توسعه ی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از دادههای مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیریها و فرایندهای مدیریتی را بهبود بخشید.در این پایان نامه تلاش شده است ضمن بررسی الگوریتمهای مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانههای بیمارستانها ارائه گردد.مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است.برای پیش بینی مصرف دارو عملکرد مدلهای MLP، SVR، ADABOOST.R، BAGTREE، LR،LSSVR موردبررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR2ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است. واژگان کلیدی:سیستم های اطلاعات بیمارستان، پیش بینی، خرید دارو، داروخانه فهرستمطالب عنوان صفحهفصل 1- مقدمه21-1- فناوری اطلاعات در بهداشت و درمان21-2- داروخانه های بیمارستانی31-3- داده کاوی31-3-1- داده کاوی چیست؟31-3-2- تكنیك های مختلف داده كاوی41-3-2-1-انواع تکنیک داده کاوی. 51-4- بیان مسئله61-5- اهداف تحقیق81-6- سوالات وفرضیات تحقیق91-6-1- سوالات91-6-2- فرضیات تحقیق91-7- فصول پایان نامه9فصل 2- پیشینه پژوهشی122-1- جمع بندی24فصل 3- مروری بر ادبیات تحقیق و مبانی نظری263-1- سیستم های اطلاعات بیمارستان263-2- تعريف و مفهوم سيستم اطلاعات بيمارستاني283-2-1-- اهداف سیستم اطلاعات بیمارستانی293-2-2- اهمیت و ضرورت راهاندازی سیستم اطلاعات بیمارستانی303-2-3- مزایایی سیستم اطلاعات بیمارستانی313-3- داده کاوی323-4- مراحل داده کاوی333-4-1- پیش پردازش داده ها353-4-2- پاکسازی داده ها353-4-3-یکپارچه سازی داده ها363-4-4- تبدیل دادهها363-4-5- تلخیص داده ها373-5- وظایف داده کاوی373-5-1- دسته بندی383-5-2- تخمین393-5-3- پیشبینی393-5-4- گروه بندی شباهت یا قوانین وابستگی403-5-5- خوشه بندی403-5-6- نمایه سازی413-6- كاربرد هاي داده كاوي413-7- رویکردهاي مسائل داده کاوي در پزشکی423-8- مدلها و الگوريتمهای داده کاوی433-8-1- شبکههاي عصبی مصنوعی433-8-1-1-ساختار شبکه عصبی443-8-1-2-معماري شبکه عصبی453-8-1-3-آموزش شبکه هاي عصبی مصنوعی463-8-1-4-انواع یادگیري در شبکه هاي عصبی مصنوعی473-8-2- درخت هاي انتخاب473-8-3- Bagging & Boosting483-8-3-1-Bagging553-8-1-1-Boosting443-8-1-1-الگوریتم های Boosting443-8-4- Adaptive Boosting(Adaboost)503-8-5-رگرسیون بردار پشتیبان513-8-6- رگرسیون خطی52نرم افزارهای داده کاوی543-10- فرایند خرید دارو553-11- جمع بندی56فصل 4- روش انجام پژوهش584-1- مقدمه584-2- الگوریتم پیشنهادی594-3- پیش پردازش دادهها604-3-1- ساخت ماتریس داده604-3-1-1-روش ماههای متوالی674-3-1-2-روش ماههای یکسان444-3-1-3-روش فصول متولی694-4- الگوریتمهای Prediction634-4-1- روش NN644-4-2-روش SVR644-4-3- روش LSSVR674-4-4- AdaBoost.R694-5- مجموعه داده704-5-1- پاکسازیداده724-6- معیارهای ارزیابی724-7- جمع بندی74فصل 5- بحث و نتیجهگیری765-1- مقایسه روشهای مورد بررسی765-1-1- ارزیابی الگوریتم با روش ماههای متوالی775-1-2- ارزیابی الگوریتم با روش ماههای یکسان835-2- جمع بندی93فصل 6- پیشنهادهاو فرصتهای پژوهشی آینده95 فهرست جداول عنوان صفحه جدول 2- 1تکنیکهای مهم داده کاوی در بخش دارویی[21]21جدول 4- 1 ماتریس داده بصورت ماههای متوالی60جدول 4- 2 ماتریس داده بصورت ماههای یکسان61جدول 4- 3 ماتریس داده بصورت فصول متوالی2جدول 5- 1نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine77جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin81جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol82جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine82جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin85جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol86جدول 5- 7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine91جدول 5 - 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol93 فهرست شکل ها و نمودارها عنوان صفحهشکل 2- 1 مدل پیش بینی با شبکه عصبی[4]12شکل 2- 2 شبکه عصبی [14] BP 12شکل 2- 3مدل