3 نتیجه برای زنجیره تامین
روح انگیز اسدی، دکتر مسعود اعتمادیان، دکتر پژمان شادپور، فاطمه سمنانی،
دوره 16، شماره 4 - ( 11-1396 )
چکیده
زمینه و هدف: در سالهای اخیر، بیمارستان هاشمینژاد بعضی از خدمات غیردرمانی خود را یا برونسپاری کرده ویا تصمیم بر برونسپاری آن به بخش خصوصی دارد. انتخاب و ارزیابی تامینکننده موضوع بحرانی و اصلی در برونسپاری خدمات بیمارستانی میباشد. لذا در این پژوهش به انتخاب و ارزیابی تامینکنندگان برای خدمات برونسپاری شده در بیمارستانها پرداخته شد.
مواد و روش ها: جهت نیل به این هدف ابتدا با بررسی مطالعات و با استفاده از نظرات خبرگان و کارشناسان بیمارستانی متشکل از مدیریت بیمارستان، مدیر کیفیت، مدیر منابع انسانی، مسئولان بخشهای برونسپاری شده و سایر خبرگان و متخصصان مرتبط با این حوزه، معیارهای ارزیابی و انتخاب تامینکنندگان خدمات برونسپاری شده شناسایی شد که شامل 14 معیار بود. معیارهای شناسایی شده در سه حوزه ویژگیهای خدمت، ویژگیهای تامینکننده و معیارهای ارتباطات در زنجیرهتامین دستهبندی شدند. مساله انتخاب تامینکننده جز مسائل تصمیمگیری چند معیاره میباشد. بنابراین با استفاده از رویکرد تحلیل سلسله مراتبی و با کمک نرم افزار Expert choice 11 معیارها وزندهی و رتبهبندی شدند.
نتایج: بر اساس نتایج حاصل شده، زیر معیارهای کیفیت خدمات، سیستمهای مدیریتی، مشتریمداری، امنیت اطلاعات تاثیر بیشتری بر انتخاب تامینکنندگان داشتند و زیر معیارهای، موقعیت جغرافیایی، انعطافپذیری و توانایی حل مساله کمترین اولویت را به خود اختصاص دادند.
نتیجه گیری: تامینکننده C در معیار ارتباطات دارای بالاترین اولویت و تامین کننده A در دو معیار دیگر یعنی ویژگیهای خدمت و ویژگیهای تامینکننده دارای اولویت بالاتری برای انتخاب تامین کننده دارا بود. تامین کننده A در رتبه اول، تامین کننده C در رتبه دوم و تامین کننده B در رتبه بعد قرار گرفت.
راحله پنجه کوبی، فرزاد فیروزی جهانتیغ،
دوره 20، شماره 4 - ( 10-1400 )
چکیده
زمینه و هدف: با بالا رفتن دشواریها، سطح عدم اطمینان و خطر موجود در زنجیرهتأمین افزایش مییابد. دارو یک محصول راهبردی است و به صورت مستقیم با سلامتی جامعه ارتباط دارد. این پژوهش با هدف ارزیابی عوامل خطرزنجیرهتامین دارویی با روشهای هوش مصنوعی انجام شده است.
مواد و روشها: با مرور متون و مصاحبه با 6 نفر از کارشناسان خبره که دارای مدرک تحصیلی کارشناسیارشد و دکتری تخصصی بودند و تجربهای بین 7 تا 15 سال در زمینه خطر و زنجیرهتامین دارو داشتند، عوامل خطر شناسایی شدند. در نهایت با استفاده از شبکههای عصبی پرسپترون چندلایه و ماشینهای بردار پشتیبان با توابع کرنلخطی، چندجملهای و پایهشعاعی در دو کلاس کمخطر و پرخطر در نرمافزار پایتون طبقهبندی گردیدند.
نتایج: 22عامل در 5 دسته دارایی، شبکه حمل و نقل، دولت و بازار، راهبردی و تهیه و تامینکننده شناسایی و با استفاده از شبکههای عصبی طبقهبندی شدند. تغییرات بهره و تورم، تغییرات نرخارز، عدم انعطافپذیری در تولید و اختلال در خدمات مشتری به ترتیب بیشترین اهمیت را در خطرهای زنجیره تامین دارو دارند. نتایج معیارهای ارزیابی نشان داد، مدل پرسپترون چندلایه عملکرد بهتری نسبت به ماشینهای بردار پشتیبان با توابع کرنلخطی، چندجملهای و پایهشعاعی داشته است.
نتیجهگیری: نتایج نشان داد که شبکههای عصبی مصنوعی قادر به طبقهبندی عوامل خطر زنجیرهتامین دارو با دقت قابل قبولی هستند. در نتیجه طبقهبندی عوامل خطر با دقت 07/97% نشاندهنده توانایی بالای شبکه پرسپترون چندلایه در ارزیابی خطر زنجیره تامین دارو است.
امین بیگلرخانی، رضوان عباسی، محمدرضا ثنایی،
دوره 21، شماره 4 - ( 11-1401 )
چکیده
زمینه و هدف: در سالهای اخیر، مدیریت زنجیره تامین دارو، بهویژه پس از همهگیری بیماری کووید-۱۹ اهمیت بیشتری پیدا کرده است. در این مدت یکی از چالشهای مهم مساله کنترل هزینه زنجیره تامین است. اگر موجودی دارو در بیمارستانها بهدرستی مدیریت نشود، مشکلاتی مانند کمبود موجودی برخی داروهای حیاتی، تامین موجودی مازاد، افزایش هزینهها و درنهایت نارضایتی بیماران را به دنبال خواهد داشت.
مواد و روشها: در این پژوهش سعی شده است تا با استفاده از الگوریتمهای یادگیری عمیق، نیازهای دارویی بیمارستانهای کشور را پیشبینی و مدیریت کنیم. دادههای مصرف دارویی ده سال بیمارستان عمومی بعثت همدان از پایگاه دادههای سامانه مدیریت بیمارستان استخراج شده است. بهعنوان یک مطالعه موردی، عملکرد مدل پیشنهادی برای پیشبینی میزان مصرف سفازولین ارزیابی شده است. این مدل شامل یک شبکه حافظه طولانی کوتاهمدت میباشد که میتواند پیشینه تغییرات دادهها را در کاربردهای پیشبینی سریهای زمانی تشخیص دهد. مدل پیشنهادی با وجود تعداد زیادی پارامترهای تطبیقپذیر در شبکههای عصبی عمیق عملکرد خوبی را برای غلبه بر پیچیدگیهای مسئله یادگیری به ارمغان میآورد.
نتایج: استفاده از رویکرد یادگیری عمیق پیشنهادی با کاهش اثرات پیچیدگی و عدم قطعیت در دادههای پزشکی، استحکام الگوریتم را افزایش داده است. میانگین خطای پیشبینی با بهکارگیری روش پیشنهادی 043/0 و مقادیر اندازهگیری شده برای RMSE، MAE و R2 بهترتیب برابر با 335/0، 260/0 و 851/0 است.
نتیجهگیری: مقایسات جامعی بین برخی از سایر روشهای پیشبینی و مدل پیشنهادی انجام شده است، که عملکرد بهتر مدل پیشنهادی را نشان میدهد. علاوه براین، نتایج ارزیابی دقت و کارایی قابل قبول رویکرد پیشنهادی را بهخوبی نشان میدهد.