Розробка елементів концепції визначення майбутнього попиту на медичні послуги на основі результатів аналізу даних різної природи
DOI:
https://doi.org/10.15587/2706-5448.2020.218286Ключові слова:
попит на медичні послуги, кластеризація, структурна та параметрична ідентифікація, заклади охорони здоров’я.Анотація
Планування та організація функціонування закладів охорони здоров’я – пріоритетний напрям діяльності їх засновників. Метою такої управлінської діяльності є забезпечення своєчасності, якості та повноти медичних послуг, які надаються клієнтам закладу. Важливим етапом, при цьому, є прогнозування потреб в медичних послугах у майбутні періоди часу. Прогнозування має виконуватися з урахуванням соціально-демографічних, медичних та поведінкових особливостей осіб – потенційних споживачів медичних послуг, і особливостей структури населення території на якій функціонує медичний заклад. Таким чином, об’єктом дослідження є процеси, які виникають у ході аналізу оперативних та ретроспективних статистичних, медико-соціальних, експертних та інших даних для визначення прогнозних значень рівнів попиту на окремі медичні послуги. Результати аналізу мають стати підґрунтям для прийняття управлінських рішень щодо планування та організації діяльності закладів охорони здоров’я в майбутні періоди часу.
У ході дослідження був використаний системний підхід, методи математичного моделювання та інші загальнонаукові методи.
Результатом виконаного дослідження є розроблений метод прогнозування попиту на медичні послуги в майбутні періоди часу. Метод полягає в реалізації чотирьох послідовних етапів аналізу початкових даних. При цьому виникає необхідність розв’язання задач кластеризації, класифікації, ідентифікації та прогнозування. Точність отриманих прогнозних значень залежить від вибору методів та алгоритмів розв’язання поставлених задач та від повноти вхідних даних. В результаті застосування методу будуть отримані:
– розбиття осіб – потенційних споживачів медичних послуг на групи, відповідно до їх соціально-демографічних портретів, медичних даних та поведінкових особливостей;
– залежності між чисельністю утворених груп та попитом на різні медичні послуги;
– прогнозні значення чисельності груп, а також попиту на медичні послуги.
Отримані результати можуть бути основою для прийняття управлінських рішень щодо організації діяльності медичних закладів у майбутні періоди часу.
Посилання
- Hrabovskyi, V. A., Klymenko, P. M. (2014). Systemnyi pidkhid do upravlinnia zakladamy okhorony zdorovia. Visnyk Natsionalnoi akademii derzhavnoho upravlinnia pry Prezydentovi Ukrainy, 3, 136–142.
- Danko, V. V. (2017). Upravlinnia zakladamy okhorony zdorovia v suchasnykh umovakh: teoretychnyi aspekt. Visnyk KhNAU. Seriia: Ekonomichni nauky, 4, 225–233.
- Haponova, E. O. (2017). Suchasni tendentsii funktsionuvannia svitovoho rynku medychnykh posluh. Visnyk Kharkivskoho natsionalnoho universytetu imeni VN Karazina. Seriia: Mizhnarodni vidnosyny. Ekonomika. Krainoznavstvo. Turyzm, 6, 20–24.
- Brownlee, S., Chalkidou, K., Doust, J., Elshaug, A. G., Glasziou, P., Heath, I. et. al. (2017). Evidence for overuse of medical services around the world. The Lancet, 390 (10090), 156–168. doi: http://doi.org/10.1016/s0140-6736(16)32585-5
- Glasziou, P., Straus, S., Brownlee, S., Trevena, L., Dans, L., Guyatt, G. et. al. (2017). Evidence for underuse of effective medical services around the world. The Lancet, 390 (10090), 169–177. doi: http://doi.org/10.1016/s0140-6736(16)30946-1
- Grekousis, G., Liu, Y. (2019). Where will the next emergency event occur? Predicting ambulance demand in emergency medical services using artificial intelligence. Computers, Environment and Urban Systems, 76, 110–122. doi: http://doi.org/10.1016/j.compenvurbsys.2019.04.006
- Maltseva, S., Prokofyeva, E., Zaitsev, R. (2017). The Demand for the Healthcare Services: the Opportunities of Big Data in Predicting Patient Flow. International Conference Information Systems 2017 Special Interest Group on Big Data Proceedings, 5.
- Kim, K.-W., Li, G., Park, S.-T., Ko, M.-H. (2016). A Study on Birth Prediction and BCG Vaccine Demand Prediction using ARIMA Analysis. Indian Journal of Science and Technology, 9 (24). doi: http://doi.org/10.17485/ijst/2016/v9i24/96151
- Husein, A. M., Simarmata, A. M. (2019). Drug Demand Prediction Model Using Adaptive Neuro Fuzzy Inference System (ANFIS). SinkrOn, 4 (1), 136–142. doi: http://doi.org/10.33395/sinkron.v4i1.10238
- Husein, A. M., Harahap, M., Aisyah, S., Purba, W., Muhazir, A. (2018). The implementation of two stages clustering (k-means clustering and adaptive neuro fuzzy inference system) for prediction of medicine need based on medical data. Journal of Physics: Conference Series, 978, 012019. doi: http://doi.org/10.1088/1742-6596/978/1/012019
- Baturkin, S. A., Baturkina, E. Iu., Zimenko, V. V., Siginov, I. V. (2012) Statisticheskie algoritmy klasterizatsii dannykh v adaptivnykh obuchaiuschikh sistemakh. Vestnik RGRTUb, 31 (1), 82–85.
