تحقیقات در مورد توسعه امور مالی هوشمند بیمارستان بر اساس هوش مصنوعی

این یک مقاله دسترسی آزاد است که تحت مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل نامحدود در هر رسانه را فراهم می کند ، مشروط بر اینکه کار اصلی به درستی ذکر شود.

داده های مرتبط

داده ها در صورت درخواست نویسنده مربوطه در دسترس هستند.

چکیده> تحقیق در مورد توسعه امور مالی هوشمند بیمارستان بر اساس هوش مصنوعی

این یک مقاله دسترسی آزاد است که تحت مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل نامحدود در هر رسانه را فراهم می کند ، مشروط بر اینکه کار اصلی به درستی ذکر شود.

داده های مرتبط

داده ها در صورت درخواست نویسنده مربوطه در دسترس هستند.

AbstractResearch در مورد توسعه امور مالی هوشمند بیمارستان بر اساس هوش مصنوعی

این یک مقاله دسترسی آزاد است که تحت مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل نامحدود در هر رسانه را فراهم می کند ، مشروط بر اینکه کار اصلی به درستی ذکر شود.

داده های مرتبط

داده ها در صورت درخواست نویسنده مربوطه در دسترس هستند.

چکیده

بر اساس پیشینه توسعه ارتباطات و ادغام فناوری رایانه و فناوری اینترنت ، صنعت هوش مصنوعی چین بی سر و صدا در حال افزایش است. در زندگی اجتماعی عصر اطلاعات ، صنعت هوش مصنوعی که توسط یادگیری عمیق دستگاه نشان داده می شود نقش بسیار مهمی را ایفا می کند. این مطالعه در ترکیب با پیشینه اصلاحات بهداشتی جدید ، با توجه به اصلاحات صنعت پزشکی ، مفهوم خرد مالی را بر اساس نقش مهم مشکلات توسعه مالی بیمارستان ، تجزیه و تحلیل می کند ، جهت توسعه بیمارستان اطلاعات مصنوعی را مطرح می کنداقدامات توسعه خرد مالی ، طراحی شده برای پاسخگویی به تغییر تقاضای محیط خارجی ، کاهش هزینه های انسانی و بهبود کارآیی کلی مدیریت صندوق مالی بیمارستان. بر اساس نتایج ارزیابی ، این مقاله با استفاده از مدل شبکه عصبی BP ، جهت صحیح توسعه تأمین مالی اطلاعات بیمارستان را ارائه می دهد. پس از تجزیه و تحلیل ، مشخص شده است که توسعه هوش مصنوعی یک اقدام مهم برای ارتقاء توسعه امور مالی هوشمند بیمارستان است. به عبارت دیگر ، مدیریت مالی هوشمند بیمارستان محصول پیشرفت مداوم فناوری هوش مصنوعی است. در مرحله حاضر ، مشکلات مدیریت مالی هوشمند بیمارستان ها عمدتاً به شرح زیر است: (1) عدم اطلاع رسانی مالی ، (2) عدم وجود سیستم هشدار اولیه ریسک مالی کامل ، و (3) پدیده "جزیره اطلاعات" درسیستم مالی. پس از تجزیه و تحلیل مشکلات فوق ، این تحقیق معتقد است که توسعه امور مالی هوشمند بیمارستان بر اساس هوش مصنوعی نیاز به حل مشکلات خارق العاده فوق دارد ، به منظور بهبود نتیجه توسعه مالی هوشمند بیمارستان. کار زیر باید انجام شود: (1) طراحی ماژول به اشتراک گذاری اطلاعات ، (2) کنترل هوشمندانه هزینه بیمارستان ها ، و (3) درمان هوشمندانه حسابداری بیمارستان. با ترکیب توسعه هوش مصنوعی و نظریه مالی هوشمند بیمارستان ، همراه با روند واقعی توسعه اطلاعات مالی تحت پس زمینه توسعه هوش مصنوعی در دوره جدید ، این مبنای علمی را برای توسعه امور مالی هوشمند بیمارستان فراهم می کند.

