fa پیش بینی طول مدت اقامت بیماران در اورژانس بیمارستان با استفاده از مدل های یادگیری ماشین مدیریت خدمات بهداشتی درمانی Health services management پژوهشي Research <div dir="rtl" style="text-align:justify"><strong>مقدمه: </strong>طول مدت اقامت بیماران در اورژانس بیمارستان، ابزار مهمی در جهت تخصیص بهینه ی منابع به بیماران بخش اورژانس، بهینه&nbsp;سازی عملیات و کاهش هزینه ها محسوب می شود.<br> <strong>هدف: </strong>مطالعه ی حاضر با هدف پیش بینی طول مدت اقامت بیماران در بخش اورژانس با استفاده از مدل های یادگیری ماشین انجام شد.<br> <strong>مواد و روش ها: </strong>این مطالعه از نوع کوهورت گذشته نگر است. در این مطالعه (کوهورت گذشته نگر)، اطلاعات بیماران مراجعه کننده به&nbsp;اورژانس یکی از بیمارستان های منتخب شهر تهران که متشکل از علائم حیاتی، تشخیص و اطلاعات دموگرافیک مانند سن و جنس بود،&nbsp;در بازه ی زمانی یک ماهه ی آذر 1401 جمع آوری گردید. در ادامه پس از آماده سازی داده ها از مدل های Random Forest- Light GBM- Cat Boost- Ada Boost که از نوع مجموعه ای&nbsp;(Ensemble) هستند برای پیش بینی طول مدت اقامت بیماران مورد استفاده قرار گرفتند.<br> <strong>یافته ها: </strong>نتایج نشان دهنده ی آن است که علائم حیاتی، سن و شاخص شدت اضطراری سطح 1 از جمله عواملی هستند که بیشترین&nbsp;تأثیر را در طول مدت اقامت داشتند، همچنین مدل&nbsp;Cat Boost&nbsp; با معیارهای (Recall=0/83&nbsp; ،Precision=0/91 ، Accuracy=0/87 F1-score= 0/87)&nbsp;بهترین عملکرد در میان دیگر مدل ها را داشت.<br> <strong>نتیجه گیری: </strong>این مطالعه نشان داد که مدل های مجموعه ای عملکرد خوبی در پیش بینی طول مدت اقامت بیماران در اورژانس دارد&nbsp;همچنین در این پژوهش مدل های ی که از روش&nbsp;Bagging پیروی می کنند در مجموع نسبت به Boosting عملکرد بهتری دارند.</div> <div> <div> <div class="msocomtxt" id="_com_1">&nbsp;</div> </div> </div> <strong>Introduction: </strong>The length of patient stay in the emergency department is crucial for&nbsp;optimizing resource allocation, reducing costs, and enhancing operations.<br> <strong>Objective: </strong>This study aimed to predict patients&rsquo; length of stay in the emergency&nbsp;department using machine learning models.<br> <strong>Material and Methods:</strong> This retrospective cohort study collected data from patients&nbsp;referred to the emergency room of a selected hospital in Tehran, including vital signs,&nbsp;diagnoses, and demographic information such as age and gender, during December&nbsp;2022. After data preparation, ensemble models&mdash;Random Forest, Light GBM, Cat&nbsp;Boost, and Ada Boost&mdash;were employed to predict patients&rsquo; length of stay.<br> <strong>Results:</strong> The study found that vital signs, age, and Emergency Severity Index level 1&nbsp;significantly influence patient length of stay. The Cat Boost model, with an accuracy of&nbsp;0.87, precision of 0.91, recall of 0.83, and F1-score of 0.87, outperformed other models&nbsp;in predictive performance.<br> <strong>Conclusion: </strong>This study demonstrated that ensemble models effectively predict&nbsp;emergency room patient length of stay, with Boosting methods outperforming Bagging&nbsp;methods.<br> &nbsp; بخش اورژانس, پیش بینی, طول مدت اقامت, یادگیری ماشینی Emergency Service, Machine Learning, Length of Stay, Prediction 114 123 http://mcs.ajaums.ac.ir/browse.php?a_code=A-10-590-1&slc_lang=fa&sid=1 Sina Moosavi Kashani سینا موسوی کاشانی sinamoosavi86@gmail.com 100319475328460017670 100319475328460017670 No School of Industrial and Systems, Tarbiat Modares University, Tehran, Iran دانشکده صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران Sanaz Zargar Balaye Jame ساناز زرگر بالای جمع sanazzargar@gmail.com 100319475328460017671 100319475328460017671 Yes Department of Management Sciences and Health Economics, School of Medicine, Aja University of Medical Sciences, Tehran, Iran , گروه علوم مدیریت و اقتصاد سلامت دانشکده پزشکی، دانشگاه علوم پزشکی آجا، تهران، ایران