- Rokach, L., Maimon, O. (2005). Clustering methods. Data mining and knowledge discovery handbook. Boston: Springer, 321–352. doi: http://doi.org/10.1007/0-387-25465-x_15
- Amanuma, S., Kurematsu, M., Fujita, H. (2012). An Idea of Improvement Decision Tree Learning Using Cluster Analysis. SoMeT, 351–358. doi: http://doi.org/10.3233/978-1-61499-125-0-351
- Kohonen, T. (1988). Self-organization and associative memory. New-York: Springer Verlag, 312. doi: http://doi.org/10.1007/978-3-662-00784-6
- Škrjanc, I., Iglesias, J. A., Sanchis, A., Leite, D., Lughofer, E., Gomide, F. (2019). Evolving fuzzy and neuro-fuzzy approaches in clustering, regression, identification, and classification: A Survey. Information Sciences, 490, 344–368. doi: http://doi.org/10.1016/j.ins.2019.03.060
- Mulesa, O., Snytyuk, V., Myronyuk, I. (2016). Forming the clusters of labour migrants by the degree of risk of hiv infection. Eastern-European Journal of Enterprise Technologies, 3 (4 (81)), 50–55. doi: http://doi.org/10.15587/1729-4061.2016.71203
- De Koninck, P., Nelissen, K., Baesens, B., vanden Broucke, S., Snoeck, M., De Weerdt, J. (2017). An approach for incorporating expert knowledge in trace clustering. International Conference on Advanced Information Systems Engineering. Springer: Cham, 561–576. doi: http://doi.org/10.1007/978-3-319-59536-8_35
- Mulesa, O. Yu. (2015). Adaptation of fuzzy c-means method for determination the structure of social groups. Technology Audit and Production Reserves, 2 (2 (22)), 73–76. doi: http://doi.org/10.15587/2312-8372.2015.41014
- Mulesa, O. Yu., Snytiuk, V. Ye., Herzanych, S. O. (2019). Metod nechitkoi klasyfikatsii na osnovi poslidovnoho analizu valda. Automation of technological and business processes, 11 (4), 35–42. doi: http://doi.org/10.15673/atbp.v11i4.1597
- Kornoushenko, E. K. (2017). Algoritm klassifikatsii putem parnogo sravneniia priznakov. Avtomatika i telemekhanika, 11, 151–166.
- Ruff, L., Vandermeulen, R., Goernitz, N., Deecke, L., Siddiqui, S. A., Binder, A. et. al. (2018). Deep one-class classification. International conference on machine learning, 4393–4402.
- Geifman, Y., El-Yaniv, R. (2017). Selective classification for deep neural networks. Advances in neural information processing systems, 30, 4878–4887.
- Shtovba, S. D. (2003). Identifikatsiia nelineinykh zavisimostei s pomoschiu nechetkogo logicheskogo vyvoda v sisteme MATLAB. Exponenta Pro: Matematika v prilozheniiakh, 2, 9–15.
- Zaichenko, Yu. P. (2007). Nechetkyi metod hrupovoho ucheta arhumentov pry neopredelennikh vkhodnikh dannikh. Systemni doslidzhennia ta informatsiini tekhnolohii, 3, 100–112.
- Mulesa, O. Yu. (2016). Development of evolutionary methods of the structural and parametric identification for tabular dependencies. Technology audit and production reserves, 4 (2 (30)), 13–19. doi: http://doi.org/10.15587/2312-8372.2016.74482
- Haber, R., Unbehauen, H. (1990). Structure identification of nonlinear dynamic systems – A survey on input/output approaches. Automatica, 26 (4), 651–677. doi: http://doi.org/10.1016/0005-1098(90)90044-i
- Aizenberg, I., Sheremetov, L., Villa-Vargas, L., Martinez-Muñoz, J. (2016). Multilayer Neural Network with Multi-Valued Neurons in time series forecasting of oil production. Neurocomputing, 175, 980–989. doi: http://doi.org/10.1016/j.neucom.2015.06.092
- Deb, C., Zhang, F., Yang, J., Lee, S. E., Shah, K. W. (2017). A review on time series forecasting techniques for building energy consumption. Renewable and Sustainable Energy Reviews, 74, 902–924. doi: http://doi.org/10.1016/j.rser.2017.02.085
- Geche, F., Batyuk, A., Mulesa, O., Vashkeba, M. (2015). Development of effective time series forecasting model. International Journal of Advanced Research in Computer Engineering &Technology, 4 (12), 4377–4386.
- Mulesa, O., Geche, F. (2016). Designing fuzzy expert methods of numeric evaluation of an object for the problems of forecasting. Eastern-European Journal of Enterprise Technologies, 3 (4 (81)), 37–43. doi: http://doi.org/10.15587/1729-4061.2016.70515
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Oksana Mulesa, Vitaliy Snytyuk, Olena Melnyk, Volodymyr Nazarov
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.