بهینه سازی خرید دارو[15]14شکل 2- 4مدل استخراج دانش [26] 16شکل 2- 5 جریان عملیات در داروخانه[17] 17شکل 2- 6 دسته بندی اهدا بکارگیری داده کاوی[15]19شکل 2- 7روند بکارگیری داده کاوی در پزشکی[20]20شکل3- 1 مراحل داده کاوی[40]32شکل3- 2ساختار شبکه عصبی[47]43شکل3- 3 مثالی از درخت تصمیم[41]55شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان55شکل 4- 1 دیاگرام چاچوب تحقیق58شکل4- 2 پارامترهای مورد استفاده در SVM64شکل4- 3 گزارش تهیه شده با کریستال ریپورت70شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت71شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R78شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR78شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE79شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR80شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR80شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE83شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR83شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR84شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R84شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR85شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R86شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR87شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR87شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR88شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R89شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN90شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR90شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR92شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE93شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR94شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE94 فصل نخست مقدمهدر سالهای اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستمهایاطلاعاتی خود برآمدهاند. در ابتدا مقصود از چنین فعالیتهایی کاهش هزینههای ناشی ازکاغذ بازی موجود در سیستمهایدستی و اداری بودهاست، اما اکنون به مرحله ای رسیدهایم که بهبود کیفیت ارائه خدمات درمانی اهمیتیروزافزونمییابد و در این راستا بکارگیری سیستم های اطلاعات بیمارستانها بسیار مرسوم شده است.بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جوابها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواستها كه در حالت دستی می تواند ناخوانا باشد،همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از دادههای موجود در این سیستمها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2]دادهکاوی یکی از ده دانش در حال توسعه است و در سالهای اخیر در دنیا گسترش فوقالعاده سریعی داشته است. دادهکاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینههای تخصصی با توصیف، تشریح، پیشبینی و کنترل پدیدههای گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزههای مختلفی ازجمله پزشکی و تجارت دارد [3].افزایش هزینههای بیمارستانی در سالهای اخیر و نیز اجرای طرح خودگردانی و ادارهی بیمارستانها به وسیلهی درآمد اختصاصی آنها، بیمارستانها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخشهای مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماریهای بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیکهای داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده هابه منظور کشف الگوها و قوانین معنیدار اطلاق میشود.[5] کشف دانش و دادهکاوی امروزه یک حوزه جدید میان رشتهایو در حال رشد است که حوزههای مختلفی همچون پایگاه داده، آمار،یادگیری ماشین و سایر زمینههای مرتبط را با هم تلفیق کرده تا اطلاعاتو دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید واستفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها کهبا حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافتهاست [6].