فصل دوم پایان نامه داده کاوی در پزشکی

فصل دوم پایان نامه داده کاوی ارشد فناوری اطلاعات در حوزه پژشکی و با عنوان بهینه سازی خرید دارو با استفاده از داده کاوی می باشد.

فصل دوم به ارائه پیشینه تحقیق پرداخته است .در این بخش ضمن بررسی مطالعات انجام شده در زمینه داده کاوی بر روی سیستم های اطلاعات بیمارستان ها مشاهده شد که داده کاوی در این زمینه از ابعاد مختلف مورد ارزیابی قرار گرفته است. این پایان نامه سعی می کند تا به جنبه جدیدی از بکارگیری داده کاوی در سیستم های اطلاعات بیمارستان ها بپردازد. همچنین با استفاده از تکنیک پیش  بینی,مصرف دارو را پیش بینی کرده تا با استفاده از نتایج آن خرید دارو را بهینه سازی کند. با توجه به ساختار سیستم های اطلاعات بیمارستان در ایران نتایج این پایان نامه می تواند کمک کند تا سازندگان سیستم های اطلاعات قسمت داده کاوی را در این سیستم ها ایجاد کنند و این کار موجب افزایش در آمد بیمارستان های کشور خواهد شد.

فصل سوم، مروری است بر ادبیات تحقیق و مبانی نظری که در آن سیستم های اطلاعات بیمارستان، مزایای این سیستم ها، داده کاوی و الگوریتم ها و مدل های مختلف تکنیک پیش بینی و همچنین فرایند خرید دارو شرح داده شده است. در این فصل ضمن معرفی سیستم های اطلاعات بیمارستانی و توضیح درباره مزایا و معایب آنها به معرفی الگوریتم ها و روش های مختلف داده کاوی پرداخته شد. همچنین نرم افزارهای مختلف برای داده کاوی نام برده شدند و نهایتاٌ فرایند خرید دارو توضیح داده شد.

فهرست مطالب
فصل ۱- مقدمه    2
۱-۱- فناوری اطلاعات در بهداشت و درمان    2
۱-۲- داروخانه های بیمارستانی    3
۱-۳- داده کاوی    4
۱-۳-۱- داده کاوی چیست؟    4
۱-۳-۲- تکنیک های مختلف داده کاوی    5
۱-۳-۲-۱-انواع تکنیک داده کاوی    6
۱-۴- بیان مسئله    8
۱-۵- اهداف تحقیق    10
۱-۶- سوالات وفرضیات تحقیق    11
۱-۶-۱- سوالات    11
۱-۶-۲- فرضیات تحقیق    12
۱-۷- فصول پایان نامه    12

فصل ۲- پیشینه پژوهشی    15
۲-۱- جمع بندی    24

فصل ۳- مروری بر ادبیات تحقیق و مبانی نظری    35
۳-۱- سیستم های اطلاعات بیمارستان    35
۳-۲- تعریف و مفهوم سیستم اطلاعات بیمارستانی    38
۳-۲-۱– اهداف سیستم اطلاعات بیمارستانی    40
۳-۲-۲- اهمیت و ضرورت راه‌اندازی سیستم اطلاعات بیمارستانی    41
۳-۲-۳- مزایایی سیستم اطلاعات بیمارستانی    42
۳-۳- داده کاوی    44
۳-۴- مراحل داده کاوی    46
۳-۴-۱- پیش پردازش داده ها    49
۳-۴-۲- پاکسازی داده ها    49
۳-۴-۳-یکپارچه سازی داده ها    50
۳-۴-۴- تبدیل دادهها    50
۳-۴-۵- تلخیص داده ها    51
۳-۵- وظایف داده کاوی    51
۳-۵-۱- دسته بندی    52
۳-۵-۲- تخمین    53
۳-۵-۳- پیش بینی    54
۳-۵-۴- گروه بندی شباهت یا قوانین وابستگی    54
۳-۵-۵- خوشه بندی    55
۳-۵-۶- نمایه سازی    56
۳-۶- کاربرد های داده کاوی    56
۳-۷- رویکردهای مسائل داده کاوی در پزشکی    58
۳-۸- مدلها و الگوریتمهای داده کاوی    60
۳-۸-۱- شبکه های عصبی مصنوعی    60
۳-۸-۱-۱-ساختار شبکه عصبی    61
۳-۸-۱-۲-معماری شبکه عصبی    62
۳-۸-۱-۳-آموزش شبکه های عصبی مصنوعی    64
۳-۸-۱-۴-انواع یادگیری در شبکه های عصبی مصنوعی    64
۳-۸-۲- درخت های انتخاب    65
۳-۸-۳- Bagging & Boosting    67
۳-۸-۳-۱-Bagging    55
۳-۸-۱-۱-Boosting    61
۳-۸-۱-۱-الگوریتم های Boosting    61
۳-۸-۴- Adaptive Boosting(Adaboost)    69
۳-۸-۵- رگرسیون بردار پشتیبان    70
۳-۸-۶- رگرسیون خطی    72
۳-۹ نرم افزارهای داده کاوی    75
۳-۱۰- فرایند خرید دارو    76
۳-۱۱- جمع بندی    78

منابع

فهرست شکل ها و نمودارها 
شکل ۲- ۱ مدل پیش بینی با شبکه عصبی[۴]    12
شکل ۲- ۲  شبکه عصبی [۱۴] BP     12
شکل ۲- ۳ مدل بهینه سازی خرید دارو[۱۵]    14
شکل ۲- ۴ مدل استخراج دانش [۲۶]     16
شکل ۲- ۵ جریان عملیات در داروخانه[۱۷]      17
شکل ۲- ۶  دسته بندی اهدا بکارگیری داده کاوی[۱۵]    19
شکل ۲- ۷ روند بکارگیری داده کاوی در پزشکی[۲۰]    20
شکل۳- ۱   مراحل داده کاوی[۴۰]    32
شکل۳- ۲ ساختار شبکه عصبی[۴۷]    43
شکل۳- ۳  مثالی از درخت تصمیم[۴۱]    55