ایجاد سیستم خبره ارجاع بیمارستان همراه با الگوریتم سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی Building a hospital referral expert system with a Prediction and Optimization-Based Decision Support System algorithm
Abstract
This study presents a new method for constructing an expert system using a hospital referral problem as an example. Many factors, such as institutional characteristics, patient risks, traveling distance, and chances of survival and complications should be included in the hospital-selection decision. Ideally, each patient should be treated individually, with the decision process including not only their condition but also their beliefs about trade-offs among the desired hospital features. An expert system can help with this complex decision, especially when numerous factors are to be considered. We propose a new method, called the Prediction and Optimization-Based Decision Support System (PODSS) algorithm, which constructs an expert system without an explicit knowledge base. The algorithm obtains knowledge on its own by building machine learning classifiers from a collection of labeled cases. In response to a query, the algorithm gives a customized recommendation, using an optimization step to help the patient maximize the probability of achieving a desired outcome. In this case, the recommended hospital is the optimal solution that maximizes the probability of the desired outcome. With proper formulation, this expert system can combine multiple factors to give hospital-selection decision support at the individual level.
Keywords: Decision support systems; Expert systems; Data mining; Machine learning; Support vector machines; Optimization; Artificial intelligence; Hospital referral; Hospital quality
چکیده فارسی
تحقیق کنونی برای ایجاد یک سیستم خبره با استفاده از مسئله ارجاع بیمارستانی به عنوان نمونه، شیوه جدیدی را ارائه می دهد. عوامل زیادی نظیر خصیصه های سازمانی، ریسک های بیمار، پیمودن مسافت و فرصت های ادامه حیات و عوارض، می بایست در تصمیم گیری انتخاب بیمارستان گنجانده شوند. مطلوب این است که هر بیمار به طور جداگانه به وسیله فرایند تصمیم نه تنها با در نظر گرفتن وضعیت شان بلکه باورهای آن ها در مورد ارزیابی مقایسه ای میان خصیصه های بیمارستانی مطلوب، درمان شود. یک سیستم خبره می تواند به این تصمیم گیری پیچیده کمک نماید. بالأخص زمانی که عوامل زیادی باید در نظر گرفته شوند، ما روشی را پیشنهاد داده ایم که الگوریتم سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی (PODSS) خوانده می شود که بدون یک پایه دانش مشخص، سیستم خبره ای را به وجود می آورد. این الگوریتم دانش را خودش با ایجاد طبقه سازی های یادگیری ماشینی از طریق مجموعه ای از نمونه های برچسب زده شده، کسب می کند. در پاسخ به یک سؤال، الگوریتم با استفاده از یک مرحله بهینه سازی، پیشنهاد سفارشی می دهد تا به بیمار کمک می کند که احتمال دستیابی به یک نتیجه مطلوب را به حد اکثر برساند. در این حالت، بیمارستان پیشنهادی، راه حل بهینه ای است که احتمال نتیجه مطلوب را به حداکثر می کند. این سیستم خبره با طرح ریزی درست می تواند عوامل زیادی را ترکیب کند تا اینکه پشتیبانی تصمصم گیری انتخاب بیمارستان را در سطح فردی ارائه نماید.
کلیدواژه: سیستم های پشتیبانی تصمیم گیری؛ سیستم های خبره؛ داده کاوی؛ یادگیری ماشینی؛ ماشین های بردار پشتیبانی؛ بهینه سازی؛ هوش مصنوعی؛ ارجاع بیمارستان؛ کیفیت بیمارستان

مشخصات
توسط: Chih-Lin Chi, W. Nick Street, Marcia M. Ward مجله: Biomedical Informatics انتشارات: Elsevier سال انتشار: 2008 میلادی تعداد صفحات متن اصلی: 16 تعداد صفحات متن ترجمه: 32 تاریخ درج: ۱۳۹۵/۱۱/۱۰ منبع: دیتاسرا

خرید آنلاین فایل ترجمه
عنوان: ایجاد سیستم خبره ارجاع بیمارستان همراه با الگوریتم سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی حجم: 919.20 کیلوبایت فرمت فایل: pdf قیمت: 129500 تومان رمز فایل (در صورت نیاز): www.datasara.com نرم افزارهای مورد نیاز: winrar - adobe acrobat - office
تنها با ارسال یک ایمیل وجه خود را دریافت نمایید

دانلود فایل اصلی
عنوان: Building a hospital referral expert system with a Prediction and Optimization-Based Decision Support System algorithm


