جستجو در مقالات منتشر شده


4 نتیجه برای کانو
بکارگیری رویکرد ترکیبی kano- Topsisدرسنجش و اولویت بندی عوامل موثر برکیفیت خدمات داروخانه ها
جمال الدین کبوتری ، بهزاد شوقی ، فاطمه ماستری فراهانی،
دوره 7، شماره 6 - ( 12-1392 )
چکیده

 

زمینه و هدف: هدف از این پژوهش، سنجش و اولویت بندی عوامل موثر برکیفیت خدمات داروخانه­های شبانه­روزی شهر بوشهر، با استفاده از مدل­ Kano و تکنیک TOPSIS و ارائه راهکارهای اجرایی در زمینه ارتقای کیفیت وضعیت موجود بوده است.

 

روش بررسی: این پژوهش، کاربردی و مطالعه‌ا­ی توصیفی بوده که داده‌های آن به روش نمونه­گیری تصادفی از میان مراجعه­کنندگان به داروخانه­های شبانه روزی شهر بوشهر در سال 1390، با استفاده از پرسشنامه­های محقق ساز سنجش کیفیت خدمات و استاندارد kano جمع آوری شده است. در پایان با بهره گیری از تکنیک تصمیم گیری گروهی(تاپسیس)، شاخص‌ها نیز اولویت بندی شده است.

 

یافته‌ها: مطابق اولویت بندی Topsis، به ترتیب، الزامات تک بعدی(10 نیاز)، که دارای رابطه خطی و مستقیم با رضایت مشتری هستند، الزامات اساسی(6 نیاز) به عنوان الزاماتی که در صورت وجود، می‌توانند از نارضایتی مشتری جلوگیری و در صورت عدم وجود، موجب نارضایتی مشتری ‌شوند، الزامات جذاب(8 نیاز)؛ که موجب افزایش رضایت مشتری شده، اما عدم ارائه آنها باعث نارضایتی نمی‌شود، و درنهایت الزامات بی تفاوتی(3 نیاز) که مشتریان نسبت به وجودشان بی‌تفاوت هستند، بیشترین تاثیر را در ارتقای کیفیت خدمات داروخانه‌های شبانه روزی شهر بوشهر بر اساس مدل kano دارند.

 

نتیجه‌گیری: وجود همبستگی مثبت و قوی میان شاخص­های کیفیت ارائه خدمات داروخانه و رضایت مراجعان، توصیه می‌شود که برنامه­ریزی در جهت بهبود وضعیت خدمت­ رسانی داروخانه­های شبانه­روزی، می­تواند به افزایش رضایت مراجعین منجر شود.

 


