محمد علی علی افشار کاظمی، ندا بیگدلی، ژیلا منوچهری، یاسر جناب،
دوره 12، شماره 4 - ( 12-1392 )
چکیده
زمینه و هدف: بخش اورژانس ، اولین مکان ارائه خدمات تشخیصی و درمانی به بیماران اورژانسی می باشد. با توجه به اهمیت سرعت و دقت در ارائه خدمات، تخصیص صحیح منابع در این بخش اهمیت ویژه ای دارد. برنامه ریزی منابع بخش اورژانس، بدون توجه به ازدحام و تراکم بیمار در زمان های مختلف صورت می گیرد، بنابراین ممکن است بخش با کمبود منابع روبرو شده و این امر منجر به معطلی بیماران، بی نظمی در انجام کارها و در نتیجه افت کیفیت خدمات گردد. در این مطالعه به منظور رفع مشکلات فوق، الگوی پیش بینی تعداد بیمار مراجعه کننده به بخش اورژانس ارائه شده است.
مواد و روش ها: تعداد بیمار بر مبنای داده های ورود بیماران به اورژانس و با استفاده از تکنیک داده کاوی و شبکه عصبی پرسپترون چند لایه(Multi-layer Perceptron) MLP پیش بینی شده است.
یافته ها: تعداد بیمار ورودی در روزهای مختلف هفته و ساعات مختلف شبانه روز برای هر یک از اولویت های سه گانه 1 ، 2 و3 تعیین شده، بیشترین تعداد بیمار در روز شنبه و کمترین در روز جمعه بوده است. روزهای تعطیل و غیر تعطیل از لحاظ تعداد بیمار با هم متفاوت و تعداد بیمار در روزهای تعطیل رسمی مانند اعیاد برابر تعداد بیمار در روزهای جمعه بوده است. بیشترین تعداد بیمار در ساعات 9 الی 11 صبح و 20 الی 23 شب و کمترین تعداد در ساعات بین 2 الی 7 صبح میباشد.
نتیجه گیری: پیش بینی تعداد بیمار بخش اورژانس می تواند در برآورد منابع مورد نیاز و توزیع مناسب آنها مورد استفاده قرار گرفته و کیفیت خدمات را بهبود بخشد.
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.