مقدمه:
کیفیت مراقبت بهداشتی در ایالات متحده مسئله خیلی مهمی به شمار می آید. سالانه ده ها هزار نفر آمریکایی جان خود را از دست می دهند و خیلی ها از جراحات غیرکشنده ناشی از اشتباهات موجود در سیستم مراقبت بهداشتی رنج می برند. رهیافت های زیادی در جهت حل این مسئله هدایت گردیده اند. برای نمونه، چاچوب بهداشتی IT استراتژی های زیادی ارائه نموده است، نظیر ارتقاء گزینش IT ، پرورش همکاری ها، و افزایش حق انتخاب مصرف کننده آگاه در مورد درمانگاه ها یا آسایشگاه ها. آخرین استراتژی اهمیت دارد زیرا گوناگونی کیفیت مراقبت در سراسر نهاد های مراقبت بهداشتی، زیاد است.
انتخاب یک نهاد مراقبت بهداشتی که دارای پیشینه ارائه مراقبت کیفی می باشد، می تواند بین نتایج مطلوب یا نتایج غیر قابل قبول از جمله مرگ تمایز برقرار نماید. پزشکان مجرب راجع به اینکه کدام تسهیلات بهترین مراقبت را فراهم می آورند، دانش کسب می کنند. پزشکان نوعا در پیشنهاد بیمارستان ها یویژه به بیماران خود نقش کلیدی دارند. کوشش های اخیر مراکز خدمات پزشکی و تأمین خدمات درمانی نیازمندان و دیگر سازمان ها (نظیر www.healthgrades.com) اطلاعات عملکرد بیمارستان را در دسترس پزشکان و مردم قرار داده اند تا اینکه به این تصمیم کمک نمایند. برآورد شده است که سالانه جان 2600 نفر را می توان به واسطه اصلاح ارجاع به بیمارستان، نجات داد. ما بدون بررسی مقیاس های گرد آوری شده، با اتخاذ یک رهیافت متفاوت، به کمک شیوه هایی در زمینه های یادگیری ماشینی و اکتشاف دانش به مشکل ارجاع بیمارستان پرداخته ایم تا اینکه سفارشات ارجاع بیمارستان خودکار و شخصی به وجود آید که خصوصیات و رجحان برای بیمار را مورد توجه قرار می دهند.
1.1- مقدمه ای بر مسئله ارجاع بیمارستان
ضوابط ارجاع بیمارستان معمولا از طریق مطالعات تحقیقی و تجربه شخصی به دست می آیند. محققان زیادی رابطه بین بازدهی های بیمارستان ها و ویژگی های نهادی مختلف را بررسی نموده اند. به طور ویژه، تعداد زیادی از تحقیقات میزان پروسه های جراحی بیمارستان را به کاهش تلفات داخل بیمارستان ارتباط داده اند.
هم چنین بیمارستان های آموزشی در مطالعات زیادی، کاهش تلفات درون بیمارستانی را نشان داده اند. Chen و دیگران چنین استدلال نموده اند که مشارکت بیمارستان ها در فرایند بررسی JCAHO ، کیفیت و نتایج عالی را گزارش داده اند. Elixhauser و همکاران شرح داده اند که تعداد کارکنان بر کیفیت تأثیر می گذارد. در میان این خصیصه های نهادی، تعداد بیماران یا پروسه های جراحی، منطقی ترین عامل پیشگویی تلفات درون بیمارستانی می باشد و به طور گسترده ای به عنوان یک ضابطه انتخاب بیمارستان به کار برده می شود. اگر چه رابطه ظرفیت- بازده، تعدادی از جراحی های پیچیده را به حساب می آورد، دامنه ارتباط در سراسر پروسه ها متغیر است. ارجاع انتخابی به نظر می آید که در رابطه ظرفیت – بازده نقش ایفا می نماید. معمولا، آسایشگاه های بزرگ دارای ویژگی های مطلوب، نظیر آزمودگی فنی، و تعداد کارکنان بیشتر هستند و غالبا برای ارجاع ترجیح داده می شوند.
با وجود اینکه ظرفیت جراحی یک عامل پیش بینی قوی در مورد نتایج می باشد، کاربرد این نشانگر گاهی اوقات مورد انتقاد قرار می گیرد. Nallamothu سه دلیل بیان نموده است که کیفیت بیمارستان های با ظرفیت بالا بهتر از بیمارستان های با ظرفیت پایین به نظر می آید. اولا، بیمارستان های کم ظرفیت ممکن است کمتر تمایل به رد بیماران با ریسک بالا داشته باشند. ثانیا، بیمارستان های با ظرفیت بالا به واسطه ارجاع پزشکان یا خود ارجاعی، بیماران بیشتری را جذب می کنند. ثالثا، بیماران با موقعیت و تمایل به ارجاع می توانند به توضیح گوناگونی های موجود در رابطه ظرفیت – بازده کمک نمایند. بسیاری از مراکز کم ظرفیت عملکرد خوبی دارند، در حالی که برخی از بیمارستان های با ظرفیت بالا عملکرد ضعیفی دارند، به خاطر اینکه ظرفیت یک معیار نماینده ناقصی در مورد کیفیت است.
در حالی که بسیاری از این تحقیقات تنها یک یا دو متغیر پیشگویانه را برای کاربرد عملی بررسی می کنند، یک تصمیم گیری ارجاع بیمارستان خوب بایستی عوامل زیادی، بالأخص مکان جغرافیایی را در نظر بگیرد. برخی از موقعیت های پزشکی حساسیت زمانی دارند و زمان حمل در بازدهی نقش خیلی مهمی را ایفا می کند. برای بیماران که در نواحی روستایی و محروم زندگی می کنند، زمان انتخاب یک بیمارستان، مسافت، غالبا مهمترین دغدغه به شمار می آید. حتی برای شرایط غیر اضطراری، همجواری به میزان زیادی مطلوب است، از این رو، تحقیقات زیادی نشان داده اند که بیماران اغلب بیمارستان های با ریسک بالاتر محلی را به رفتن به بیمارستان های با ریسک کمتر ترجیح می دهند. عوامل جغرافیایی ممکن است بر نتیجه پیشگویی های نهادی تأثیر بگذارند. Ward اشاره کرده است که آستانه ظرفیت به وسیله گروه Leapfrog ارائه گردید که در یک وضعیت روستایی به خوبی عمل نمی کند. عوامل دیگر نظیر وضعیت جسمی یک بیمار بایستی در نظر گرفته شوند. Glance اظهار می کند که کاهش ریسک های بیماران با ریسک بالا و پایین در بیمارستان های با ظرفیت متفاوت فرق می کنند. در صورتی که ما مسافت به یک آسایشگاه را در نظر بگیریم، پیشنهاد ارجاع به بیمارستان برای یک بیمار سالم تر و یک بیمار ناخوش تر می تواند به طور چشم گیری تفاوت داشته باشد. یک سفارش ارجاع بیمارستان خوب، نه تنها عوامل نهادی بلکه عوامل مربوط به بیمار شامل مسافت سفری که بیمار می تواند تحمل نماید و عوامل ریسک بیمار را مورد توجه قرار دهد. تعجبی ندارد که دادن توصیه نامه انتخاب بیمارستان که این مسائل پیچیده و به هم وابسته را در نظر داشته باشد، دشوار است.
در صورتی که تنها به مسائل نهادی توجه داشته باشیم، ممکن است برخی مسائل کاربردی پدید آیند. برای مثال آیا یک بیمار انفارکتوس قلب باز (AMI) باید به یک بیمارستان آموزشی متوسط با مجوز JCAHO به مسافت 20 مایلی یا یک بیمارستان غیر آموزشی با ظرفیت زیاد به مسافت 40 مایلی برود؟ گروه Leapfrog پیشنهاد می دهد که یک بیمارستان خوب دارای ظرفیت پروسه جراحی بیش از 450 ظرفیت برای عمل جراحی پیوند بای پاس سرخرگ تاجی (CABG) می باشد. آیا یک بیمار AMI 70 ساله با سکته قلب پر خون و دیابت که به یک CABG اضطراری نیاز دارد، باید بیمارستانی با پروسه جراحی CABG، 300 ظرفیتی با 30 مایل مسافت یا بیمارستان دیگری با اندازه های پروسه CABG 450 ظرفیتی با 40 مایل مسافت را انتخاب نماید؟ در مورد بیمار جوان تر و سالم تری که در وضعیت اضطراری قرار ندارد ولی به عمل جراحی نیاز دارد، چطور؟ بدیهی است که پاسخ ها برای افراد مختلف، متفاوت می باشند. زمانی که ما تنها خصوصیات نهادی را در نظر داریم، گفتن اینکه کدام بیمارستان بهتر است، دشوار می باشد. مسئله ارجاع بیمارستان حتی پیچیده تر می شود در صورتی که ما دیگر نگرانی های واقعی نظیر پوشش بیمه و هزینه برآورد شده اقامت در یک بیمارستان را اضافه نماییم.
از دیدگاه مدیریت دانش، مطالعات تحقیقی فوق با توجه به شناخت ویژگی های نهادی با کیفیت بالا، دانش صریح نامیده می شوند. دانش منفی مانند تجربه شخصی و دانش مقدماتی در شرایط مراقبت بهداشتی نقش مهمی ایفا می نماید. متخصصان می توانند به آن تکیه نمایند تا اینکه راه حل های مسائل شان را به دست آورند. پزشکان با در نظر گرفتن شرایط جسمی و مسافت مسافرت بیمار، یک بیمار را ارجاع می دهند. یک پزشک مجرب می تواند بیمارستانی را انتخاب کند که ریسک بیمار را کمینه سازد. این توصیه سفارشی شانس بیشتری دارد که از جانب یک بیمار پذیرفته شود.
هدف این طرح ایجاد سیستم خبره ای می باشد که می تواند به یک تصمیم سفارشی انتخاب بیمارستان کمک نماید. یک سیستم خبره، برنامه ای کامپیوتری است که می تواند به کمک دانش متخصصان استنتاج هایی نموده و نتیجه گیری هایی ارائه دهد. یک سیستم مبتنی بر دانش، (KBS) یک مدل اولیه و شناخته شده سیستم خبره می باشد. این انش نوعا به صورت وقایع اتمی در زمکینه علاقه و قوانین استنتاج وقایع جدید وجود دارد، ولی ممکن است به شکل منحنی ها، درخت ها یا شبکه ها نیز باشد. آن ها در یک مکان ویژه که یک پایگاه دانش نامیده می شود، ذخیره می شوند. KBS، یک موتور استنتاج و پایگاه دانش را به کار می برد تا اینکه نتیجه گیری نماید. MYCIN یکی از ابتدایی ترین سیستم های خبره مبتنی بر دانش می باشد و می تواند توصیه های تشخیصی و درمانی فراهم آورد. دانش در MYCIN به شکل قوانین ذخیره می گردد. این قوانین به واسطه دانش متخصصان بیماری واگیردار به دست آورده می شوند. فرایند تغییر دانش از انسان به ماشین فراگیری دانش نامیده می شود و زمان بر و کاربر می باشد. علاوه بر این، حفظ پایگاه دانش خیلی مشکل است.
استدلال مبتنی بر مورد بیماری، شیوه دیگری برای فراگیری دانش می باشد. این روش به یک پایگاه دانش نیاز ندارد. در عوض، همه موارد بیماری حل شده قبلی در مکانی ذخیره می گردند که کتابخانه مورد بیماری خوانده می شود که منبع دانش می باشد. یک مورد بیماری به طور خاص از مسئله، راه حل، و نتیجه تشکیل می شود. برای رسیدن به راه حل یک مورد بیماری جدید، شخص به آسانی مورد بیماری می یابد که شبیه ترین مسئله موجود در کتابخانه مورد بیماری می باشد. در نتیجه راه حل پیشنهادی یکسان می باشد، همان گونه که در مورد بیماری بازیابی شده ملاحظه شده بود.
روش های یادگیری ماشینی برای اکتشاف دانش شناخته شده هستند. آن ها می توانند به استخراج دانش (صریح و ضمنی) به واسطه داده ها کمک نمایند و آن دانش را به مورد های بیماری قبلا دیده نشده و جدید تصمیم دهند. شیوه های یادگیری ماشینی به طور موفقیت آمیزی در حوزه های پزشکی گوناگون نظیر رده بندی، تشخیص و پیش آگهی به کار برده می شوند. به طور کلی این روش ها می توانند بصورت شیوه های یادگیری نظارت شده و نظارت نشده طبقه بندی شوند. روش های یادگیری نظارت شده، تابعی را نشان می دهند که خصیصه ها را با (متغیرهای مستقل که برای نشان دادن یک مورد بیماری به کار می روند) برچسب های متناظر (متغیرهای وابسته و به طور خاص نتایج) نقشه برداری می کند. نمونه های برچسب زده شده روش های یادگیری نظارت نشده ضروری نیستند برای اینکه این روش ها نمونه ها را بر مبنای مشابهت متغیرها دسته بندی می کنند؛ در این پروژه تنها به روش های یادگیری نظارت شده علاقه مند هستیم.