1. مقدمه

در یک مفهوم گسترده، مدیریت مالی شامل حسابداری، مالیات، حسابرسی، بودجه و مدیریت بدهی و همچنین سرمایه گذاری، تامین مالی و تصمیمات عملیاتی می شود [1-4]. مدیریت مالی چین به پنج مرحله توسعه زیر تقسیم می شود: (1) مرحله سنتی، (2) مرحله کامپیوتری، (3) مرحله اطلاعات، (4) مرحله هوشمند، و (5) مرحله هوشمند. مدیریت «مالی هوشمند» محصول پیشرفت مستمر فناوری هوش مصنوعی است که مسیر جدیدتر و فضای وسیع تری را برای دگرگونی حوزه مدیریت مالی فراهم می کند [5]. ویژگی اساسی آن در مدیریت علمی تر و انسانی تر جریان ارزش در فعالیت های اقتصادی است که در ترکیب ارگانیک توسعه تجاری واقعی بیمارستان ها، دانشگاه ها و سایر سازمان ها منعکس می شود که می تواند منابع انسانی را آزاد کند و توانایی تحلیل را بهبود بخشد. و قضاوت در مورد وضعیت مالی [6]. این مقاله با شروع فرآیند توسعه هوش مصنوعی و برتری مالی هوشمند، طرح نوآورانه مالی هوشمند را مورد بحث قرار می دهد.

2. تجزیه و تحلیل مسئله

2. 1. درجه ناکافی اطلاعات مالی

در حال حاضر، درجه اطلاعات مالی در اکثر بیمارستان ها بالا نیست و اطلاعات مالی عمدتاً در حسابداری منعکس می شود، اما سایر کارهای مالی هنوز به صورت دستی ثبت می شود و بازده کار بالا نیست [7]. به عنوان مثال، بسیاری از بیمارستان ها در بودجه بندی و اجرای بودجه و یا از طریق پرسنل مالی از فرم های اکسل برای ثبت و جمع بندی دستی استفاده می کنند [8]. از آنجایی که بیمارستان عمومی شامل بخش های متعددی است، با گسترش مستمر مقیاس اقتصادی، مشکلات اقتصادی روز به روز بیشتر می شود. در فرآیند ثبت دستی و جمع بندی، به راحتی می توان ضبط را از دست داد که بر نتایج تهیه و اجرای بودجه تأثیر می گذارد [9]. برای مثال دیگر، در بسیاری از بیمارستان ها در فرآیند بازپرداخت مالی، پر کردن درخواست بازپرداخت، تأیید فرم، بازپرداخت ضمیمه های اصلی و دسترسی به کوپن های حسابداری و سایر پیوندها به صورت دستی است. درجه اطلاعات زیاد نیست [10]. فرآیند بازپرداخت مالی سنتی به طور کلی به هفت مرحله تقسیم می شود. جزئیات در شکل 1 نشان داده شده است.

فرآیند بازپرداخت مالی سنتی

در حالت فوق ، ممکن است با توجه به نیازهای تجاری ، تأیید چند سطحی وجود داشته باشد ، و نماینده بازپرداخت نیاز به یافتن پرسنل تأیید متفاوتی برای تأیید بازپرداخت دارد [11]. از آنجا که پرسنل معاینه و تصویب عمدتاً رهبران اداری هستند ، وظایف رسمی سنگین است ، که ممکن است باعث شود پدیده عوامل بازپرداخت که خالی هستند و باعث کاهش بازده بازپرداخت می شوند [12]. برای پرسنل معاینه و تصویب ، امضاهای روزانه پراکنده و چندگانه معاینه و تصویب وقت زیادی را به خود اختصاص می دهند و هر امضای معاینه و تأیید همچنین ایده های کار پرسنل معاینه و تصویب را قطع می کند و بر کارآیی کار تأثیر می گذارد. پرسنل مالی به طور دستی مبلغ بازپرداخت را محاسبه کرده و کوپن های حسابداری را تهیه می کنند [13]. با افزایش حجم مشاغل بیمارستان ، مسائل اقتصادی بیشتر و بیشتر وجود دارد ، و کارآیی بازپرداخت دستی زیاد و اشتباه نیست [14]. اگر "تأیید موبایل" و "بازپرداخت آنلاین" از طریق فناوری اطلاعات قابل تحقق باشد ، می توان اپراتور بازپرداخت را کاهش داد و می توان کارآیی بازپرداخت مالی را بهبود بخشید.