شناسایی و دسته بندی خدمات مبتنی بر وب مطلوب از دیدگاه کاربران وب‌سایت بیمارستان‌های ایران بر اساس مدل سنجش رضایت مشتری کانو
زهرا محمدزاده، حمیدرضا سعیدنیا، علی قربی،
دوره 14، شماره 3 - ( 5-1399 )
چکیده
زمینه و هدف: وب‌سایت‌های بیمارستانی، سیستمی مناسب برای تبادل اطلاعات و ایجاد ارتباط بین بیمار، بیمارستان و کادر درمانی محسوب می‌شود. هدف این پژوهش، شناسایی و دسته بندی خدمات مبتنی بر وب مطلوب در وب‌سایت بیمارستان‌های ایران بر اساس مدل سنجش رضایت مشتری کانو بود.
روش‌ بررسی: پژوهش از نظر هدف، کاربردی و روش آن، پیمایشی است. جامعه‌ی آماری این پژوهش شامل کاربران وب‌سایت بیمارستانی است که ۱۲۰ نفر از بین آنها بهصورت تصادفی انتخاب شد. ابزار گردآوری داده‌ها، پرسشنامه‌ای بر اساس مدل کانو بوده است. روایی پرسش‌نامه از دید استادان علم اطلاعات و فناوری اطلاعات سلامت، تأیید گردید. برای تحلیل داده‌ها از جدول ارزیابی مدل کانو، نرم افزار اکسل، آمار توصیفی و برای تعیین پایایی از آزمون آلفای کرونباخ(۰/۸۲=a) استفاده شد.
یافته‌ها: ابتدا با استفاده از مرور متون و بررسی وبسایت‌های برتر به شناسایی و دستهبندی خدمات مبتنی بر وبِ مطلوب در وب‌سایت بیمارستان‌ها پرداخته شد. سپس تعداد ۶۷ خدمت شناسایی شده، در معیار اجباری(۲۹ خدمت)، معیار تک بعدی(۱۵ خدمت)، معیار جذاب(۱۴ خدمت) و معیار بی‌تفاوت(۹ خدمت) دسته بندی شد. بیشترین خدمات شامل خدمات اجباری، جذاب، تک بعدی و بی‌تفاوت در مؤلفه‌های محتوایی بودند.
نتیجه‌گیری: بیشتر خدمات شناساییشده در این پژوهش در وب‌سایت بیمارستان‌های مطرح جهان قرار داشتند که انتظار می‌رود طراحان و متخصصان حوزهی فناوری اطلاعات سلامت و مدیران بیمارستان‌ها در ایران در طراحی سایت بیمارستان‌ از آن استفاده کنند. هر چند در بعضی موارد نظرات متخصصان و طراحان سایت نظراتی کاربردی بود، اما به دلیل ناآشنایی کاربران از موضوعات تخصصی طراحی وبسایت‌ مورد توجه تعداد معدودی از کاربران قرار گرفت.

بررسی آتروفی هیپوکامپ در تشخیص بیماری آلزایمر با استفاده از تصاویرMRI مغز
مونا سرحدی، محمدامین شایگان،
دوره 15، شماره 1 - ( 1-1400 )
چکیده
زمینه و هدف: برای درمان مؤثر بیماری آلزایمر (AD: Alzheimer Disease)، تشخیص دقیق این بیماری و مرحله‌‌ی پیش از آن، یعنی اختلال شناختی خفیف (MCI: Mild Cognitive Impairment) اهمیت دارد. یکی از مهمترین روشهای تشخیص زودهنگام AD، اندازه‌‌گیری آتروفی است که برای این کار از انواع اسکنهای مغزی مانند MRI استفاده می‌شود. هدف اصلی پژوهش حاضر ارایه یک سیستم تشخیص کامپیوتری به ‌‌منظور تشخیص زودهنگام AD، با استفاده از الگوریتم‌‌های یادگیری ماشین، جهت کمک به پزشکان است. سیستم پیشنهادی با بررسی آتروفی هیپوکامپ تصاویر MRI مغز، اقدام به تشخیص AD نموده و دقت تشخیص این بیماری را نیز افزایش می‌‌دهد. 
روش بررسی: در این پژوهش با استفاده از شبکه عصبی کانولوشن و کانتور فعال، عملیات جداسازی هیپوکامپ از سایر بخشهای مغز انجام شد و پس از آن با استفاده از طبقه‌‌بند ماشین‌‌بردار پشتیبان، سه گروه افراد سالم (NC: Normal Control) به تعداد ۴۴ مورد، افراد مبتلا به AD به تعداد ۴۵ مورد و افراد مبتلا به MCI به تعداد ۴۶ مورد تفکیک گردیدند. 
یافته‌ها: روش پیشنهادی در این مطالعه ، در طبقه‌‌بندی دوکلاسه AD در برابر NC به‌‌ترتیب به میانگین دقت، حساسیت و خاصیت ۷۷/۹۸%، ۷۴/۹۸% و ۹۶/۹۷% دست یافت. همچنین در طبقه‌بندی دوکلاسه MCI در برابر NC، این روش به‌‌ترتیب به میانگین ۱۴/۹۶% دقت، ۲۳/۹۶% حساسیت و ۲۱/۸۸% خاصیت دست یافته است. روش پیشنهادی در مقایسه با نزدیکترین روش رقیب در طبقه‌بندی AD در برابر NC به ‌‌ترتیب ۶۴/۱% بهبود دقت و ۸۱/۲% بهبود حساسیت و در طبقه‌بندی MCI در برابر NC به‌‌ترتیب ۹/۸% بهبود دقت و ۱۶/۲% بهبود خاصیت را نشان داد. این بهبود ناشی از استفاده از الگوریتم بهبودیافته تقطیع ACM، ترکیب ویژگی‌‌های استخراجی از تصاویر هیپوکامپ با ویژگی‌‌های ایجاد‌‌شده از قبل توسط شبکه ImageNet، حذف ویژگی‌‌های نامناسب از بردار ویژگی و همچنین استفاده از شبکه عمیق Inception v۳  بوده است.
نتیجه‌‌گیری: بر اساس نتایج، ترکیب ویژگیهای استخراجی از چندضلعی محیطی هیپوکامپ و ویژگیهای به‌‌دست آمده از شبکه عمیق، جهت تشخیص AD و MCI می‌‌تواند کاملا مناسب باشد

