31639

ارائه يك مدل توضيح پذير براي پايش پيشگويانه فرايند، جهت ارائه توصيه بعدي به مخاطب: مطالعه موردي در نظام سلامت

كارشناسي ارشد

مهندسي صنايع-سيستم‌هاي اطلاعاتي

1400

1403/06/26

محمدرضا رسولي

ندارم

مهندسي صنايع

فرايندهاي بخش اورژانس جزو مهم‌ترين و موثرترين فرايندها بر وضعيت سلامت يك بيمار هستند. ازين رو اقداماتي كه در راستاي كمك به بهبود تصميم‌گيري در اين بخش صورت مي‌گيرد نيز حائز اهميت است. بررسي پژوهش‌هاي پيشين در حوزه بهبود فرايندهاي بخش اورژانس نشان داد كه تمركز عمده پژوهش‌ها در فرايندهاي حوزه سلامت بر پيش‌بيني رويدادبعدي يا زمان باقي‌مانده فرايند با هدف تخصيص بهتر منابع بوده‌است و تاكنون پژوهشي در راستاي استفاده از روش‌هاي پايش‌پيشگويانه فرايند و ارائه يك مدل يادگيري ماشين جهت پيش‌بيني وضعيت بهبود بيماران اورژانسي انجام نشده‌است. كار اصلي اين پژوهش ارائه يك رويكرد تفسيرپذير جهت پيش‌بيني وضعيت بهبودي بيمار اورژانسي به كمك يك روش پايش پيشگويانه مبتني بر فرايند با ويژگي‌هايي از جمله وضعيت علائم حياتي است. هدف از اين كار اين است كه ذي‌نفعان و كاركنان اورژانس بتوانند تصميمات بهتري را مبتني بر مسير آينده بيمار اتخاذ كنند. در آموزش مدل‌هاي يادگيري ماشين اين پژوهش از گزارشات رويداد بخش اورژانس استفاده شده و جهت آماده‌سازي داده‌ها، بعد از دسته‌بندي داده‌ها مبتني بر طول رويدادهاي هر مورد، رويكردهاي رمزگذاري مبتني بر k وضعيت_ شاخص به كار گرفته شده است. به اين صورت كه از هر مورد تعداد k رويداد شاخص‌گذاري مي‌شوند. اين روش‌ها در دسته‌بندي روش‌هاي پايش پيشگويانه فرايند قرار مي‌گيرند. داده‌هاي بدست آمده از هركدام از روش‌هاي رمزگذاري وارد فرايند آموزش مدل يادگيري ماشين مي‌شوند. با توجه به شكاف تحقيقات پيشين در اين پژوهش يك رويكرد پيش‌بيني وضعيت بهبودي بيمار ارائه شده كه در آن به كمك روش‌هاي پايش پيشگويانه فرايند، اطلاعات ارزشمندي از گزارش رويدادهاي بخش اورژانس به صورت روش‌هاي مبتني بر طول رويداد استخراج و از اطلاعات منتج شده جهت آموزش مدل‌هاي پيش‌بيني استفاده شده‌است. نتايج اين پژوهش نشان مي‌دهند كه بر اساس تحليل رفتار داده‌هاي علائم حياتي مي‌توان پيامدهاي مداخلات فرايندهاي اورژانسي را پيش‌بيني كرد. الگوريتم XGBoost روي خروجي‌هاي روش رمزگذاري آخرين 3 رويداد بهترين عملكرد را نشان مي‌دهد.

1403/09/13

Providing an explainable model for predictive process monitoring, in order to provide the next recommendation to the audience: a case study in the health system

9/16/2025 12:00:00 AM

Emergency department processes are among the most important and effective processes on a patient's health. Therefore, the actions taken to help improve decision-making in this sector are also important. The review of previous researches in the field of improving the processes of the emergency department showed that the main focus of the researches in the processes of the health sector was on predicting the next event or the remaining time of the process with the aim of better allocation of resources. So far, no research has been done in the direction of using predictive process monitoring methods and providing a machine learning model to predict the recovery status of emergency patients. The main task of this research is to provide an interpretable approach to predict the improvement status of emergency patients with the help of a process-based predictive monitoring method with features such as the status of vital signs. The goal of this work is to enable stakeholders and emergency personnel to make better decisions based on the patient's future path. about research method of this paper, first the data in some buckets based on the length of the events classified, then encoding approaches based on k-status_index have been used and finally machine learning models trained. It means that, k number of events are indexed from each case. These methods are included in the category of predictive process monitoring methods. The data obtained from each of the encoding methods are entered into the training process of the machine learning model. According to the gap in previous research, in this research, an approach to predict the patient's improvement status is presented. in which, with the help of predictive process monitoring methods, valuable information is extracted from the emergency department event log in the form of methods based on the length of the event, and the resulting information used to train models. The results of this research show that based on the behavior analysis of vital signs data, the consequences of interventions in emergency processes can be predicted. The XGBoost algorithm shows the best performance on the outputs of the encoding method of the last 3 events.

يادگيري ماشين , پايش پيشگويانه فرايند , بخش اورژانس , رمزگذاري مبتني بر شاخص , علائم حياتي , توضيح پذيري

machine learning , predictive process monitoring , emergency department , index-based encoding , vital signs , explainable

Shaghayegh Heydari Dehaghani

Mohammadreza Rasouli