2. 2عدم وجود سیستم هشدار اولیه ریسک مالی کامل

تحت شیوه مالی سنتی بیمارستانها ، پست مدیریت روش اصلی مدیریت ریسک های مالی است [15]. برای ریسک های مدیریت مالی ، عدم کنترل پیش از عمل و فرآیند و عدم وجود مکانیسم مدیریت ریسک مالی پویا وجود دارد ، که باعث می شود مدیریت ریسک مالی در مدیریت مالی بیمارستان تاخیر آشکاری داشته باشد. در مدیریت مالی بیمارستانها ، ریسک جریان نقدی اصلی ترین ریسک مالی است که با آن روبرو است [16]. به عنوان مثال ، تحت شیوع COVID-19 ، برخی از بیمارستان ها تمام یا برخی از بیماران سرپایی را بسته اند ، و در نتیجه کاهش شدید بیماران سرپایی و بیماران مزمن ، تعداد بازدیدهای سرپایی و بستری ها و کاهش شدید درآمد پزشکی و جریان نقدی. در همین زمان ، هزینه فعلی تجهیزات محافظتی پزشکی ، ضد عفونی و سایر تجهیزات به میزان قابل توجهی افزایش یافته است و در نتیجه افزایش قابل توجهی در هزینه های جریان نقدی انجام می شود [17]. کاهش جریان نقدی و افزایش جریان پول نقد باعث می شود بیمارستان با مشکلات مالی عظیمی روبرو شود و وضعیت سرمایه شدید است [18]. بنابراین ، بیمارستانها باید کنترل ریسک های مالی ، به ویژه جریان پول را تقویت کنند و یک سیستم هشدار اولیه ریسک مالی پویا را که کل روند تجارت اقتصادی را پوشش می دهد ، ایجاد کند._{2. 3مشکل "جزیره اطلاعات"}سیستم مالی اکثر بیمارستان ها کاملاً با سیستم اطلاعات بیمارستان ، دارایی ها و مدیریت پرسنل در ارتباط است و نمی تواند به اشتراک گذاری اطلاعات را تحقق بخشد. مشکل "جزیره اطلاعات" بسیار جدی است [19]. در عین حال ، از آنجا که تأمین کنندگان مختلف سیستم های اطلاعاتی متفاوتی را ارائه می دهند ، و استانداردها و مشخصات بین هر سیستم متفاوت است ، سازگاری نمی تواند حاصل شود و در نتیجه ادغام مؤثر منابع داده بین سیستم ها ایجاد می شود. به عنوان مثال ، هزینه های سرپایی ، هزینه های بستری در بیمارستان و سایر اطلاعات درآمدی. در سیستم اطلاعات بیمارستان ، اتصال به موقع و به اشتراک گذاری با سیستم حسابداری مالی در زمان واقعی دشوار است. بنابراین ، درآمد روزانه پزشکی و سایر حسابداری هنوز در وضعیت حسابداری دستی است [20]. عدم ارتباط بین امور مالی و سیستم خرید و عرضه به راحتی منجر به جریان مواد بیمارستان ، جریان سرمایه و جریان اطلاعات می شود که نمی توانند به طور مؤثر یک چرخه فضیلت را تشکیل دهند ، که ممکن است باعث عدم مطابقت با حساب ها و عدم صحت داده ها شود. در عین حال ، اگر اطلاعات به طور مؤثر مدیریت نشود ، انجام حسابداری مالی دقیق دشوار است و مشکلات عملکرد و مدیریت به موقع یافت نمی شود. این امر باعث جمع آوری داده ها یا تکثیر جمع آوری زیادی می شود ، منابع زیادی را هدر می دهد و به طور جدی بر کارآیی مدیریت مالی تأثیر می گذارد._{2. 3مشکل "جزیره اطلاعات"}3. 1الگوریتم مدل شبکه عصبی BP تحت الگوی مالی هوشمند بیمارستان_{3. 1. 1. قسمت 1: ساختار اساسی}شبکه های عصبی مشترک را می توان به سه قسمت تقسیم کرد: لایه ورودی ، لایه خروجی و چندین لایه پنهان. شکل 2 یک ساختار شبکه عصبی سه لایه معمولی است و شکل 3 ساختار هر مدل نورون است.

