۲ نتیجه برای زنجیره تامین دارو
راحله پنجه کوبی، فرزاد فیروزی جهانتیغ،
دوره ۲۰، شماره ۴ - ( ۱۰-۱۴۰۰ )
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 ۶ نفر از کارشناسان خبره که دارای مدرک تحصیلی کارشناسی‌ارشد و دکتری تخصصی بودند و تجربه‌ای بین ۷ تا ۱۵ 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: ۲۲عامل در ۵ 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 ۰۷/۹۷% نشان‌دهنده توانایی بالای شبکه پرسپترون چندلایه در ارزیابی خطر زنجیره تامین دارو است.
امین بیگلرخانی، رضوان عباسی، محمدرضا ثنایی،
دوره ۲۱، شماره ۴ - ( ۱۱-۱۴۰۱ )
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 ۰۴۳/۰ و مقادیر اندازه‌گیری شده برای RMSE، MAE و R۲ به‌ترتیب برابر با ۳۳۵/۰، ۲۶۰/۰ و ۸۵۱/۰ 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.
