کبری شریفیان، محمدجعفر تارخ، سید علیرضا هاشمی گلپایگانی،
دوره 19، شماره 3 - ( 12-1400 )
چکیده
زمینه و هدف: یکی از فرآیندهای پیچیده در وزارت بهداشت فرآیند ثبت ملزومات دارویی است. اکنون فرآیند ثبت به صورت پراکنده در سامانه های مختلف انجام می شود و این موجب ارائه خدمات موازی، اتلاف زمان و ھزینه می شود. لذا ارائه یک سامانه یکپارچه در قالب سرویس ها موجب بهبود در ارائه خدمات می شود. هدف تحقیق حاضر شناسایی مجموعه فعالیت هایی است که بتوان آنها را به صورت یک سرویس یا خدمت در نظر گرفت تا توسط آنها سامانه یکپارچه را ایجاد نمود.
روش کار: این پژوهش کاربردی است. ابتدا فعالیت های ثبت 20 محصول مختلف گردآوری شد، سپس برای شناسایی سرویس ها یا خدمات سامانه یکپارچه ثبت ملزومات داروئی، ابتدا الگوریتم بهینه سازی چند هدفه گرگ خاکستری Gray Wolf Algorithm (GWO) پیشنهاد شد. سپس مقادیر پارامترهای الگوریتم با روش مدلسازی تحلیل نیازهای هدف محور Goal-Based Requirements Analysis Method (GBRAM)، استخراج و الگوریتم پیاده سازی شد. در ادامه بهترین سرویس ها با فرآیند تحلیل سلسله مراتبی Analysis Hierarchical Process (AHP) استخراج شد.
نتایج : با پیاده سازی الگوریتم پیشنهادی 7 سرویس استعلام کلاس محصول، ثبت مدارک، بررسی مدارک بر حسب نوع مجوز و کلاس محصول، صدور مجوز، آزمایشگاه، مطالعات بالینی و سرویس پرداخت شناسایی شد. سپس این سرویس ها با دقت 3/97 مورد تایید کارشناسان وزارت بهداشت و درمان قرار گرفتند. چارچوب پیشنهادی ارائه شده برای ثبت ملزومات دارویی اثربخش است و می تواند تا 90% موجب سهولت فرآیند، 80% کاهش زمان فرآیند و 65% کاهش هزینه فرآیند شود.
نتیجه گیری: ایجاد سیستم یکپارچه به عنوان یکی از چالش های مهم وزارت بهداشت، درمان و آموزش پزشکی می باشد. این هدف زمانی محقق می شود که سرویسها یا خدمات را شناسایی و یک سامانه یکپارچه را با ترکیب این سرویسها ایجاد شود.
مهرنوش آهنگرانی، محمد جعفر تارخ،
دوره 22، شماره 1 - ( 7-1403 )
چکیده
زمینه و هدف: در سالهای اخیر، یادگیری ماشین و الگوریتمهای تکاملی توجه پژوهشگران و متخصصین در حوزههای مختلف، به ویژه حوزه سلامت را به جنبههای کاربردی آنها در پردازش مجموعه دادههای کلان برای ارائه بینشهای مفید به خود جلب کردهاند. از طرف دیگر، تشخیص سریع و دقیق بیماری دیابت یکی از مهم‌ترین مسائل در پزشکی است و افزایش نرخ ابتلا به این بیماری برای جوامع جهانی نگرانی‌های بسیاری را به همراه داشته است. مطالعه حاضر با هدف ایجاد یک مدل تشخیصی مبتنی بر الگوریتمهای تکاملی و یادگیری ماشین جهت تشخیص بیماری دیابت انجام شد.
روش کار: این پژوهش یک چارچوب مبتنی بر تشخیص هوشمند بیماری دیابت را ارائه میدهد. روش پیشنهادی شامل دو مرحله اصلی است: مرحله اول شامل رویکرد طبقهبندی با استفاده از الگوریتمهای K-نزدیکترین همسایه و جنگل تصادفی است. مرحله دوم شامل رویکرد ترکیبی انتخاب ویژگی و طبقهبندی به منظور بهبود نتایج مرحله اول است که در آن از الگوریتمهای بهینهساز گرگ خاکستری، بهینهساز نهنگ و بهینهساز ازدحام ذرات جهت انتخاب ویژگی استفاده شده است. در این تحقیق از مجموعه داده دیابت هندی پیما استفاده شده است. تجزیه و تحلیل مقایسهای بین رویکردهای مختلف از طریق شاخصهای ارزیابی دقت، صحت و فراخوانی و امتیاز F1 انجام شده است.
نتایج: پس از مقایسه های تطبیقی بین مدلهای پیشنهادی، مدل جنگل تصادفی مبتنی بر بهینهساز گرگ خاکستری با صحت پیشبینی 81/38% به عنوان مدل نهایی انتخاب و معرفی شد.
نتیجه گیری: نتایج حاصل از این پژوهش نشان میدهد که استفاده از الگوریتمهای تکاملی در کنار مدلهای یادگیری ماشینی، میتواند کارایی و صحت تشخیص بیماری دیابت و عوارض ناشی از آن را در بیشتر مواقع افزایش دهد.