ساختار هر مدل نورون._{3. 1. 1. قسمت 1: ساختار اساسی}حرف_{3. 1. 1. قسمت 1: ساختار اساسی}حرف

"نشان دهنده مقدار وزن اتصال نورون‘ I "،‘ θ "مقادیر آستانه است ،‘ y

من

"مقدار خروجی نورون" من "است. عملکرد فعال سازی حاصل به شرح زیر است:

جایی که عملکرد فعال سازی به معرفی عوامل غیرخطی در نورون ها اشاره دارد ، به طوری که شبکه عصبی می تواند به طور خودسرانه به هر عملکرد غیرخطی نزدیک باشد. عملکرد سیگموئید ، عملکرد برنزه H و عملکرد RELU توابع فعال سازی نسبتاً گسترده ای هستند که در جلسات دانشگاهی مورد استفاده قرار می گیرند. آستانه یک مقدار محدود است. نتیجه تفاوت پس از جمع ‘W

من

ایکس

من

سرانجام به عنوان وقایع مهاری یا فعال سازی بیان می شود و نتیجه خروجی را می دهد ، که به طور کلی روش شمارش علمی باینری را اتخاذ می کند. اگر تفاوت کمتر یا برابر با 0 و y = 0 باشد ، حالت نشان دهنده مهار است. اگر اختلاف از 0 و y = 1 بیشتر باشد ، حالت فعال سازی را نشان می دهد.

3. 1. 2. قسمت 2: روش آموزش BP_{2. 3مشکل "جزیره اطلاعات"}دو فرآیند الگوریتم BP انتشار رو به جلو و پشت است. انتشار رو به جلو سیگنال است و انتشار معکوس خطا است. مقادیر خطا بدون محدوده خطای معین برای اصلاح وزن سلول به صورت مجدداً مورد استفاده قرار می گیرند. از آنجا که یادگیری پارامترها در الگوریتم BP مبتنی بر الگوریتم نزول شیب است ، هسته تبار شیب محاسبه شیب است. آموزش شبکه های عصبی به طور کلی به چهار فرآیند تقسیم می شود. اولین فرآیند به جلو سفر می کند تا مقدار خطا بین مقدار خروجی و مقدار واقعی را محاسبه کند. بازگشت مجدد فرآیند دوم ، مقدار سهم همه نورونها را به خطای کل در هر لایه ، عمدتا دو کلاس از مقادیر خروجی و لایه های پنهان محاسبه می کند. شیب فرآیند سوم برای یافتن شیب خطای کل در برابر هر پارامتر مدل برای وزن پارامتر و به روزرسانی آستانه محاسبه شد. پارامتر فرآیند چهارم به روز می شود و وزن و آستانه ها را به روز می کند._{3. 1. 3. قسمت 3: پارامتر را انتخاب کنید}تعداد گره های موجود در لایه ورودی تعداد نورونهای ورودی است. تعداد نقاط موجود در لایه خروجی با توجه به تجزیه و تحلیل تقسیم می شود. اگر این یک مشکل طبقه بندی باشد ، تعداد مربوط به گره ها تعداد طبقه بندی است. اگر این یک مشکل رگرسیون باشد ، تعداد مربوط به گره ها برابر با 1 است. تعداد لایه ها و تعداد گره های موجود در لایه پنهان باعث می شود که این مدل بیش از حد برای مجموعه آموزش خوشایند و مستعد ابتلا به بیش از حد باشد ، در حالی که تعداد پنهانلایه ها و تعداد گره های لایه پنهان خیلی کوچک است ، زیرپوشش رخ خواهد داد. هیچ راهی برای تعیین دقیق تعداد گره های پنهان وجود ندارد و تعداد مشخصی از گره های پنهان را می توان مطابق فرمول تجربی تدوین کرد._{در فرمول فوق الذکر ، "L" تعداد گره های موجود در لایه پنهان را نشان می دهد ، "N" تعداد گره ها را در لایه ورودی نشان می دهد ، "K" تعداد گره ها را در لایه خروجی نشان می دهد ، و "من" نشان دهنده هر یک استثابت بین 0 تا 9.}3. 1. 4. قسمت 4: داده ها عادی شدند_{2. 3مشکل "جزیره اطلاعات"}در فرمول فوق ، ‘x_{2. 3مشکل "جزیره اطلاعات"}'.