شناسایی مشکالت کاوش و یا برآورد وابستگیها از داده ها یا کلاًکاوش داده های جدید تنها قسمتی ازشیوههای تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی استکه روشهای استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روشهای تجربی معمول با مسائل داده کاوی میتوان به مراحلبیان مسأله و فرموله کردن فرضیه، جمع آوری دادهها، پیش پردازش دادهها شامل آشکارسازی و حذف دادههای غیر عادی و مقیاسبندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].تكنیكهای مختلف داده كاوی را میتوان بر اساس نوع عملیاتی كه انجام میدهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیكهای پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیكهای تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند[8].در بین این الگوریتمها و مدلها، بهترین وجود ندارد و با توجه به دادهها و کارایی مورد نظر باید مدل انتخاب گردد.
بهینه سازی خرید دارو با استفاده از داده کاوی word
توسعه ی استفاده از فناوری اطلاعات در بهداشت و درمان علاوه بر مزایای فراوان باعث می شود تا حجم زیادی از دادههای مرتبط، در دسترس قرار بگیرند. با بکارگیری داده کاوی بر روی داده های موجود می توان تصمیم گیریها و فرایندهای مدیریتی را بهبود بخشید.در این پایان نامه تلاش شده است ضمن بررسی الگوریتمهای مختلف داده کاوی مدلی جهت پیش بینی مصرف دارو در داروخانههای بیمارستانها ارائه گردد.مجموعه داده در نظر گرفته شده مربوط به سیستم اطلاعات بیمارستان پاستور شهرستان بم می باشد که در مدت 5 سال در پایگاه داده سیستم اطلاعات این بیمارستان ذخیره شده است.برای پیش بینی مصرف دارو عملکرد مدلهای MLP، SVR، ADABOOST.R، BAGTREE، LR،LSSVR موردبررسی قرار می گیرد. دقت پیش بینی بر اساس معیارها MSE ,RMSE ,MAE وR2ارزیابی می گردد. طبق نتایج بدست آمده عملکرد مدل BAGTREE در روش های مختلف بهتر از سایر مدل ها بوده است. واژگان کلیدی:سیستم های اطلاعات بیمارستان، پیش بینی، خرید دارو، داروخانه فهرستمطالب عنوان صفحهفصل 1- مقدمه21-1- فناوری اطلاعات در بهداشت و درمان21-2- داروخانه های بیمارستانی31-3- داده کاوی31-3-1- داده کاوی چیست؟31-3-2- تكنیك های مختلف داده كاوی41-3-2-1-انواع تکنیک داده کاوی. 51-4- بیان مسئله61-5- اهداف تحقیق81-6- سوالات وفرضیات تحقیق91-6-1- سوالات91-6-2- فرضیات تحقیق91-7- فصول پایان نامه9فصل 2- پیشینه پژوهشی122-1- جمع بندی24فصل 3- مروری بر ادبیات تحقیق و مبانی نظری263-1- سیستم های اطلاعات بیمارستان263-2- تعريف و مفهوم سيستم اطلاعات بيمارستاني283-2-1-- اهداف سیستم اطلاعات بیمارستانی293-2-2- اهمیت و ضرورت راهاندازی سیستم اطلاعات بیمارستانی303-2-3- مزایایی سیستم اطلاعات بیمارستانی313-3- داده کاوی323-4- مراحل داده کاوی333-4-1- پیش پردازش داده ها353-4-2- پاکسازی داده ها353-4-3-یکپارچه سازی داده ها363-4-4- تبدیل دادهها363-4-5- تلخیص داده ها373-5- وظایف داده کاوی373-5-1- دسته بندی383-5-2- تخمین393-5-3- پیشبینی393-5-4- گروه بندی شباهت یا قوانین وابستگی403-5-5- خوشه بندی403-5-6- نمایه سازی413-6- كاربرد هاي داده كاوي413-7- رویکردهاي مسائل داده کاوي در پزشکی423-8- مدلها و الگوريتمهای داده کاوی433-8-1- شبکههاي عصبی مصنوعی433-8-1-1-ساختار شبکه عصبی443-8-1-2-معماري شبکه عصبی453-8-1-3-آموزش شبکه هاي عصبی مصنوعی463-8-1-4-انواع یادگیري در شبکه هاي عصبی مصنوعی473-8-2- درخت هاي انتخاب473-8-3- Bagging & Boosting483-8-3-1-Bagging553-8-1-1-Boosting443-8-1-1-الگوریتم های Boosting443-8-4- Adaptive Boosting(Adaboost)503-8-5-رگرسیون بردار پشتیبان513-8-6- رگرسیون خطی52نرم افزارهای داده کاوی543-10- فرایند خرید دارو553-11- جمع بندی56فصل 4- روش انجام پژوهش584-1- مقدمه584-2- الگوریتم پیشنهادی594-3- پیش پردازش دادهها604-3-1- ساخت ماتریس داده604-3-1-1-روش ماههای متوالی674-3-1-2-روش ماههای یکسان444-3-1-3-روش فصول متولی694-4- الگوریتمهای Prediction634-4-1- روش NN644-4-2-روش SVR644-4-3- روش