کلاسه بندی تصاویر رادیولوژی قفسه سینه به منظور شناسایی بیماران مبتلا به کووید 19 با بهره گیری از تکنیک‌های یادگیری ژرف
مرسا غلامزاده، سید محمد ایوب زاده، هدا زاهدی، شراره رستم نیاکان کلهری،
دوره 15، شماره 3 - ( 5-1400 )
چکیده
زمینه و هدف: با توجه به اهمیت بالای تصاویر رادیولوژی برای شناسایی بیماران کووید ۱۹، ایجاد مدلی مبتنی بر یادگیری عمیق از اهداف اصلی این پژوهش است.
 روش بررسی: از ۱۵۱۵۳ تصویر موجود از تصاویر قفسه سینه مربوط به افراد سالم، مبتلا به کووید ۱۹ و مبتلا به پنومونی در مخزن داده‌های سایت Kaggle به‌عنوان داده‌های این پژوهش استفاده شد. پیش پردازش داده‌ها شامل نرمال‌سازی تصاویر و تجمیع برچسب تصاویر و دسته‌بندی آنها  به سه دسته‌ی آموزش، اعتبارسنجی و تست می‌شد. سپس با استفاده از زبان پایتون در کتابخانه‌ی fastAI مبتنی بر تکنیک کانولوشن (CNN) و براساس چهار معماری (ResNet ,VGG MobileNet ,AlexNet)، ۹ مدل از طریق روش یادگیری انتقالی برای تشخیص افراد سالم از افراد بیمار، آموزش داده شد. در نهایت، میزان عملکرد این مدل‌ها با شاخص‌هایی چون صحت، حساسیت و ویژگی، و F-Measure ارزیابی شد.
یافته‌ها: از بین ۹ مدل ایجاد شده، مدل ResNet۱۰۱ دارای بیشترین توان تشخیص موارد مبتلا به کرونا از سایر موارد با شاخص حساسیت ۰/۹۵/۲۹ بود. دیگر مدل‌های به کار گرفته شده، صحتی بیش از ۹۶% در تشخیص درست موارد مختلف تصاویر تست از خود نشان دادند. مدل ResNet۱۰۱ توانست صحتی معادل ۷۴/۹۸/۰ در تشخیص بین موارد سالم و مبتلا از خود نشان دهد.
نتیجه گیری: میزان صحت به دست آمده، نشان‌دهنده‌ی عملکرد دقیق مدل پیش بینی در تشخیص کووید ۱۹ می‌باشد. بنابراین با پیاده‌سازی یک برنامه کاربردی براساس مدل توسعه‌یافته می‌توان به پزشکان در تشخیص دقیق و زودهنگام موارد مبتلا یاری رساند.

صفحه 1 از 1     

کلیه حقوق این وب سایت متعلق به پیاورد سلامت می باشد.

طراحی و برنامه نویسی: یکتاوب افزار شرق

© 2026 , Tehran University of Medical Sciences, CC BY-NC 4.0

Designed & Developed by : Yektaweb