Taratsas, AndreasΤαράτσας, Ανδρέας2025-11-122025-11-122025-10-07https://pyxida.aueb.gr/handle/123456789/12346https://doi.org/10.26219/heal.aueb.9533This dissertation analyzes temporal prescription data from the national ePrescription system (IDIKA) using Statistical Process Control (SPC) and time series modelling techniques to identify deviations, structural changes, and underlying prescribing patterns. Data were provided by IDIKA and included multiple ATC-coded pharmaceutical substances. A descriptive statistical analysis was first conducted to explore variability and behavioral dynamics across drugs. Four representative substances (M04AC01, M09AX01, L04AC16, and L04AC18) were selected based on diversity in variability, periodicity, and pattern change. Subsequently, an ARIMA modelling framework was applied to the daily prescription counts to extract residuals free of autocorrelation, which were then analyzed through Shewhart control charts. The Phase I–II approach ensured unbiased estimation of control limits and allowed for process stability assessment over time. Results for M09AX01 demonstrated that the prescribing process remained largely in control, with transient fluctuations attributed to external factors such as policy or supply effects. The findings highlight the applicability of SPC methods—traditionally used in industrial quality control—to healthcare analytics, offering an operational early-warning mechanism for monitoring pharmaceutical utilization and supporting data-driven decision-making within IDIKA.Η παρούσα διπλωματική εργασία αναλύει χρονοσειρές δεδομένων συνταγογράφησης από το Eθνικό Σύστημα Ηλεκτρονικής Συνταγογράφησης (ΗΔΙΚΑ), με τη χρήση τεχνικών Στατιστικού Ελέγχου Διαδικασιών (Statistical Process Control – SPC) και μοντέλων χρονοσειρών, με σκοπό τον εντοπισμό αποκλίσεων, διαρθρωτικών αλλαγών και προτύπων στη συμπεριφορά συνταγογράφησης. Τα δεδομένα παραχωρήθηκαν από την ΗΔΙΚΑ και περιλαμβάνουν φαρμακευτικές ουσίες ταξινομημένες βάσει κωδικοποίησης ATC. Αρχικά, πραγματοποιήθηκε περιγραφική στατιστική ανάλυση για τη διερεύνηση της μεταβλητότητας και των δυναμικών των φαρμάκων στο χρόνο. Επιλέχθηκαν τέσσερις αντιπροσωπευτικές ουσίες (M04AC01, M09AX01, L04AC16 και L04AC18), οι οποίες παρουσίαζαν διαφοροποιημένα χαρακτηριστικά ως προς τη διακύμανση, την περιοδικότητα και τις μεταβολές τάσης. Στη συνέχεια, εφαρμόστηκε μοντέλο ARIMA στα ημερήσια δεδομένα συνταγογράφησης για την εξαγωγή καταλοίπων απαλλαγμένων από αυτοσυσχέτιση, τα οποία αναλύθηκαν με διαγράμματα ελέγχου Shewhart. Η προσέγγιση δύο φάσεων (Phase I–II) εξασφάλισε αμερόληπτο προσδιορισμό των ορίων ελέγχου και επέτρεψε την αξιολόγηση της σταθερότητας της διαδικασίας στο χρόνο. Τα αποτελέσματα για το φάρμακο M09AX01 έδειξαν ότι η διαδικασία συνταγογράφησης παρέμεινε σε μεγάλο βαθμό εντός ελέγχου, με παροδικές διακυμάνσεις που αποδόθηκαν σε εξωτερικούς παράγοντες, όπως πολιτικές υγείας ή ελλείψεις. Τα συμπεράσματα υπογραμμίζουν τη χρησιμότητα των μεθόδων SPC — παραδοσιακά εφαρμοζόμενων στη βιομηχανία — στη στατιστική παρακολούθηση φαρμακευτικών δεδομένων, ενισχύοντας την έγκαιρη ανίχνευση αποκλίσεων και τη λήψη τεκμηριωμένων αποφάσεων στο πλαίσιο της ΗΔΙΚΑ.pages 50Attribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Statistical process controlTime seriesARIMAShewhart chartPrescription dataIDIKAHealthcare analyticsΣτατιστικός έλεγχος διαδικασιώνΧρονοσειρέςARIMAΔιάγραμμα ShewhartΔεδομένα συνταγογράφησηςΗΔΙΚΑΑναλυτική υγείαςTextPsarakis, Stelios