiler / Havacılık ve Uzay Teknolojileri Dergisi / 2015 / Cilt: 8 - Sayı: 2

FORECASTING PATIENT LENGTH OF STAY IN AN EMERGENCY DEPARTMENT BY ARTIFICIAL NEURAL NETWORKS

YAPAY SİNİR AĞLARI KULLANILARAK ACİL SERVİS HASTA KALIŞ SÜRESİNİN TAHMİNİ

MUHAMMET GÜL
Ali Fuat GÜNERİ
Sayfa
43–48
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Metot, acil servis tıbbi personeline (doktorlar, hemşireler vb.) hasta kalış uzunluğunun belirlenmesi için fikir vermede kullanılabilmektedir

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Acil servisler hastanelerin diğer birimlerine göre karmaşıklık ve belirsizliğin fazla olduğu birimler olduklarından, yoğun saatlerde yüksek hasta talebi ile karşılaşmaktadırlar.
📊
Temel Bulgular & Veri:Hasta kalış uzunluğu, diğer bir deyişle hastanın geçirdiği toplam süre, genellikle hastanın acil servise gelişinden taburcu edilmesi ya da hastanenin diğer bir birimine sevk edilmesine kadar geçen sürenin uzunluğu olarak değerlendirilmektedir.
💡
Sonuç & Katkı:Metot, acil servis tıbbi personeline (doktorlar, hemşireler vb.) hasta kalış uzunluğunun belirlenmesi için fikir vermede kullanılabilmektedir
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Acil servisler hastanelerin diğer birimlerine göre karmaşıklık ve belirsizliğin fazla olduğu birimler olduklarından, yoğun saatlerde yüksek hasta talebi ile karşılaşmaktadırlar. Bundan dolayı, acil servis içerisinde uzayan bekleme süreleri hastalar üzerinde memnuniyetsizliğe yol açmaktadır. Hasta kalış uzunluğu, diğer bir deyişle hastanın geçirdiği toplam süre, genellikle hastanın acil servise gelişinden taburcu edilmesi ya da hastanenin diğer bir birimine sevk edilmesine kadar geçen sürenin uzunluğu olarak değerlendirilmektedir. Hastanın acil servise kabulünden başlanılarak, toplam kalış uzunluğunun bilinmesi doğru kaynak tahsisi ve birimin etkin kullanımı açısından önemli hale gelmektedir. Bu amaçla bu çalışma, hasta yaşı, cinsiyet, varış türü, muayene ünitesi, acil serviste uygulanan tıbbi testler ve muayene gibi belirleyici olan girdilerle birlikte Yapay Sinir Ağları (YSA) kullanılarak hasta kalış uzunluğunu tahmin etmeyi amaçlamaktadır. Metot, acil servis tıbbi personeline (doktorlar, hemşireler vb.) hasta kalış uzunluğunun belirlenmesi için fikir vermede kullanılabilmektedir

Abstract

Emergency departments (EDs) have faced with high patient demand during peak hours in comparison to the other departments of hospitals because of their complexity and uncertainty. Therefore prolonged waiting times in EDs have caused the dissatisfaction on patients. Patient length of stay (LOS), also known as patient throughput time, is generally considered to be the length of time that passes from the patient's time of arrival at the ED until time of discharge or transfer to another department of the hospital. Starting from patient admissions to the EDs it becomes important have to be known the overall LOS in terms of right resource allocation and efficient utilization of the department. For this purpose this paper aims to forecast patient LOS using Artificial Neural Network (ANN) within the input factors that are predictive such as patient age, sex, mode of arrival, treatment unit, medical tests and inspection in the ED. The method can be used to provide insights to ED medical staff (doctors, nurses etc.) determining patient LOS

🔖

Bu Makaleye Atıf Yap

GÜL, M., GÜNERİ, A. F. (2015). FORECASTING PATIENT LENGTH OF STAY IN AN EMERGENCY DEPARTMENT BY ARTIFICIAL NEURAL NETWORKS. Havacılık ve Uzay Teknolojileri Dergisi, Cilt: 8 - Sayı: 2, 43–48. https://ajindex.com/articles/215290

Kaynakça (12)

  1. Xu, M., Wong, T.C., Chin, K.S., 2013, Modeling daily patient arrivals at Emergency Department and quantifying the relative importance of contributing variables using artificial neural network, Decision Support System, 54, 1488-1498
  2. Gul, M., Guneri, A.F., 2012, A computer simulation model to reduce patient length of stay and to improve resource utilization rate in an emergency department service system, International Journal of Industrial Engineering: Theory, Applications and Practice, 19(5), 221-231
  3. Ersel, M., Karcıoğlu, Ö., Yanturalı, S., Yürüktümen, A., Sever, M., Tunç, M.A., 2006, Emergency Department utilization characteristics and evaluation for patient visit appropriateness from the patients' and physicians' point of view, Turkisj Journal of Emergency Medicine, 6(1), 25-35 (In Turkish)
  4. Gul, M., Guneri, A.F., 2015, A comprehensive review of emergency department simulation applications for normal and disaster conditions, Computers & Industrial Engineering, 83(5), 327-344
  5. Gül, M., Güneri, A.F., Tozlu, Ş., 2014, Prioritization of emergency department key performance indicators by using fuzzy AHP, 15th International Symposium on Econometrics, Operations Research and Statistics, Isparta, Turkey
  6. Paul, J.A., Lin, L., 2012, Models for Improving Patient Throughput and Waiting at Hospital Emergency Departments, The Journal of Emergency Medicine, 43(6), 1119-1126
  7. El-Sharo, M.R.A., 2002, Predicting hospital admissions from emergency department using artificial neural networks and time series analysis, MSc Thesis, Yarmouk University, Jordan
  8. Li, J-S., Tian, Y., Liu, Y-F., Shu, T., Liang, MH., 2013, Applying a BP neural network model to predict the length of hospital stay, In Health Information Science (pp. 18-29). Springer Berlin Heidelberg
  9. Hachesu, P.R., Ahmadi, M., Alizadeh, S., Sadoughi, F., 2013, Use of data mining techniques to determine and predict length of stay of cardiac patients, Health Informatics Research, 19(2), 121-129
  10. Wrenn, J., Jones, I., Lanaghan, K., Congdon, C.B., Aronsky, D., 2005, Estimating Patient's Length of Stay in the Emergency Department with an Artificial Neural Network. In AMIA Annual Symposium Proceedings (Vol. 2005, p. 1155). American Medical Informatics Association
  11. Somoza, E., Somoza, J.R., 1993, A neuralnetwork approach to predicting admission decisions in a psychiatric emergency room, Medical Decision Making, 13(4), 273-280
  12. Guneri, A.F., Gumus, A.T., 2008, The usage of a