روش های یادگیری نظارت شده مانند C4.5 که مدل ها را به شکل قوانین نشان می دهند، روش خودکاری را برای فراگیری دانش در سیستم های خبره سنتی فراهم می آورند. با این حال، هنوز زمان و کار زیادی ممکن است برای ایجاد و حفظ پایگاه دانش مورد نیاز باشد. سایر روش های یادگیری نظارت شده، مدل هایی را به صورت توابع ریاضیاتی به وجود می آورند که می توانند خطی یا غیرخطی باشند. بنابراین دانش در این توابع ریاضیاتی کد گذاری می شود. آن ها می توانند به منظور طراحی اولیه شان به طور خیلی موفقیت آمیزی مثل طبقه بندی به کار برده شوند. با این وجود، روش های بکارگیری دانش ذخیره ذخیره شده برای اهداف دیگر، محدود هستند. کاربرد دانش در یک تابع ریاضیاتی برای کمک به یک تصمیم کاری نظیر یک تصمیم سفارشی انتخاب بیمارستان، دشوار می باشد.
این مقاله روش جدیدی را پیشنهاد می دهد که سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی خوانده می شود تا اینکه دانش به صورت تابع ریاضیاتی از طریق یک طبفقه بندی استخراج شود و روش های بهینه سازی را برای استفاده از این منبع دانش به کار می بندد تا مسئله پیچیده ارجاع بیمارستان حل کند. مشابه استدلال مبتنی بر مورد بیماری، منبع دانش به جای پایگاه دانش،داده می باشد. تفاوت اینست که دانش به شکل توابع ریاضی، جمع آوری می گردد. به علاوه، ما به راه حل کاری مبتنی بر روش های بهینه سازی به جای مشابهت دست یافته ایم.
1.2- مقدمه ای بر الگوریتم PODSS
هدف الگوریتم PODSS ایجاد یک فعالیت پیشنهادی است که منتهی به احتمال بیشتر نتیجه مطلوب می گردد. این نوع مسئله می تواند در بسیاری حوزه ها یافت شود. سرمایه گذاران سهام، به طور دقیق سهام را انتخاب می کنند تا اینکه سود را حد اکثر کنند و ریسک را به حداقل برسانند. مدیران بازاریابی برای حداکثر ساختن فروش محصولشان مطابق با الزامات بودجه ای، استراتژی هایی را طراحی می کنند. اغلب از کارشناسان مشاوره می شود بخاطر اینکه آن ها نحوه به حداکثر رساندن احتمال نتایج مطلوب را می دانند. در حالی که عوامل متعدد و گاهی اوقات رقابتی را در نظر می گیرند. الگوریتم پیشنهادی می تواند این متخصصان را با توصیه اقداماتی شبیه سازی نماید که احتمال نتیجه مطلوب را به حداکثر می رسانند.
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
این شیوه ها می توانند برای دستیابی به یک نتیجه مطلوب، عوامل مهمی را شناسایی نمایند. با این حال، آن ها نمی توانند به ما در مورد اینکه چه کاری انجام دهم، چگونه آن را انجام دهیم و چگونگی حل موازنه های میان جانشین ها ن بگویند. برای مثال،روش های فوق می توانند تشخیص دهند که محتمل ترین مداخلات برای معالجه یک بیماری چه می باشند، با این وجود معمولا به یک پزشک مجرب نیاز است که نحوه انتخاب از میان مداخلات جانشین و نحوه طراحی مداخلات برای نیازهای یک بیمار خاص را می داند.
الگوریتم مطرح شده یک ابزار تصمیم است که می تواند با بهره گیری از دانش ذخیره شده و بهینه سازی اثر بخشی فعالیت انتخابی، پیشنهاداتی را ارائه دهد. این الگوریتم می تواند یک تصمیم کاری مبتنی بر متغیرهای چندگانه و تعاملات میان آن ها را نشان دهد شکل 1 فرایند ایجاد و استفاده از این ابزار پشتیبانی تصمیم را توضیح می دهد. نمونه های با نتایج معلوم برای ذخیره دانش به صورت یک مدل پیش بینی کننده (طبقه ساز) و یک نقشه معتبر سازی به کار می روند که احتمال نتیجه مطلوب برای هر زوج بیمار / فعالیت را بررسی می کند. یک پرسش یک شیوه بهینه سازی را فعال خواهد کرد که با استفاده از دانش ذخیره شده،تصمیمات ممکن، و اطلاعات ارائه شده در مورد بیمار،بهترین دوره فعالیت را می یابد.
(نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه)
شکل1. فرایند ذخیره سازی و بکارگیری دانش.
ارتباطات بین سیستم پشتیبانی تصمیم گیری و یک کار بر ضروری است. کاربر با توجه به ویژگی های بیمار و حداکثر مسافت به یک بیمارستان که بیمار می تواند تحمل کند، اطلاعاتی را فراهم می آورد و در نتیجه سیستم می تواند یک انتخاب بیمارستان سفارشی را به وجود آورد. این انتخاب سفارشی نه تنها حداکثر مسافت تحمل شده معین را برآورده می کند بلکه بیمارستانی با بیشترین احتمال نتیجه مطلوب را شناسایی می کند. حداکثر پارامتر مسافت تحمل شده بایستی توسط بیمار و دکتر وی تصمیم گرفته شود تا اینکه تضمین کنند که مسافت یک عامل ریسک نمی باشد و برای بیمار قابل قبول است. برای برخی بیماران سالم تر، این مقدار پارامتر می تواند بالا باشد. این پارامتر برای یک وضعیت اضطراری بایستی خیلی پایین باشد. مسافت سفر و احتمال زنده ماندن دو هدف مهم هستند. به موازنه بین اهداف مختلف می تواند به طور مشخصی پرداخته شود. در صورتی که تصمیم انتخاب بیمارستان سفارشی شده است. در این تحقیق، مسئله در ابتدا به صورت بهینه سازی تک هدفی طرح ریزی شده است و به خاطر فضای راه حل کوچک، به وسیله یک جست و جوی فراگیر حمل شود (تنها تعدادی از بیمارستان ها). در این بهینه سازی، یک پرسش، ویژگی های بیمار نظیر سن، نوع پذیرش، علایم بیماری و حداکثر مسافت تحمل شده را به سیستم می دهد. فرایند بهینه سازی اطلاعات فراهم شده را با دانش ذخیره شده ترکیب می کند تا اینکه یک انتخاب بیمارستان سفارشی به وجود آید. هدف از ابزار استخراج دانش یافتن بیمارستانی با بیشترین احتمال زنده ماندن مطابق با محدودیت حداکثر مسافت تحمل شده به یک بیمارستان می باشد. اگر بخواهیم مسائل دیگر نظیر کاهش احتمال عوارض را در تصمیم انتخاب بیمارستان در نظر بگیریم ، بنابراین مسئله به صورت بهینه سازی چند هدفی طرح ریزی می شود. ما در یک قالب شهودی کل فضای راه حل را به کاربر ارائه داده ایم تا اینکه اهمیت نسبی میان اهداف بتواند توسط کاربر تصمیم گیری شود. به خاطر فضای راه حل کوچک، ارائه نتایج پیش بینی شده هر بیمارستان به شیوه ای سازماندهی شده برای یک کاربر خیلی مؤثرتر و کاراتر از دارا بودن سیستمی است که بر مبنای یک تصمیم بهینه واحد تصمیم گیری می کند.
بقیه مقاله بدین شرح سازمان یافته است. در بخش 2 ما در مورد نحوه ذخیره دانش، تغیی دانش ذخیره شده به یک تابع هدف، به کارگیری دانش ذخیره شده، و کاربرد الگوریتم در یک مسئله ارجاع بیمارستان به بحث پرداخته ایم. ما مثال های بهینه سازی تک هدفی و چند هدفی را نشان داده ایم. بخش 3 نتایج تجربی این مثال ها را مطرح می سازد و یک روش ارزیابی غیر مستقیم برای تعیین اثربخشی این شیوه ارائه می دهد. بحث در مورد آزمایشات محاسبه ای و بسط های ممکن این الگوریتم به دیگر مسائل در بخش 4 گنجانده شده است.
2- روش ها
یک سری مراحل در الگوریتم PODSS وجود دارند. همان گونه که در شکل 1 نشان داده شده است، این الگوریتم به طبقه بندی کننده ها برای ذخیره دانش تکیه می کند. این مرحله شبیه به آماده سازی یک مدل پیش بینی است. متغیرهای مستقل و وابسته برای آماده سازی مدل مورد نیاز هستند. امتیاز خروجی مدل پیش بینی که ما به یک احتمال تبدیل کرده ایم، می تواند به عنوان سطح اطمینان پیش بینی طبقه مطلوب تعبیر شود. هدف از بهینه سازی پیشینه کردن سطح اطمینان برچسب طبقه مطلوب می باشد.
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
روش ما به مسئله ای بستگی دارد که دارای دو نوع متغیر مستقل مشخص است. نوع اول متغیرهای غیرقابل کنترل (تغییر ناپذیر) می باشد. مقادیر این متغیرها معین هستند و تغییر داده نمی شوند. برای مثال متغیرهای بیمار نظیر نمرات داده ای جمعیت شناختی، نتایج آزمایش پزشکی، نتایج تشخیصی، نوع پذیرش، وضعیت جراحی، علایم بیماری و نوع پرداخت، متغیرهای غیرقابل کنترل در این تحقیق می باشند. نوع دوم، متغیرهای قابل کنترل (تغییر پذیر) هستند که نتایج شان می تواند تغییر داده شود. پیشنهاد می تواند بر مبنای این متغیرها داده شود. در کاربست ما، هر سری مقادیر این متغیرها یک بیمارستان را توصیف می نماید. این متغیرهای توصیفی بیمارستان عبارتند از طبقه دارنده، موقعیت بیمارستان،مجوز JCAHO، تعداد کل عمل های جراحی، میزان پذیرش بیمار AMI و تعداد جراحی های CABG جدول 1 ، متغیرهای مورد استفاده برای آماده سازی طبقه بندی ساز را به طور خلاصه نشان می دهد. متغیرهای 6-1 مربوط به ویژگی های بیمار بوده و غیر قابل کنترل هستند.
در مرحله کاربرد دانش، هرنوع متغیر، نقش مختلفی را در فرایند بهینه سازی ایفا می کند. مجموعه نخست ثابت می باشد و در زمان پرسش از یک کاربر فراهم می شود. متغیرهای راه حل سری دوم را تشکیل می دهند. راه حل بهینه،بیمارستان با مطلوب ترین متغیرهای توصیفی می باشد که منجر به بیشترین مقدار بهینه می شود (نتیجه مطلوب با بالاترین احتمال). در یک مدل غیر خطی، راه حل بهینه ممکن است به متغیرهای غیرقابل کنترل معین ناشی از تعامل متغیر بستگی داشته باشد.
سری داده بیمار بستری دولت (SID) سال 2004 در آیوا از طریق آژانس تحقیق و کیفیت مراقبت بهداشتی (AHRQ)، هزینه مراقبت بهداشتی و پروژه بهره برداری (HCUP) در تحقیق ما مورد استفاده قرار گرفت. حدود 360000 سابقه ترخیص در SID وجود دارد. برای این پروژه ما تصمیم گرفتیم یک الگوریتم ارجاع بیمارستان را برای بیماران با تشخیص اصلی انفارکتوس حاد قلب باز (AMI) همراه با کدهای ICD-9-CM از 410.01 تا 410.91 بوجود آوریم.
ما AMI را بنا به چند دلیل انتخاب کردیم. نسخت اینکه نسبتا معمولی بوده و شناسایی سری های داده ها ساده است. دوم، نتایج ذینفع مثل میزان مرگ و میر نیز کمابیش متداول هستند که ایجاد مدل را تسهیل نموده است.سوم،میزان تلفات بیمار بستری AMI توسط مراکز خدمات پزشکی و تأمین خدمات درمانی به عنوان یک شاخص عملکرد ضروری که به طور عمومی گزارش شده، معرفی می شود، از این رو الگوریتم توصیف شده در اینجا می تواند کاربرد در آینده نزدیک را پیدا کند. با وجود اینکه از AMI برای نخستین استدلال استفاده کرده ایم، الگوریتم می تواند به آسانی تعدیل شود تا برای تقریبا هر نوع بیماری که ارجاع یک مسئله می باشد، مؤثر واقع شود.
SID می تواند از طریق انجمن بیمارستان آمریکا (AHA) به وسیله تشخیص هویت یک بیمارستان به داده های توصیفی بیمارستان پیوند داده شود. تعداد 116 بیمارستان مراقبت از بیمای های حاد غیر دولتی در آیوا وجود دارد. SID دارای کدهای پستی برای هر بیمار و بیمارستان می باشد که فاصله اقلیدسی بین یک بیمار و هر بیمارستانی را امکان پذیر می سازد تا اینکه محاسبه شود. داده های موقعیت (طولی و عرضی) از طریق http://www.brainyzip.com/ بازیابی می شوند. برآورد مسافت را می توان از طریق MapQuest یا Google Maps برای محاسبه ارزیابی مسافت راه استفاده نمود. برآورد مسافت راه به طور دقیق تری مسافت سفر را نشان می دهد و طولانی تر از فاصله اقلیدسی است. ما در تحقیق مان، برآورد فاصله اقلیدسی را انتخاب نموده ایم زیرا برای هر زوج بیمار / بیمارستان به راحتی در دسترس می باش، که با آن امکان برآورد مسافت راه وجود ندارد و اختلاف بین دو روش نسبتا سازگار با نواحی شمال مرکزی می باشد.