"نشانگر اصلی را نشان می دهد ،‘ x

حداکثر

"حداکثر‘ x "را در تمام داده ها نشان می دهد ،‘ x

آ

شرح

جف

د

اشمیه

f

جمع

اندازهی نمونه

در این مطالعه ، داده ها برای تجزیه و تحلیل به نرم افزار MATLAB وارد شدند. بر اساس روش عادی سازی ، تمام 3790 مجموعه داده اعشاری بین (1/0) بود. پس از تجزیه و تحلیل عادی سازی ، 3000 مجموعه از داده ها به طور تصادفی به عنوان مجموعه آموزش انتخاب شدند و 581 مجموعه داده باقیمانده به عنوان مجموعه آزمایش استفاده شد. بر این اساس ، صحت پیش بینی مدل تأیید می شود. مرحله آموزش 500 ، هدف خطای مورد انتظار 0. 001 و مرحله یادگیری 0. 01 بود.

در آزمایشات فوق ، تعداد گره های لایه پنهان به 7 ، 8 ، 9 ، 10 و 11 تنظیم شده است و مدل شبکه عصبی BP با استفاده از داده های مجموعه آموزش آموزش داده می شود. این مقاله به طور عمده به بررسی تأثیر آموزش گره های پنهان مختلف ، از دو جنبه زیر می پردازد: اول ، برای تجزیه و تحلیل تعداد کلی خطاهای شناسایی سطح اعتبار. دوم ، برای تجزیه و تحلیل خطای نسبی درجه انحراف به تنهایی.

برای مدل پیش بینی رگرسیون ، اگر پیش بینی بتواند مقدار پیش بینی شده و مقدار واقعی را در همان سیستم مختصات ترسیم کند. در مدل واقعی ، از ضریب قضاوت R ^2 معمولاً برای ارزیابی نتایج واقعی مدل رگرسیون استفاده می شود ، یعنی ارزیابی میزان مدل رگرسیون تغییرات در متغیر وابسته y را توضیح می دهد. مقادیر R ^2 از 0-1 متغیر است ، معمولاً درصدی برای نمایندگی استفاده می شود. اگر یک مدل رگرسیون دارای R ^2 = 0. 7 باشد ، این مدل رگرسیون 70 ٪ قابل تفسیر از نتایج پیش بینی شده است. حلقه دانشگاهی موافق است که R ^2 از 0. 75 بیشتر است ، با مدل بهتر و درجه بالایی از تفسیر. اگر R^2 کمتر از 0. 5 باشد ، می تواند در اتصالات مدل مشکل ساز تلقی شود و در تجزیه و تحلیل رگرسیون مناسب نباشد.

مدل رگرسیون R ^2 با استفاده از مدل MATLAB مورد بررسی قرار گرفت. R ^2 = 0. 99351 محاسبه شده از داده های امتیاز دهی مجموعه آزمایشی همچنین نشان دهنده توانایی خوب برای برآورد ریسک مالی در این مقاله و دقت بالا از طرف است. اگر این مدل در مورد روند واقعی به ثمر رساندن شاخص های مالی اعمال شود ، می تواند به بیمارستان کمک کند تا نمره هر ریسک مالی را به طور دقیق تعیین کند ، تا به طور مؤثر به بیمارستان کمک کند تا در مورد وضعیت تخمین زده شده خطر مالی قضاوت کند.

این فصل عمدتاً شبیه سازی اطلاعات مالی مدل شبکه عصبی بیمارستان است ، با توجه به چندین شاخص ثانویه. از طریق نرم افزار MATLAB ، استفاده از مدل شبکه عصبی BP برای آموزش مدل و شبیه سازی و از طریق نتایج شبیه سازی خوب مدل ، ثابت کرد که این مدل می تواند توسعه هوش مالی را پیش بینی و ارزیابی کند و به طور مؤثر می تواند به بیمارستانها برای پیش بینی خطرات مالی کمک کند ، به همین ترتیببرای کاهش ریسک احتمالی مدیریت صندوق. در آینده ، می توان با غنی سازی و بهینه سازی شاخص های ارزیابی ، افزایش مدل های آموزشی ، بهبود الگوریتم ها و روش های دیگر و تقویت توانایی تفسیر شبکه عصبی ، اثر آموزش بهبود یافت ، به گونه ای که مدل می تواند با دقت بیشتری خطرات مدیریت مالی را پیش بینی کند ، کاهش می یابد ،بدهی های بد و بهبود سطح اطلاعات مالی بیمارستان.

4- اقدامات مؤثر روش مالی هوشمند بیمارستان ها تحت هوش مصنوعی

4. 1طراحی ماژول اشتراک اطلاعات را تقویت کنید