fa پیش‌بینی تعداد زایمان با استفاده از مدل‌های پوآسن مارکف پنهان عمومى General پژوهشي Research <br> مقدمه و اهداف: زایمان یکی از مهم‌ترین خدمات ارائه‌شده در نظام‌های بهداشتی و درمانی است و منابع انسانی با ارزش‌ترین عامل تولید و ارائه خدمت به شمار می‌رود که افزایش بهره‌وری و کارایی آن از اهمیت زیادی برخوردار است. لذا مطالعه حاضر باهدف پیش‌بینی تعداد زایمان و به‌منظور برنامه‌ریزی برای به‌کارگیری تمامی امکانات برای ارائه خدمت بهتر در جهت تأمین رضایت بیماران انجام شد.<br> روش کار: داده‌های مورداستفاده در این مطالعه تعداد موارد ماهیانه زایمان انجام‌شده در بیمارستان حکیم جرجانی شهرستان گرگان طی سال‌های 1389 تا 1394 بود. با توجه به بیش‌پراکنش موجود در داده‌ها و عدم تبعیت آن‌ها از توزیع پوآسن، از مدل پوآسن مارکف پنهان به‌منظور پیش‌بینی فراوانی ماهیانه زایمان استفاده شد. برآورد پارامترهای مدل با روش درستنمایی ماکزیمم و الگوریتم EM انجام گرفت. از نرم‌افزار R ویراست 3.2.3 برای تحلیل داده‌ها استفاده شد.<br> یافته‌ها: استفاده از معیار آکائیک نشان داد که فراوانی تعداد زایمان در ماه‌های مختلف در این بیمارستان از یک مدل پوآسن مارکف پنهان با 3 وضعیت پنهان تبعیت می‌کند و پارامتر میانگین توزیع پوآسن در هر یک از مؤلفه‌ها به ترتیب 74/193، 05/236 و 61/272 زایمان بود.<br> نتیجه‌گیری: نتایج این تحقیق نشان داده سیاست‌های تشویقی دولت بر افزایش باروری، نتیجه کوتاه‌مدت و محدودی داشته و بر روی نتایج پیش‌بینی دوساله این مطالعه اثر ناچیزی دارد. Background and Objectives: Delivery is one of the most important services in the health systems, and increasing its effectiveness and efficiency are a health priorities. The aim of this study was to forecast the number of deliveries in order to design plans for using all facilities to provide patients with better services.<br> Methods: The data used in this study were the number of deliveries per month in Hakim Jorjani Hospital, Gorgan, Iran during the years 2010 to 2016. Due to the over-dispersion of the data and non-compliance with a Poisson distribution, the Poisson hidden Markov model was applied to predict the frequency of monthly deliveries. The model parameters were estimated using the maximum likelihood method and expectation maximization algorithm.<br> Results: The use of the Akaike criteria revealed the frequency of delivery in different months in the hospital followed a Poisson hidden Markov models with three hidden states, and the mean Poisson distribution in each component was 193.74, 236.05, and 272.61 labors, respectively.<br> Conclusion: The results of this study showed that government&rsquo;s encouraging policies have had short-term, limited effects on increasing fertility with minimal effects on the results of the two-year forecast. زایمان, توزیع پوآسن, مدل مارکف پنهان, بیش‌پراکنش, پیش‌بینی Delivery, Poisson distribution, Hidden Markov model, Over-dispersion, Forecast 74 82 http://irje.tums.ac.ir/browse.php?a_code=A-10-163-2&slc_lang=fa&sid=1 S Ghorbani Gholiabad سمیه قربانی قلی آباد No PhD Student of Biostatistics, Department of Biostatistics & Epidemiology, School of Public Health, Hamadan University of Medical Sciences, Hamadan, Iran دانشجوی دکترای آمارزیستی، دانشکده بهداشت، دانشگاه علوم پزشکی همدان، همدان، ایران M Sadeghifar مجید صادقی فر sadeghifar@basu.ac.ir Yes Associate Professor of Biostatistics, Department of Statistics, Faculty of Basic Sciences, Bu-Ali Sina University, Hamadan, Iran استادیار گروه آمار، دانشکده علوم پایه، دانشگاه بوعلی سینا همدان، همدان، ایران R Ghorbani Gholiabad رقیه قربانی قلی آباد No MS of Statistics, Hakim Jorjani Hospital, Gorgan, Iran کارشناس آمار، بیمارستان حکیم جرجانی گرگان، گرگان، ایران O Hamidi امید حمیدی No Coach, Department of Science, Hamadan University of Technology, Hamadan, Iran مربی آمار، دانشکده علوم پایه، دانشگاه صنعتی همدان، همدان، ایران