چهار سری داده در این تحقیق مورد استفاده قرار گرفت. برچسب های سه سری داده های نخست، وضعیت حیاتی بیمار بستری هستند و برچسب های چهارمین سری داده، وضعیت عوارض بیمارستان به دست آمده هستند. برچسب های عارضه با استفاده از کدهای ICD-9-CM عارضه ای که توسط Elixhauser و همکاران تعیین شده اند، شناسایی می شوند. سری داده ای نخست شامل تمامی بیماران AMI می باشد که آیا عمل جراحی کرده اند یا خیر. دومین سری داده برای بیماران AMI طراحی شده است که عمل جراحی نکرده اند. در این سری داده، بیماران با گروه های مرتبط با تشخیص جراحی (DRG) نادیده گرفته شدند. سری داده سوم شامل تنها بیماران AMI می باشد که جراحی های پیوند بای پاس سرخرگ تاجی(CABG) (ICD-9 36.10- 36.19) داشته اند. آخرین سری داده حاوی بیماران یکسان به صورت سومین سری داده ولی با یک نوع برچسب متفاوت می باشد. داده ها تنها 12 بیمارستان را در ژایوا نشان می دهند که عمل جراحی CABG انجام می دهند. از این رو، انتخاب بیمارستان محدود به این 12 بیمارستان در سری داده سوم و چهارم می باشد. اندازه و درصد برچسب نتیجه مطلوب در هر سری داده در جدول 2 نشان داده شده است.
(نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) جدول 2. توصیف چهار سری داده ها (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه)
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
نکته: بازده مطلوب برای سه سری داده نخست ، احتمال زنده ماندن می باشد و آخرین پایگاه داده خلاصی از عوارض (FFC) است.
متغیرهای وابسته نظیر وضعیت ادامه حیات و وضعیت عارضه معمولا برای یافتن پیشگویی های کیفیت بیمارستان مورد استفاده قرار می گیرند. این تحقیق بر اساس تعداد هدف های مطلوب، دو نوع سیستم خبره نشان داده شده است. نخستین سیستم، بهینه سازی تک هدفی نامیده می شود که ما از یک طبقه ساز برای یافتن رابطه بین متغیرهای مستقل و وضعیت زنده ماندن بیمار استفاده می کنیم. در تحقیق کنونی سری داده های 1 و 2 و 3 مورد استفاده قرار گرفته اند. دومین سیستم خبره، بهینه سازی چندهدفی خوانده می شود. علاوه بر طبقه ساز و وضعیت بقا، برای وضعیت عارضه، طبقه ساز دوم را اضافه می نماییم. عارضه به دست آمده بیمارستان دغدغه خیلی مهمی برای بیماران جراحی می باشد، و در این تحقیق سری داده های سوم و چهارم مورد استفاده قرار گرفته اند.
2.2- ایجاد یک مدل پیشگویانه
ذخیره دانش در مدل ما بر یادگیری نظارت شده تکیه دارد که رابطه بین متغیرهای مستقل و وابسته را نشان می دهد. ما از ماشین های بردار پشتیبانی (SVMs) به عنوان طبقه ساز استفاده نموده ایم تا اینکه سطح جدا کننده بین مجموعه نقاط طبقه های مختلف به وجود آید. تعداد بی نهایت سطوح وجود دارند که می توانند عمل جدا سازی را انجام دهند. به منظور تصمیم به نقاط نا پیدا،طبقه ساز SVM ، سطح جدا ساز را با بیشترین حاشیه، یا فاصله از یک نقطه تا سطح، در جریان فرایند آماده سازی پیدا می کند.
شکل 2 نمونه یک سطح تفکیک پذیر خطی را نشان می دهد. در مثال ما، سطح حالات منفی را از مثبت با ناحیه منفی در سمت چپ صفحه ( d(x)<0 )، و ناحیه مثبت در سمت راست ( d(x)>0 )تفکیک نموده است. در صورتی که یک مورد آزمایشی به سمت راست سطح جداسازی سرازیر شود، نتیجه پیش بینی شده مثبت خواهد بود. به طور کلی نقاطی وجود دارند که نمی توانند تفکیک شوند و به طور نادرستی طبقه بندی شده اند. یک نمره با پیش بینی بالا به معنای این است که احتمال زیادی وجود دارد که یک بیمار به نتیجه مطلوب دست خواهد یافت. به عبارتی دیگر، سطح اطمینان نتیجه مطلوب بالاست. از طرفی دیگر، در صورتی که بتوانیم مقدار پیش گویانه یک نقطه از داده ها را با تغییر متغیرهای مستقل معین (قابل کنترل) افزایش دهیم، ممکن است احتمال رسیدن به نتیجه مطلوب را افزایش دهیم. برای مثال، احتمال نقطه A* متناظر با یک نتیجه مثبت، بیشتر از A+ می باشد و احتمال نقطه A+ بیشتر از A- است(شکل 2).
در بسیاری مسائل، سطوح خطی برای تفکیک مناسب مجموعه نقاط به اندازه کافی انعطاف پذیر نیستند. با ترسیم نقاط در یک فضای با ابعاد بیشتر و با پدید آوردن یک سطح خطی در این فضا می توان این مسئله را حل نمود، ولی فرایند یادگیری را پیچیده می سازد. برای مثال، مسئله ای را در نظر بگیرید که فضای ورودی، دارای سه بعد x1 ، x2 و x3 می باشد. ما می توانیم آن ها را در در یک فضای با ابعاد بیشتر (نیاز به دانلود ترجمه) برای درست کردن مدل ترسیم نماییم. SVM ها،یک تابع قسمت اصلی ، (نیاز به دانلود ترجمه) را برای اجتناب از نیاز با انجام چنین نقشه برداری بکار می برند. قسمت اصلی تابع مبنای شعاعی (RBF) در آزمایشات ما مورد استفاده قرار گرفت.
شکل 2 ، مثالی در مورد یک فوق سطح تفکیک پذیر ساده d(x)=0، نشان می دهد، در صورتی که (نیاز به دانلود ترجمه) باشد. (نیاز به دانلود ترجمه) یک بردار از مضارب لاگرانژ می باشد، (نیاز به دانلود ترجمه) برچسب طبقه بندی است و b جمله مغرضانه می باشد. با استفاده از یک تابع قسمت اصلی K، جداسازی می تواند در یک فضای چند بعدی بدون انجام طراحی انجام شود. SVMها برای اجرا شدن بر مبنای دامنه وسیعی از مسائل نشان داده می شوند و عموما یکی از بهترین الگوریتم های طبقه بندی در نظر گرفته می شوند.
(نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه)
شکل 2. فوق سطح تفکیک ساز با حداکثر حاشیه ایجاد شده بوسیله یک ماشین بردار پشتیبانی. + و – نشاندهنده طبقه هر نقطه داده ها می باشند. ما فرض گرفته ایم که + نتیجه ماطلوب (زنده ماندن) است. تابع تصمیم، (نیاز به دانلود ترجمه) می تواند موقعیت یک نقطه را بعنوان نتیجه پیش بینی تعیین کند. ما می توانیم احتمال اینکه نقطه ای مثبت شود ، با افزایش مقدار تصمیم ، ، این نقطه ، برای مثال انتقال نقطه (نیاز به دانلود ترجمه) به (نیاز به دانلود ترجمه) یا (نیاز به دانلود ترجمه) را بالا ببریم.
ما با استفاده از متغیرهای مستقل مشخصات بیماران (یا متغیرهای غیر قابل کنترل ) و به شرطیکه (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) عضو بیماران باشد و خصیصه های توصیفی بیمارستان های منتخب آن ها (یا متغیرهای قابل کنترل) و عضو بیمارستان ها باشد، برای پیش بینی اینکه T یا بیمار در طول مدت بستری در بیمارستان زنده خواهد ماند یا خیر (یا بدون عارضه می باشد)،مدل پیشگویانه ای را به وجود آورده ایم. توجه داشته باشید که ما از علامت (نیاز به دانلود ترجمه) برای نشان دادن شاخص بیمارستانی که توسط بیمار خاص به طور دقیق انتخاب گردیده است استفاده می کنیم. پس از آماده سازی تابع تصمیم به صورت (نیاز به دانلود ترجمه) نشان داده می شود. بنا بر شکل 2، مقدار d می تواند سطح اطمینان نتیجه مطلوب را تعیین نماید. هدف ما بالا بردن این سطح اطمینان می باشد.
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
ما در این مسئله فرض گرفته ایم که تنها راه بهبود بازده مورد انتظار بیمار تغییر بیمارستان ها می باشد و از اینرو مقادیر x2 را پیدا می کنند. تابع تصمیم به طور طبیعی می تواند به منبع تابع هدف تبدیل شود،به خاطر اینکه می خواهیم سطح اطمینانی که نتیجه مطلوب روی می دهد را حداکثر نماییم.
ایده کاربرد بهینه سازی،شهودی است. در زندگی واقعی،احتمال زنده ماندن در بیمارستان های مختلف برای بیمار مشابه متغیر خواهد بود. پس از آماده سازی،یک طبقه ساز می تواند نمره زنده ماندن یا رهایی از عارضه (FFC) یک بیمار در هر بیمارستان را به وسیله یک تابع ارزیابی برآورد نماید. یک بیمارستان خوب نمره توصیفی بیشتری به دست خواهد آورد، از این رو مقدار تابع ارزیابی بیشتر خواهد بود. به عبارتی دیگر، روش بهینه سازی می تواند به شناسایی چنین بیمارستانی کمک کند. این مدل ریاضی می تواند نشان دهنده سناریوی ارجاع بیمارستان در زندگی واقعی باشد،زیرا یک نهاد با کیفیت بالا می تواند از خطای پزشکی پیشگیری نماید و شانس زنده ماندن (یا FCC) را افزایش دهد.
بهینه سازی تابع ادامه حیات به صورت ذیل طرح ریزی می شود:
در صورتی که x1 متغیرهای خاص بیمار، مجموعه متغیرهای توصیفی که بیمارستان را توصیف می نمایند، باشد. (نیاز به دانلود ترجمه) ، مسافت اقلیدسی از بیمار تا بیمارستان باشد. DL حداکثر پارامتر مسافت سفر تحمل شده که توسط کاربر معین شده می باشد.
هدف از فرایند بهینه سازی یافتن بیمارستان با مطلوب ترین خصیصه های توصیفی x2j می باشد، به طوری که تابع هدف (نیاز به دانلود ترجمه) حداکثر باشد، با وجود اینکه یک بیمارستان با کیفیت بالا می تواند احتمال زنده ماندن یک بیمار را بهبود دهد،این نتیجه گاهی اوقات محدود می شود. وضعیت جسمی، x1،هر بیمار متفاوت است و عامل مهمتری در تعیین احتمال زنده ماندن می باشد. در زمانی که بیماران، بیمارستان اصلی منتخب شان را به بیمارستان ارجاع داده شده تغییر می دهند، سه وضعیت ممکن وجود دارد:
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
2- بیماران ممکن است از منفی پیش بینی شده به مثبت (مرگ پیش بینی شده به بقای پیش بینی شده) جابه جا شوند.
3- بیماران ممکن است از مثبت پیش بینی شده به حالت مثبت تر (افزایش احتمال پیش بینی بقا) بروند.
خاطرنشان می کنیم که در وضعیت کلی مسئله معادله (1) ممکن است به صورت یک مسئله خطی،غیر خطی یا عدد صحیح مرکب برای نشان دادن ماهیت متغیرهای x2 طرح ریزی شود. این روش ها می توانند ویژگی یک بیمار "بی نقص" را به وجود آورند. با این حال، در کاربست ما، این رویکرد هیچ معنایی ندارد،زیرا چنین بیمارستانی الزاما وجود ندارد. برای حفظ امکان پذیری، بهینه سازی نباید مقدار را به دست آورد. در عوض باید مقدار از طریق همه بیمارستان های j در محدوه مسافت تخمین بزنیم و بیمارستانی با بیشترین مقدار d پیدا کنیم. به خاطر فضای جست و جوی کوچک در مسئله ارجاع بیمارستان، جست و جوی فراگیر بیمارستان های احتمالی در بررسی مقدار تابع ارزیابی در هر بیمارستان j در محدوده زمانی معلوم، به اندازه کافی سریع می باشد.
برای اثبات تغییر پذیری فرمول ریاضی مان، محدودیت مسافت را با تابع هدف انتقال داده ایم . در فرمول بهینه سازی چند هدفی:
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
در این مسئله، ما به جای تعیین یک تصمیم واحد برای بیمار، فضای راه حل خاص بیمار را فراهم نموده ایم. با اطلاعات کافی و نمایش بصری، یک بیمار می تواند به آسانی در مورد بهترین راه حل خود تصمیم گیری کند. فضای راه حل حاوی اطلاعاتی در مورد امکان ادامه حیات، احتمال FFC، و مسافت تا هر بیمارستان می باشد.