LSSVR674-4-4- AdaBoost.R694-5- مجموعه داده704-5-1- پاکسازیداده724-6- معیارهای ارزیابی724-7- جمع بندی74فصل 5- بحث و نتیجهگیری765-1- مقایسه روشهای مورد بررسی765-1-1- ارزیابی الگوریتم با روش ماههای متوالی775-1-2- ارزیابی الگوریتم با روش ماههای یکسان835-2- جمع بندی93فصل 6- پیشنهادهاو فرصتهای پژوهشی آینده95 فهرست جداول عنوان صفحه جدول 2- 1تکنیکهای مهم داده کاوی در بخش دارویی[21]21جدول 4- 1 ماتریس داده بصورت ماههای متوالی60جدول 4- 2 ماتریس داده بصورت ماههای یکسان61جدول 4- 3 ماتریس داده بصورت فصول متوالی2جدول 5- 1نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine77جدول 5- 2 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin81جدول 5- 3 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol82جدول 5- 4 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine82جدول 5- 5 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Vialdioxin85جدول 5- 6 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol86جدول 5- 7نتایج اعمال الگوریتم های معرفی شده بر روی داده های Cream Calamine91جدول 5 - 8 نتایج اعمال الگوریتم های معرفی شده بر روی داده های Syrup Sulbutamol93 فهرست شکل ها و نمودارها عنوان صفحهشکل 2- 1 مدل پیش بینی با شبکه عصبی[4]12شکل 2- 2 شبکه عصبی [14] BP 12شکل 2- 3مدل بهینه سازی خرید دارو[15]14شکل 2- 4مدل استخراج دانش [26] 16شکل 2- 5 جریان عملیات در داروخانه[17] 17شکل 2- 6 دسته بندی اهدا بکارگیری داده کاوی[15]19شکل 2- 7روند بکارگیری داده کاوی در پزشکی[20]20شکل3- 1 مراحل داده کاوی[40]32شکل3- 2ساختار شبکه عصبی[47]43شکل3- 3 مثالی از درخت تصمیم[41]55شکل 3- 4 واسط کاربری سیستم اطلاعات بیمارستان55شکل 4- 1 دیاگرام چاچوب تحقیق58شکل4- 2 پارامترهای مورد استفاده در SVM64شکل4- 3 گزارش تهیه شده با کریستال ریپورت70شکل4- 4 خروجی گزارش تهیه شده با کریستال ریپورت71شکل5- 1 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R78شکل5- 2 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR78شکل5- 3 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE79شکل5- 4 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR80شکل5- 5 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR80شکل5- 6 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE83شکل5- 7 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR83شکل5- 8 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR84شکل 5- 9 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R84شکل5- 10 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR85شکل 5- 11 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R86شکل5- 12 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LR87شکل5- 13 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم SVR87شکل5- 14 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR88شکل5- 15 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم AdaBoost.R89شکل5- 16 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم NN90شکل5- 17 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR90شکل5- 18 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR92شکل5- 19 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE93شکل5- 20 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم LSSVR94شکل5- 21 میزان تقاضای واقعی و پیش بینی شده توسط الگوریتم BAGTREE94 فصل نخست مقدمهدر سالهای اخیر مراکز بهداشتی ودرمانی کشورمان به ویژه بیمارستانها درصدد مکانیزه کردن سیستمهایاطلاعاتی خود برآمدهاند. در ابتدا مقصود از چنین فعالیتهایی کاهش هزینههای ناشی ازکاغذ بازی موجود در سیستمهایدستی و اداری بودهاست، اما اکنون به مرحله ای رسیدهایم که بهبود کیفیت ارائه خدمات درمانی اهمیتیروزافزونمییابد و در این راستا بکارگیری سیستم های اطلاعات بیمارستانها بسیار مرسوم شده است.