22508

ارائه رويكردي هوشمند براي كنترل كيفي نتايج آزمايش‌هاي باليني با استفاده از روش‌هاي فرآيندكاوي (مطالعه موردي شبكه تشخيص آزمايشگاهيان)

كارشناسي ارشد

مهندسي فناوري اطلاعات

1396

1399/04/10

دكتر محمدرضا رسولي

دكتر محمد فتحيان

صنايع

كنترل كيفي دقيق در آزمايشگاه‌هاي تشخيص طبي جزو الزامات كليدي و ضروري است كه بخش قابل توجهي از هزينه‌هاي انجام آزمايش را به خود اختصاص مي‌دهد. در حالي كه استفاده از كيت‌هاي كنترل كيفي و بكارگيري رويكردهاي آماري هزينه و زمان زيادي را دربردارد، بكارگيري روش‌هاي هوشمند امكان كاهش هزينه‌ها و ارتقاء دقت كنترل كيفي نتايج را مي‌تواند فراهم آورد. از طرفي امروزه با ظهور پرونده‌هاي الكترونيكي سلامت و توسعه فناوري‌هاي مرتبط، گرايش جدي به سمت رويكردهاي داده‌مبنا شكل گرفته‌است. از اين رو ما در اين مطالعه يك مدل داده‌مبنا به منظور بهبود كيفيت نتايج آزمايش‌هاي باليني ارائه داده‌ايم كه ضمن ايجاد امكان حذف هزينه‌هاي مرتبط با كيت‌هاي كنترل، تصميم‌گيري در مورد كيفيت نتايج تست‌هاي باليني توسط سوپروايزرهاي آزمايشگاهي را تسهيل مي‌نمايد. اين مدل از تعداد رخداد تكرار مجدد آزمايش( re-test) براي تشخيص تحت كنترل بودن يا نبودن آن استفاده مي‌كند. به همين منظور در مدل مذكور دو روش داده‌كاوي و فرآيندكاوي به كار گرفته شده است. به اين صورت كه به منظور هوشمندسازي پيش‌بيني رخداد re-test آزمايش از داده‌كاوي و براي شناسايي مدل فرآيندي و هوشمندسازي مانيتورينگ آن از فرآيندكاوي استفاده شده است. ديتاست مورد استفاده براي توسعه اين مدل مربوط به بيماران آزمايشگاه شهر ري استان تهران است. همچنين اين مدل بر تشخيص خطاي دستگاه آزمايش FBS متمركز است. درنهايت به منظور ارزيابي عملكرد مدل،آن را بر روي داده‌هاي واقعي و جديد آزمايشگاه شهر ري اعمال كرديم. نتايج حاصل از اعمال مدل بيانگر قابليت عملياتي آن در آزمايشگاه‌ها مي‌باشد. اين مطالعه مي‌تواند در كاهش هزينه‌هاي آزمايشگاه و بهبود كنترل كيفي نتايج آزمايش‌هاي باليني موثر واقع شود. توسعه مدل براي ديگر آزمايش‌ها و آزمايشگاه‌ها مي‌تواند چالشي براي كارهاي آينده باشد.

1399/07/06

An intelligent approach to control quality of clinical tests results using process mining techniques(a case study in Laboratories Diagnostic Network)

6/30/2020 12:00:00 AM

Careful quality control in medical diagnostic laboratories is a key and essential requirement that accounts for a significant portion of the cost of testing. While the use of quality control kits and the use of statistical approaches can be costly and time consuming, using smart methods can reduce costs and improve the quality of quality control results. On the other hand, with the advent of electronic health records and the development of related technologies, there is a serious trend towards data-based approaches. Therefore, in this study, we provide a data model based on the improvement of the quality of clinical laboratory results, which facilitates the possibility of eliminating the costs associated with control kits, facilitates the decision on the quality of clinical test results by laboratory supervisors. This model uses the number of re-tests to determine whether it is under control or not. For this purpose, in this model, two methods of data mining and process mining have been used. In order to intelligently predict the re-test occurrence of the experiment, data mining was used to identify the process model and intelligent monitoring of the process. The data used to develop this model are related to patients in Rey City Laboratory, Tehran Province. The model also focuses on detecting FBS test error. Finally, in order to evaluate the performance of the model, we applied it to the real and new data of Rey City Laboratory. The results of the application of the model indicate its operational capability in laboratories. This study could be effective in reducing laboratory costs and improving the quality control of clinical laboratory results. Developing a model for other laboratories and laboratories can be a challenge for future work.