2.4- ایجاد یک نقشه معتبر سازی
نمرات SVM ، دارای احتمالات نیستند. اگرچه می توانیم نمره پیش گویانه را با توصیه یک بیمارستان به بیمار افزایش دهیم، هنوز می خواهیم بدانیم که احتمال زنده ماندن چقدر می تواند بهبود داده شود. روش معتبر سازی نیز یک مسئله به شمار می آید. سری داده ها، رویدادهای تاریخی ویژگی های بیمار، بیمارستانی که انتخاب کرده اند، و نتایج را ثبت نموده است. ما برای دانستن اینکه اگر آن بیماران به بیمارستان های توصیه شده فرستاده شوند، نتایج شان تغییر یافته است هیچ راهی نداریم. با این حال می توانیم پراکنگی نمرات پیش گویانه متناظر با بقا را با نشان دادن رابطه بین برچسب های طبقه بندی و نمرات پیش گویانه، ملاحظه نماییم (معادله 3). روش درجه بندی پلات یک راه حل محاسباتی برای این مسئله ارائه کرده است. این شیوه رویکردی فراهم می آورد که از نمرات SVM ، d ، با احتمالات p از طزیق یک تابع زیگمایی نقشه برداری می کند:
پارامترهای Aو B از طریق احتمال لگاریتم منفی داده ها به دست آورده می شوند که یک تابع خطای چند آنتروپی می باشد:
ما از تغییر روش پلات استفاده کردیم که از اشکالات عددی برای ایجاد یک نقشه برداری راحت از نمره SVM به یک احتمال بقای بعدی اجتناب نموده است. Mizil-Niculescu و Caruana چندین طبقه ساز را به کمک درجه بندی بلاک و رگرسیون ایزوتونی مورد آزمایش قرار دادند و نشان دادند که SVM یکی از بهترین روش های پیش بینی احتمالات پس از درجه بندی می باشد.
به کمک تابع درجه بندی می توانیم بر مبنای رابطه بین نمرات و احتمالات،یک نقشه معتبر سازی را پدید آوریم. شکل 3 نقشه های معتبر سازی برای چهار مجموعه داده ها را نشان می دهد. احتمال بقای پیش بینی شده یک بیمار در هر بیمارستان را می توان بر روی این نقشه پیدا کرد. برای مثال در آزمایش تمامی بیماران AMI (شکل 3a)، احتمال زنده ماندن پیش بینی شده یک بیمار ممکن است حدود 5% افزایش داده شود، در صورتی که نمره پیش گویانه بیمار با مراجعه به بیمارستان توصیه شده از 0 به 1 افزایش یابد.
(نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه) (نیاز به دانلود ترجمه)
شکل 3. نقشه های معتبرسازی (a) کل بیماران AMI ، (b) غیرجراحی، (c) CABG (میزان مرگ و میر) ، و (d) CABG (عارضه)
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
ذخیره سازی دانش
ورودی:
آماده سازی داده های (نیاز به دانلود ترجمه) ، به طوریکه (نیاز به دانلود ترجمه) مجموعه متغیر غیرقابل کنترل برای بیمار (نیاز به دانلود ترجمه) با شد و (نیاز به دانلود ترجمه) مجموعه متغیر بیمارستان انتخابی بیمار باشد.
خروجی ها:
1. (نیاز به دانلود ترجمه) : تابع زیگمایی
2. (نیاز به دانلود ترجمه) : تابع تصمیم
مراحل آماده سازی:
1. انجام معتبرسازی ده جنبه ای با استفاده از طبقه ساز SVM همراه با D؛
2. آماده سازی معادله (4) با مقادیر پیش بینی شده بواسطه داده های آزمایشی و طبقات واقعی برای بدست آوردن (نیاز به دانلود ترجمه) ؛
3. آماده سازی مجدد کل سری داده های D و بدست آوردن (نیاز به دانلود ترجمه) ؛
4. بازگردانی (نیاز به دانلود ترجمه) و (نیاز به دانلود ترجمه) .
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
بکارگیری دانش ذخیره شده : بهینه سازی تک هدفی
ورودی ها:
1. داده های شاخص بیمارستان
2. متغیرهای بیمار
3. حداکثر مسافت
4. تابع سیگمایی ، ، و تابع تصمیم ،
خروجی ها:
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
مراحل پبشنهادی:
1. بوسیله معادله 1 بیمارستان (نیاز به دانلود ترجمه) را برای بیمار پیدا کنید
2. احتمال زنده ماندن بیمار در این بیمارستان سفارش شده،
3. بازگردانی بیمارستان ، ، و .
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
بکارگیری دانش ذخیره شده: بهینه سازی چند هدفی
ورودی ها:
1. داده های شاخص بیمارستان
2. متغیرهای بیمار
3. تابع سیگمایی آماده شده، ، و تابع تصمیم، ، احتمال زنده ماندن (نیاز به دانلود ترجمه) ، و احتمال خلاصی از عارضه
خروجی ها:
1. (نیاز به دانلود ترجمه) : احتمالات زنده ماند برای تمامی بیمارستان ها
2. : احتمالات FFC برای تمامی بیمارستان ها
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
مراحل پیشنهادی:
1. (نیاز به دانلود ترجمه) ، و مسافت ، ، بین بیمار و بیمارستان را محاسبه کنید.
2. احتمال زنده ماندن، ، را با استفاده از (نیاز به دانلود ترجمه) و احتمال FFC ، ، را به کمک (نیاز به دانلود ترجمه) برای بیمارستان محاسبه نمایید.
3. (نیاز به دانلود ترجمه) ، ، و (نیاز به دانلود ترجمه) و (نیاز به دانلود ترجمه) را بازگردانی گنید.
شکل6. فرایند بکارگیری دانش برای بهینه سازی چند هدفی
3- نتایج
جدول 2 پراکندگی های طبقاتی 4 سری داده ها را نشان می دهد. طبقه مطلوب (مثبت) در همه سری داده ها در اکثریت قرار دارند. مدل سازی دقیق این مجمو عه ها منجر به طبقه بندی های خیلی دقیق ولی بی نتیجه می شود که به آسانی پیش بینی می کند که همه نقاط مثبت می باشند. ما از نمونه گیری بیش از حد طبقه اقلیت برای تعادل هر مجموعه داده مطابق با تناسب مثبت به طبقات منفی استفاده کردیم. برای مثال، احتمال زنده ماند (طبقه مثبت) درآزمایش زنده ماندن CABG ، 95% می باشد،در نتیجه ما از نسبت 9/1 برای توازن مثبت و منفی استفاده می کنیم.
ما خطای مجذور میانگین احتمالات به وجود آمده به وسیله SVM درجه بندی شده را با احتمالات پدید آمده را به وسیله رگرسیون پشتیبانی موجود در جدول 3 مقایسه نموده ایم. این جدول نشان می دهد که خطاهای مجذور میانگین SVM درجه بندی شده به طور قابل ملاحظه ای کمتر از رگرسیون پشتیبانی در تمامی آزمایشات هستند.
جدول3. میانگین مجذور خطای احتمال پیش بینی شده زنده ماندن SVM و رگرسیون لجستیکی
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
3.1- بهینه سازی تک هدفی
جدول 4 با استفاده از (1) تمامی بیماران AMI ، (2) بیمارانی که عمل جراحی نکرده اند، و (3) بیماران CABG، نتیج سه بررسی را به طور خلاصه نشان می دهد. در هر بررسی، جدول، متوسط مسافت بین بیماران و بیمارستان های پیشنهادی،متوسط احتمالات پیش بینی شده زنده ماندن با بستری شدن در بیمارستان، و میانگین نمرات SVM پیش بینی شده را نشان می دهد. بیمارستانی که در ابتدا توسط هر بیمار انتخاب می شود، مربوط به انتخاب اصلی است. از این ستون می توانیم ملاحظه کنیم که مسافت متوسط بین بیماران CABG و بیمارستان انتخابی آن ها، طولانی تر از دیگر مجموعه داده ها می باشد به خاطر اینکه تعداد محدودی از بیمارستان ها می توانند عمل جراحی CABG انجام دهند. برای بخش توصیه نامه، بیمارستان های جدید پیشنهاد می شوند، در صورتی که ما پارامترهای حداکثر مسافت 30،50 ، 100 و 200 مایلی را تعیین کرده باشیم. نتایج متوسط بهبود را می توان در این جدول مشاهده کرد. برای مثال، متوسط احتمال زنده ماندن را می توان از 92.8% به 93.6% افزایش داد و میانگین مسافت را از 20 مایل به 17 مایل کاهش داد، به شرطی که ما یک محدوده جست و جوی 30 مایلی در بررسی 1 را تعیین نماییم . میانگین احتمال 94.2% می شود، اگر ماکزیمم مسافت 50 مایل باشد. این امر بدین علت است که شیوه بهینه سازی می تواند یک مقدار بیشتر پیش بینی شده بهینه ای را به دست آورد، در صورتی که ما محدودیت پارامتر مسافت را از 30 به 50 مایل تغییر داده باشیم. بیماران موجود در بررسی 1 و 2 می توانند از میان 116 بیمارستان واقع در آیوا انتخاب شوند، ولی بیماران تحلیل 3 از میان تنها 12 بیمارستان انتخاب شوند، زیرا همه بیمارستان ها نمی توانند عمل جراحی CABG انجام دهند. معمولا بیمارستان هایی که می توانند جراحی CABG انجام دهند، نسبت به سایر بیمارستان ها بزرگ تر هستند و دارای بازدید بیمار بیشتری هستند و احتمالات زنده ماندن بیمار در این بیمارستان ها، بالاتر از حد متوسط می باشد. بنابراین، تعجبی ندارد که احتمالات واقعی زنده ماندن بیمارانی که در بیمارستان هایی بستری هستند که می توانند جراحی های CABG در سری داده های "AMI" و "غیر جراحی" انجام دهند، 94.29% و 95.11% باشند که بیشتر از احتمالات بقای 93% و 93.4% کل بیماران هستند (جدول 2). به علاوه احتمالات زنده ماندن جراحی CABG، معمولا خیلی بالاست وضعیت جسمی هر بیمار مهم ترین عامل در پیش بینی زنده ماند می باشد. بنابراین افزایش احتمالات زنده ماندن بیماران CAVG در زمانی که بیمارستان ها را تغییر می دهند، ساده نیست. احتمالات میانگین زنده ماندن تنها از 95% به 97.2% افزایش می یابند، در صورتی که مسافت معین 200 مایل باشد، با وجود اینکه بهبود نمرات SVM بیشتر از دو سری داده دیگر می باشد. شکل هر منحنی در شکل 3 می تواند توضیح دهد که چرا افزایش احتمال منحنی (c) نسبت به منحنی های ( a و b ) دشوارتر است.
جدول 4. میانگین احتمالات پیش بینی شده زنده ماندن، میانگین نمرات پیش بینی شده، و مقایسه مسافت بین بیمارستان هایی که در ابتدا انتخاب شده و بیمارستان های پیشنهادی.
(نیاز به دانلود ترجمه)
جدول 5 آزمون آماری نشان می دهد که نتیجه واقعی و تمامی نتایج تخمین زده شده را بررسی نموده است که حاوی انتخاب اولیه و پیشنهادات می باشد. آن ها به کمک دو نمونه مستقل با آزمون t واریانس نامساوی مقایسه شدند. ما بر اساس نتیجه واقعی در برابر انتخاب اصلی، بررسی کردیم که آیا آن ها متفاوت هستند یا خیر. بنابر نتیجه واقعی در مقایسه با پیشنهاد، این آزمون افزایش احتمال زنده ماند را بررسی نمود.
همان طور که انتظارش می رفت نتایج آزمون نشان می دهند که احتمالات زنده ماندن پیش بینی شده همه انتخاب ها اصلی، به طور چشم گیری با نتایج واقعی اختلاف ندارند علاوه بر این، این بهبود در سری داده های 1 و 2 به خوبی عمل می کند ولی در سری داده های 3و 4 خیر، مگر اینکه مسافت تعیین شده به اندازه کافی طولانی باشد. برطبق کل بررسی ها، درجه اعتبار با مسافت معین افزایش می یابد.
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
