Please use this identifier to cite or link to this item: http://dspace.lib.uom.gr/handle/2159/26999
Author: Πέτσης, Σπυρίδων
Title: Δημιουργία μοντέλου πρόβλεψης έκτακτων περιστατικών και κατάληξης ασθενών για το Πανεπιστημιακό Νοσοκομείο Ιωαννίνων
Date Issued: 2022
Department: Πρόγραμμα Μεταπτυχιακών Σπουδών Αναλυτική των Επιχειρήσεων και Επιστήμη των Δεδομένων
Supervisor: Ταραμπάνης, Κωνσταντίνος
Abstract: Η σημερινή εποχή χαρακτηρίζεται από την ραγδαία τεχνολογική ανάπτυξη και από την συνεχή δημιουργία μεγάλου όγκου δεδομένων, τα οποία προέρχονται από όλους τους καθημερινούς τομείς και χαρακτηρίζονται από την έκφραση ‘data is the new oil’. Παράλληλα, έχουν εξελιχθεί οι τεχνικές επεξεργασίας, οπτικοποίησης και ανάλυσης των δεδομένων έτσι ώστε οι οργανισμοί να μπορέσουν να ανταπεξέλθουν με επιτυχία στις νέες προκλήσεις και να επωφεληθούν στο έπακρο από την νέα πηγή πλούτου. Τέλος, η χρήση μηχανικής και βαθιάς μάθησης είναι διευρυμένη, όπου τα αποτελέσματα αυτών των ‘state-of-the-art’ τεχνολογιών διευκολύνουν την καθημερινή ζωή πολλών ανθρώπων και οδηγούν τις επιχειρήσεις σε νέα μονοπάτια αποκτώντας ένα σαφές πλεονέκτημα έναντι του ανταγωνισμού. Σκοπός της παρούσας διπλωματικής εργασίας είναι η πρόβλεψη του πλήθους των ασθενών που θα προσέλθουν στο τμήμα έκτακτων περιστατικών για το Πανεπιστημιακό Γενικό Νοσοκομείο Ιωαννίνων. Η πρόβλεψη του πλήθους των ασθενών πραγματοποιήθηκε για την επόμενη ημέρα εφημερίας και για τις επόμενες τριάντα (30) ημέρες, ανεξάρτητα της επικινδυνότητας του κάθε περιστατικού. Εκτός του γενικού συνόλου ασθενών πραγματοποιήθηκε και πρόβλεψη του πλήθους των ασθενών για τα 6 τμήματα του νοσοκομείου που παρουσιάζουν την μεγαλύτερη προσέλευση ασθενών, για το ίδιο προβλεπτικό εύρος με του γενικού συνόλου. Χρησιμοποιήθηκε η μέθοδος μηχανικής μάθησης eXtreme Gradient Boosting- XGBoost για την υλοποίηση της πρόβλεψης ενσωματώνοντας παράλληλα προβλεπτικές μεταβλητές, όπως καιρικές και ημερολογιακές. Τέλος ως μετρικές των αποτελεσμάτων χρησιμοποιήθηκαν το μέσο απόλυτο σφάλμα (ΜΑΕ), η ρίζα του μέσου τετραγωνικού σφάλματος (RMSE) και το μέσο απόλυτο ποσοστιαίο σφάλμα (MAPE). Εκτός από την επίτευξη όσο το δυνατόν του καλύτερου προβλεπτικού αποτελέσματος, είναι πολύ σημαντικό η ερμηνεία των μεταβλητών και των αποτελεσμάτων. Για αυτό τον λόγο εφαρμόστηκε η μέθοδος SHAP για την διερεύνηση του εύρους τιμών της κάθε μεταβλητής για το οποίο το πλήθος των περιστατικών αυξάνεται ή μειώνεται αντίστοιχα. Η παραπάνω έρευνα μπορεί να χρησιμοποιηθεί ως εργαλείο λήψης αποφάσεων είτε από δημόσιο είτε από ιδιωτικό νοσοκομείο. Μέσω του συγκεκριμένου εργαλείου μπορεί να αποφευχθεί η υπερκόπωση του προσωπικού, η καλύτερη κατανομή του σύμφωνα με τις ημέρες που παρουσιάζουν τα περισσότερα περιστατικά και να μειωθεί το λειτουργικό κόστος του εκάστοτε νοσοκομείου.
Keywords: XGBOOST
SHAP
Healthcare
Forecasting
Information: Διπλωματική εργασία--Πανεπιστήμιο Μακεδονίας, Θεσσαλονίκη, 2022.
Rights: Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές
Appears in Collections:ΠΜΣ Αναλυτική των Επιχειρήσεων και Επιστήμη των Δεδομένων (Μ)

Files in This Item:
File Description SizeFormat 
PetsisSpyridonMsc2022.pdf2.76 MBAdobe PDFView/Open


This item is licensed under a Creative Commons License Creative Commons