بکارگیری سیستم اطلاعات بیمارستان علاوه بر مزایای فراوان از جمله کاهش زمان پذیرش، زمان ترخیص، زمان اخذ جوابها، زمان مراجعه به اطلاعات قبلی پرونده، بالا بردن میزان دقت در درج اطلاعات و درخواستها كه در حالت دستی می تواند ناخوانا باشد،همچنین می تواند موجب تسریع ارتباطات بین بخشی و در نهایت بالابردن میزان رضایت بیمار، ارائه خدمات بهتر، دریافت آمار و گزارشات روزانه و زمانی گردد. در نهایت بکارگیری سیستم های اطلاعات بیمارستان، حجم زیادی از داده های مرتبط با درمان را در دسترس قرار می دهد [1]. با استفاده از تکنیک های داده کاوی می توان از دادههای موجود در این سیستمها در جهت پشتیبانی از تصمیم و مدیریت و در نهایت پیشبرد اهداف اقتصادی و درمانی سود جست .[2]دادهکاوی یکی از ده دانش در حال توسعه است و در سالهای اخیر در دنیا گسترش فوقالعاده سریعی داشته است. دادهکاوی فرآیند کشف الگوها و روابط موجود بین داده ها در پایگاه داده های بزرگ است که با برخورداری از دامنه وسیع زیر زمینههای تخصصی با توصیف، تشریح، پیشبینی و کنترل پدیدههای گوناگون پیرامون، امروزه کاربرد بسیار وسیع در حوزههای مختلفی ازجمله پزشکی و تجارت دارد [3].افزایش هزینههای بیمارستانی در سالهای اخیر و نیز اجرای طرح خودگردانی و ادارهی بیمارستانها به وسیلهی درآمد اختصاصی آنها، بیمارستانها را با مشکلات مالی جدی رو به رو ساخته است. داروخانه یکی از بخشهای مهم و درآمدزا در بیمارستان ها می باشد که می توان با بهبود خرید دارو و افزایش بهره وری آن، بنحوی به وضعیت اقتصادی بیمارستان ها کمک کرد. این حقیقت که مصرف دارو بر اساس شیوع بیمارها در فصول مختلف تغییر می کند و نیز در نظر گرفتن این نکته که برخی داروها برای درمان یک بیماری مکمل یکدیگرند، از جمله فاکتورهایی هستند که باید در خرید دارو درنظر گرفته شوند [4]. به عبارتی با توجه به بیماریهای بسیار متنوع، و تجویز داروهای مختلف برای آنها، میتوان بر اساس سابقه مصرف دارو، نیاز های دارویی در آینده را پیش بینی کرد در نتیجه، در صورت بکارگیری تکنیکهای داده کاوی بر روی اطلاعات موجود در سیستم اطلاعات بیماستان می توان خرید دارو را بر اساس پیش بینی صورت گرفته توسط داده کاوی بهینه کرد.لذا بر آن شدیم تا با انجام این مطالعه به پیش بینی مصرف دارو، با استفاده از تکنیکهای داده کاوی، در داروخانه یک بیمارستان بزرگ به منظور افزایش بهره وری مالی آن بپردازیم.داده کاوی به بررسی و تجزیه و تحلیل مقادیر عظیمی از داده هابه منظور کشف الگوها و قوانین معنیدار اطلاق میشود.[5] کشف دانش و دادهکاوی امروزه یک حوزه جدید میان رشتهایو در حال رشد است که حوزههای مختلفی همچون پایگاه داده، آمار،یادگیری ماشین و سایر زمینههای مرتبط را با هم تلفیق کرده تا اطلاعاتو دانش ارزشمند نهفته در حجم بزرگی از دادهها را استخراج نماید واستفاده از آن در دو دهه اخیر تقریبا در جهان در همه سازمانها کهبا حجم عظیمی از داده در پایگاه داده خود مواجه هستند، رواج یافتهاست [6].شناسایی مشکالت کاوش و یا برآورد وابستگیها از داده ها یا کلاًکاوش داده های جدید تنها قسمتی ازشیوههای تجربی مورد استفاده دانشمندان، مهندسین و دیگر کسانی استکه روشهای استانداردی را برای کسب نتایج داده ها به کار می برند. درتطبیق روشهای تجربی معمول با مسائل داده کاوی میتوان به مراحلبیان مسأله و فرموله کردن فرضیه، جمع آوری دادهها، پیش پردازش دادهها شامل آشکارسازی و حذف دادههای غیر عادی و مقیاسبندی،رمزگذاری و انتخاب، برآورد و ارزیابی مدل و در نهایت تفسیر مدل ورسیدن به نتایج اشاره نمود [7].تكنیكهای مختلف داده كاوی را میتوان بر اساس نوع عملیاتی كه انجام میدهند به دو دسته « پیش بینی كننده » و « تشریح كننده » تقسیم كرد. تكنیكهای پیش بینی كننده با ساخت مدلی برای پایگاه داده، وظیفه پیش بینی موارد ناشناخته را بر عهده دارند. در حالی كه تكنیكهای تشریح كننده ، الگوهایی قابل فهم از داده ها را برای انسان كشف می كنند[8].در بین این الگوریتمها و مدلها، بهترین وجود ندارد و با توجه به دادهها و کارایی مورد نظر باید مدل انتخاب گردد.