داده های مبتنی بر گذشته، امکان مقایسه مستقیم بین نتایج واقعی و انتخاب اولیه و پیشنهاد را نمی دهند. با این حال، ما می توانیم قدرت طبقه بندی پیشنهادات را با بررسی نتایج واقعی گروه های پیشگو (که در جدول 6 تعیین شده اند) مورد مداقه قرار دهیم همانطور که در جداول 9-7 نشان داده شده اند. جدول 6 فراوانی هر گروه بهبود برای هر سه بررسی همراه با محدوده های مسافت 30،50 ، 100 و 200 مایلی را نشان می دهد. ستون دوم نشان دهنده درصد بهبود پس از تغییر بیمارستان سفارش شده می باشد. برای مثال، در بررسی 1، 30 مایل معین و احتمالات زنده ماندن پیش بینی شده بیمارستان های توصیه شده برای 775 بیمار کمتر از بیمارستان هایی است که در ابتدا توسط بیماران انتخاب شده اند. این بیماران در گروه "بهبود منفی" قرار می گیرند. بیمارستان های توصیه شده به 3838 بیمار، فقط 1-% بهبود داشته اند. در صورتی که احتمالات زنده ماندن پیش بینی شده بتوانند بهبود را به خوبی دسته بندی نمایند، می توانیم انتظار سه حالت را داشته باشیم: (1) احتمال زنده ماندن واقعی بیمارانی که در گروه های "بهبود منفی" یا "بهبود 1-% " قرار می گیرند، بیشتر از متوسط تمامی بیماران می باشد؛ (2) اگر بیماران هنوز در گروه های "بهبود منفی" یا "بهبود 1-% " باقی مانده باشند، در زمانی که مسافت تعیین شده را افزایش می دهیم، احتمال واقعی زنده ماندن این بیماران بالاتر از بیمارانی است که پارامتر مسافت کوتاه تری داشته اند؛ و (3) بیماران موجود در یک گروه درصد بهبود بزرگتر دارای احتمال زنده ماندن کمتری هستند و در نتیجه مجال بیشتری برای پیشرفت دارند.
جدول 6. توزیع فراوانی های گروه های بهبود مختلف
جدول 7 احتمال واقعی زنده ماندن بیماران را در گروه "بهبود 1-% " (ترکیبی از گروه های "بهبود منفی" یا "بهبود 1-% ") موجود در سه بررسی را نشان می دهد. میانگین احتمالات زنده ماندن واقعی تمامی بیماران در سه بررسی 93% و 93.4% و 95% می باشد (جدول 2). بر اساس نقطه 1 در بالا ،ما متوجه شده ایم که احتمالات زنده ماندن در جدول 7 بیشتر از احتمالات موجود در جدول 2 می باشد. بیمارستان سفارش شده، (نیاز به دانلود ترجمه) می باشد که به مقدار بهینه (نیاز به دانلود ترجمه) دست می یابد. اگر افزایش احتمال پیش بینی شده زنده ماندن بیمارستان توصیه شده، کوچک یا منفی باشد، این مقدار در تابع هدف بیمارستانی که در ابتدا توسط بیمار انتخاب شده بود، نزدیک یا بیشتر از مقدار بهینه، ، می باشد. به عبارتی دیگر این بیمار پیش از این در بیمارستانی نزدیک یا بهتر از بیمارستان پیشنهادی بستری بوده است. بنابراین احتمالات واقعی زنده ماندن بیمارانی که قبلا در بیمارستان های خوب بستری بوده اند، بالاتر از متوسط می باشد و امکان پیشرفت اندکی وجود دارد.
جدول 7. نسبت های زنده ماندن برای گروه های بهبود منفی تا 1%
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
جدول 9. نسبت های زنده ماندن برای گروه بهیود بالای 3%
مطابق با نقطه دوم، می توانیم ملاحظه کنیم که احتمالات زنده ماندن بیماران موجود در گروه "بهبود 1-% " با مسافت معین افزایش یافته اند. زمانی که تدریجا مقدار بهینه (یافتن بیمارستان توصیه شده جدید) را با بیشتر کردن محدوده مسافت جست و جو افزایش دهیم، مقدار بهینه جدید ممکن است خیلی بیشتر از مقدار موجود در تابع هدف بیمارستانی که در ابتدا انتخاب شده، باشد. بنابراین، این بیمارا به سایر گروه های بهبود تغییر موضع می دهند. بیمارستان هایی که هنوز بیماران گروه "بهبود 1-% " در آن ها بستری هستند، نزدیک یا بهتر از بیمارستان جدیدا توصیه شده می باشد. بنابراین، احتمال واقعی زنده ماندن این بیماران بهتر از همه بیماران یا بیماران قبلی که در گروه "بهبود 1-% " باقی مانده اند،است.
بر اساس نقطه سوم ما می توانیم نتایج جداول 9-7 را مقایسه نماییم. مشابه جدول 7، جداول 8 و 9 احتمالات واقعی زنده ماندن بیماران در گروه "بهبود 3-1%" و بیشتر از "بهبود 3%" (ترکیبی از گرو ه های بهبود 5 – 3%، 7-5 %، 9-7%) در کل بررسی ها می باشد. این جداول نشان می دهند که احتمالات واقعی زنده ماندن، برای بیماران موجود در گروه های با درصد بهبود بالاتر، کمتر هستند. تنها مورد استثنا، بررسی 3 در جدول 8 می باشد. این گوناگونی ممکن است ناشی از نمونه کوچک باشد. برای مثال، احتمال واقعی زنده ماندن در گروه "بهبود 1-% " (با توجه به 30 مایل جدول 7)، 94.41%، در گروه "بهبود 3-1%" (با توجه به 30 مایل جدول 8) 90.94% و در گروه "بهبود بالای 3%" (با توجه به 30 مایل جدول 9) می باشد. توجیه اینجا شبیه به نقطه اول می باشد. بیماران به جای بستری شدن در بیمارستان های با نسبت های بالای زنده ماندن، در بیمارستان های با نسبت های کمابیش ضعیف بستری می شوند. مقدار تابع هدف بیمارستانی که در ابتدا توسط یک بیمارستان موجود در گروه بهبود با احتمال بالا انتخاب شده است، کمتر از مقدار بهینه (نیاز به دانلود ترجمه) است. این اختلاف، برای بیماران موجود در یک گروه بهبود با احتمال بالاتر، بیشتر خواهد شد. به عبارتی دیگر بیمارستان هایی که در اصل توسط بیمارانی که در گروه بهبود با احتمال بالاتر قرار داشتند، انتخاب شده بودند، بدتر از بیمارستان هایی بودند که توسط بیماران موجود در گروه بهبود با احتمال کمتر انتخاب شده بودند. بنابراین، احتمال واقعی زنده ماندن بیماران در یک گروه با بهبود بیشتر، کمتر از بیماران موجود در گروه های بهبود با احتمال پایین تر می باشد.
در جدول 6 می توانیم ملاحظه کنیم که فراوانی به سمت بهبود بیشتر می روند، در صورتی که مسافت معین را افزایش دهیم. بیشترین موارد موجود در بررسی 3 کمتر از 1% افزایش می یابند، در صورتی که یک محدوده مسافت سفر ماکزیمم بیشتر از 100 مایل را در نظر گرفته باشیم.
جهت مشاهده متن کامل، فایل ترجمه را دانلود نمایید.
این بررسی از نمایش بصری یک فضای راه حل چند بعدی برای هر بیمار استفاده نموده است. تناسب سه هدف، احتمال زنده ماندن، احتمال FFC ، و مسافت می تواند توسط یک کاربر از طریق فضای راه حل چند بعدی به راحتی تعیین گردد. ما تصمیم یک کاربر را با توجه به احتمال زنده ماندن و FFC در مسافت های مختلف نشان داده ایم و بهترین توازن سه هدف را مطابق با وضع فوق العاده بیمار تعیین نموده ایم. ما از این موردکاوی برای اثبات اینکه چگونه سیستم خبره می تواند به یک کاربر در انتخاب یک بیمارستان کمک نماید، استفاده کردیم. در نتیجه، نتایج گروه احتمال زنده ماندن به FFC را نشان داده ایم.
شکل 7 با استفاده از این سیتم خبره، یک مطالعه موردی را نشان داده است. مختصات (x,y) نشان دهنده احتمالات FFC (x) و زنده ماندن (y) یک بیمارستان می باشد. این تحقیق، یک بیمار نمونه P299 را انتخاب نموده است تا اینکه نشان دهد که چگونه سیستم می تواند پشتیبانی تصمیم را فراهم آورد.
بیمارستان 1، بیمارستان انتخابی اصلی P299 با مختصات (0.803 , 0.915) = (x,y) می باشد و مسافت تا این بیمارستان حدود 7 مایل است. با وجود اینکه این بینارستان دارای ظرفیت ترخیص و عمل جراحی CABG بزرگی می باشد و در یک ناحیه مادرشهری قرار دارد، هر دو احتمال برآورد شده زیر متوسط قرار دارند. دو عامل احتمالی وجود دارد که در زمان بررسی ویژگی بیمار برای احتمالات کم توجیه می آوردند: (1) P299 70 ساله است و (2) P299 وضعیت پذیرش اضطراری دارد. در زمانی که بیمارستانی با نسبت های زنده ماندن بیشتر انتخاب می شود، هر دو احتمال ممکن است افزایش یابند.
Building a hospital referral expert system with a Prediction and OptimizationBased Decision Support System algorithm
ایجاد سیستم خبره ارجاع بیمارستان همراه با الگوریتم سیستم پشتیبانی تصمیم گیری مبتنی بر بهینه سازی و پیش بینی
ISI
Paper
Papers
Article
Articles
مقاله ISI
داده کاوی
دانلود ISI
ISI مدیریت
بهینه سازی
هوش مصنوعی
ترجمه مقاله
Data mining
دریافت مقاله
Optimization
مقاله انگلیسی
Persian Paper
خرید ترجمه ISI
سیستم های خبره
یادگیری ماشینی
Expert systems
ترجمه مقاله ISI
Persian Article
ارجاع بیمارستان
کیفیت بیمارستان
دانلود مقاله ISI
مقاله رایگان ISI
خرید ترجمه مقاله
دانلود ترجمه ISI
مقاله ISI مدیریت
Machine learning
Hospital quality
دانلود مقاله جدید
مقالات رایگان ISI
دریافت مقالات ISI
دانلود ISI مدیریت
Hospital referral
مقاله ISI با ترجمه
مقاله انگلیسی جدید
خرید ترجمه انگلیسی
فروش ترجمه انگلیسی
ترجمه مقاله مدیریت
دانلود مقاله انگیسی
ترجمه مقاله انگلیسی
دریافت مقاله مدیریت
مقالات معتبر انگلیسی
ترجمه مقالات انگلیسی
دریافت مقاله انگلیسی
مقاله انگلیسی مدیریت
دانلود مقاله جدید ISI
خرید ترجمه ISI مدیریت
مقاله انگلیسی با ترجمه
ترجمه مقاله ISI مدیریت
دانلود رایگان مقاله ISI
دانلود مقاله ISI مدیریت
مقاله رایگان ISI مدیریت
خرید ترجمه مقاله مدیریت
دانلود ترجمه ISI مدیریت
Translate English Paper
Support vector machines
Artificial intelligence
دانلود مقالات رایگان ISI
دانلود مقاله جدید مدیریت
مقالات رایگان ISI مدیریت
دریافت مقالات ISI مدیریت
ماشین های بردار پشتیبانی
Decision support systems
دانلود مقاله ISI با ترجمه
دانلود مقاله انگلیسی جدید
دریافت مقاله انگلیسی جدید
مقاله ISI با ترجمه مدیریت
مقاله انگلیسی جدید مدیریت
خرید ترجمه انگلیسی مدیریت
فروش ترجمه انگلیسی مدیریت
Translate English Article
ترجمه مقالات معتبر انگلیسی
دانلود مقاله انگیسی مدیریت
ترجمه مقاله انگلیسی مدیریت
Translate Paper in English
دانلود مقاله انگلیسی رایگان
دانلود رایگان مقاله انگلیسی
دانلود مقاله انگلیسی رایگان
دریافت مقاله انگلیسی رایگان
مقالات معتبر انگلیسی مدیریت
ترجمه مقالات انگلیسی مدیریت
دریافت مقاله انگلیسی مدیریت
دانلود مقاله جدید ISI مدیریت
Translate Article in English
دانلود مقاله انگلیسی با ترجمه
دریافت مقاله انگلیسی با ترجمه
مقاله انگلیسی با ترجمه مدیریت
سیستم های پشتیبانی تصمیم گیری
دانلود رایگان مقاله ISI مدیریت
دانلود مقالات رایگان ISI مدیریت
Translation of Paper in English
دانلود مقاله ISI با ترجمه مدیریت
دانلود مقاله انگلیسی جدید مدیریت
دریافت مقاله انگلیسی جدید مدیریت
ترجمه مقالات معتبر انگلیسی مدیریت
Translation of Article in English
دانلود مقاله انگلیسی رایگان مدیریت
دانلود رایگان مقاله انگلیسی مدیریت
دانلود مقاله انگلیسی رایگان مدیریت
دریافت مقاله انگلیسی رایگان مدیریت
دانلود مقاله انگلیسی با ترجمه مدیریت
دریافت مقاله انگلیسی با ترجمه مدیریت
برون سپاری منابع انسانی : بازار و تاثیرات عملکردهای اجرایی توابع منابع انسانی اداری
.png)
Abstract Using event study methodology and two-stage regression analysis on a sample of firms announcing human resource outsourcing (HRO) contracts, this study tests the association between administrative HRO and firm-level capital ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 119500 تومان


مدیریت اطلاعات مالی برای دانشگاه ها با استفاده از نرم افزار منبع باز
.png)
Abstract This paper presents a model to analyse the different outcomes generated by the application ofTask-Technology Fit (TTF) theory to economic and financial information management in universitydepartments. This model extends that ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 119500 تومان


بررسی نواوری سازمانی و ظرفیت مدیریت دانش نقش مرکزی فعالیت های منابع انسانی استراتژیک
.png)
Abstract This study was an effort to test the effects of strategic human resources practices over organizational innovation (exploration and exploitation) and knowledge management capacity of firms (knowledge sharing and knowledge ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 119500 تومان


بررسی استراتژی های ورود به بازار مبتنی بر تأثیرات سازمانی و منابع : شواهد تجربی از یک منطقه با بافت اقتصادی
.png)
Abstract This research has two major purposes. The first is to develop and test a framework for market entry mode choice drawing on the resource-based theory and institutional theory in the ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 119500 تومان


هوشیاری کارآفرینانه و جلب توجه
.png)
Abstract This article uses theoretical approaches from cognitive psychology to examine the basis for entrepreneurial alertness and to connect it to existing theories of attention in strategic management and decision-making. It ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 129500 تومان


بازمهندسی تاثیر فرآیند کسب و کار بر پیاده سازی سیستم های مدیریت مالی: مطالعه موردی دانشگاه علم و فن آوری مسیند مولیرو
.png)
Abstract Universities are under pressures from every direction, from reduced government funding to expectations by students and parents to deliver ever-higher quality services in their financial management for accountability purposes. Universities ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 129500 تومان


مدیریت اثربخش
.png)
Abstract Developing effective management skills to deal with specific challenges and problems of each organization is the urgent needs of many businesses and organizations in the global competitive environment, rapid changing of technology and environment. The new tendency of training and development of successful organizations over the world today is developing effective skills in dealing with specific challenge of their own ... [ ادامه مطلب ]

توسعه ماتریس رابطه برای یادگیری سازمانی و قابلیت نوآوری : با مطالعه موردی از یک شرکت تولید کننده
.png)
Abstract The propose of this paper is to develop a conceptual matrix for the relationship between organizational learning (OL) and innovativeness. A new matrix has been developed to denote the relationship ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 119500 تومان


تاثیر شیوه های مدیریت کیفی در فرایند تولید دانش: چشم انداز شرکت هواپیمایی چینی
.png)
Abstract Contemporary quality management studies describe a range of quality improvement strategies. However, these studies do not consider the impact of quality management practices on the knowledge creation process. Based on ... [ ادامه مطلب ]
انتشارات: Elsevier
قیمت: 129500 تومان


دستورالعمل طراحی و محاسبه سیستم روشنایی
.png)
مجموعه دستورالعمل های ارائه شده در دیتاسرا شامل ضوابط و مراحل تحلیل و طراحی سازه های گوناگون صنعتی و بر اساس الزامات مندرج در آیین نامه های معتبر داخلی و ... [ ادامه مطلب ]
قیمت: 119500 تومان
مشخصات کلی:
صفحات متن اصلی: 30
گروه:
دستورالعمل طراحی

صفحات متن اصلی: 30
گروه: دستورالعمل طراحی

فایل اکسل طراحی مخزن فلزی هوایی بر اساس آیین نامه AISC با در نظر گرفتن نیروی باد و زلرله
.png)
فایل پیش رو اکسل طراحی مخزن فلزی هوایی می باشد که بر اساس آیین نامه AISC و با در نظر گرفتن نیروی باد و زلرله محاسبات را انجام داده و ... [ ادامه مطلب ]
قیمت: 79500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

فایل اکسل تحلیل اتصال برشی دارای خروج از مرکزیت برای گروه پیچ
.png)
این برنامه ظرفیت برشی اتصال پیچ و مهره ای دارای خروج از مرکزیت برای گروه پیچ را محاسبه می کند، ابزاری مناسب برای طراحی صفحات gusset و اتصالات پیچ و ... [ ادامه مطلب ]
قیمت: 79500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

فایل اکسل طراحی روسازی آسفالتی بر مبنای آیین نامه آشتو و استفاده از آزمایش ظرفیت باربری کالیفرنیا
.png)
فایل پیش رو اکسل طراحی روسازی آسفالتی بر مبنای آیین نامه آشتو می باشد که با استفاده از نتایج آزمایش ظرفیت باربری کالیفرنیا CBR اطلاعات ورودی را تحلیل و نتایج را ... [ ادامه مطلب ]
قیمت: 79500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

طراحی ابعاد و سازه شالوده های عمیق (شمع ها و پایه های عمیق) در خشکی
.png)
مجموعه دستورالعمل های ارائه شده در دیتاسرا شامل ضوابط و مراحل تحلیل و طراحی سازه های گوناگون صنعتی و بر اساس الزامات مندرج در آیین نامه های معتبر داخلی و ... [ ادامه مطلب ]
قیمت: 119500 تومان
مشخصات کلی:
صفحات متن اصلی: 27
گروه:
دستورالعمل طراحی

صفحات متن اصلی: 27
گروه: دستورالعمل طراحی

تحلیل غیرخطی و مدل سازی عددی تیر بتن مسلح تقویت شده با FRP توسط Finite Element Method
.png)
"پایان نامه مهندسی عمران مقطع کارشناسی ارشد - گرایش سازه" تحلیل غیرخطی و مدل سازی عددی تیر بتن مسلح تقویت شده با FRP توسط Finite Element Method مشخصات کلی: شامل فایلهای word و ... [ ادامه مطلب ]
قیمت: 129500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

بررسی پارامترهای هندسی مهاربند زانویی
.png)
"پروژه دانشجویی مهندسی عمران" بررسی پارامترهای هندسی مهاربند زانویی مشخصات کلی: شامل فایلهای word و pdf بالغ بر 146 صفحه (4 فصل) فهرست مطالب فصل اول 1-1- مقدمه 1-2- شکل پذیری سازه ها 1-3- مفصل و لنگر پلاستیک 1-4- منحنی ... [ ادامه مطلب ]
قیمت: 129500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

تحلیل و طراحی سیستم گرمایشی ساختمان مسکونی با استفاده از ذخیره کننده های حرارتی PCM
.png)
"پایان نامه مهندسی مکانیک مقطع کارشناسی ارشد - گرایش تبدیل انرژی" تحلیل و طراحی سیستم گرمایشی ساختمان مسکونی با استفاده از ذخیره کننده های حرارتی PCM تهیه شده بصورت کاملا انحصاری توسط ... [ ادامه مطلب ]
قیمت: 449000 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

شناسایی و رتبه بندی دلایل انحراف از هزینه پیش بینی شده و ارائه راهکارهای کاهش آن: مطالعه موردی پروژه های "پتروشیمی الف"
.png)
"پایان نامه مهندسی عمران مقطع کارشناسی ارشد - گرایش مهندسی و مدیریت ساخت" شناسایی و رتبه بندی دلایل انحراف از هزینه پیش بینی شده و ارائه راهکارهای کاهش آن: مطالعه ... [ ادامه مطلب ]
قیمت: 259500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی

مکانیک شکست (Fracture Mechanics)
.png)
مقدمه : یکی از عمده ترین مسائلی که انسان از زمان ساختن سادهترین ابزارها با آن مواجه بوده است پدیده شکست در اجسام میباشد و درواقع برای استفاده از مواد ... [ ادامه مطلب ]
قیمت: 99500 تومان
مشخصات کلی:
گروه:
دستورالعمل طراحی

گروه: دستورالعمل طراحی
