جلد 23، شماره 2 - ( 4-1399 )
جلد 23 شماره 2 صفحات 88-76 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
saffari darberazi A, malekinejad P, Ziaeian M, Ajdari A. Designing a comprehensive model of hospital resilience in the face of COVID-19 disease. jha 2020; 23 (2) :76-88
URL: http://jha.iums.ac.ir/article-1-3312-fa.html
URL: http://jha.iums.ac.ir/article-1-3312-fa.html
صفاری دربرزی علی، مالکی نژاد پوریا، ضیائیان مهران، اژدری علی. طراحی مدل جامع تاب آوری بیمارستانی در مواجه با بیماری کرونا. فصلنامه مدیریت سلامت. 1399; 23 (2) :76-88
1- دکتری ،مسئول پژوهش و فن آوری، دانشگاه جامع علمی کاربردی یزد، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد ، asafaari@gmail.com
2- دانشجوی دکتری، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد
3- کارشناس ارشد، دانشکده مدیریت، اقتصاد و حسابداری، دانشگاه شهید اشرفی اصفهانی، اصفهان
4- دکتری، دانشکده مدیریت، حسابداری و اقتصاد، دانشگاه آزاد اسلامی یزد، یزد
2- دانشجوی دکتری، دانشکده اقتصاد، مدیریت و حسابداری، دانشگاه یزد، یزد
3- کارشناس ارشد، دانشکده مدیریت، اقتصاد و حسابداری، دانشگاه شهید اشرفی اصفهانی، اصفهان
4- دکتری، دانشکده مدیریت، حسابداری و اقتصاد، دانشگاه آزاد اسلامی یزد، یزد
چکیده: (5298 مشاهده)
مقدمه: مراکز بهداشتی درمانی باید بتوانند به‌سرعت با حوادث فاجعه باری مانند بلایای طبیعی و انسانی سازگار شوند. یکی از راه‌های مواجهه با بلایای مختلف در مراکز بهداشتی درمانی، افزایش تاب آوری است. هدف پژوهش حاضر طراحی مدل جامع تاب آوری بیمارستانی از طریق شناسایی عوامل موثر بر تاب آوری بیمارستانی، نحوه ارتباط میان این عوامل در شرایط مواجهه با بیماری کرونا بود.
روش ها: در ابتدا، با استفاده از مطالعه پیشینه پژوهش عوامل مؤثر بر تاب آوری بیمارستانی شناسایی شد و در ادامه با استفاده از فن مدلسازی ساختاری تفسیری مدل ارتباطی میان عوامل شناسایی‌شده، به دست آمد. مدل مفهومی به‌دست‌آمده از مدلسازی ساختاری تفسیری با استفاده از نرم‌افزار Smart PLS نسخه سه مورد برازش قرار گرفت. بدین منظور پرسش‌نامه حاوی 33 سؤال در اختیار 80 تن از مدیران، خبرگان و کارکنان بیمارستان های آموزشی یزد قرار گرفت.
یافته ها: نتایج پژوهش حاکی از شناسایی هشت عامل کلی مؤثر بر تاب آوری بیمارستانی دارد. هشت عامل شناسایی‌شده در پژوهش حاضر، در چهار سطح کلی توسط مدل سازی ساختاری تفسیری ساختار یافتند. سطح آغازین مدل عوامل «پایداری» و «سیستم ارتباطات و فن‌آوری اطلاعات» هستند. همچنین، نتایج برازش مدل حاکی از تأیید روابط شکل‌گرفته توسط مدل سازی ساختاری تفسیری دارد.
نتیجه‌گیری: بر اساس نتایج پژوهش حاضر، مدیران بهداشت و درمان کشور می توانند به‌منظور تاب آوری بیمارستان های کشور در مواجه با بلایای طبیعی و حوادث پیش‌بینی‌نشده استفاده نمایند.
روش ها: در ابتدا، با استفاده از مطالعه پیشینه پژوهش عوامل مؤثر بر تاب آوری بیمارستانی شناسایی شد و در ادامه با استفاده از فن مدلسازی ساختاری تفسیری مدل ارتباطی میان عوامل شناسایی‌شده، به دست آمد. مدل مفهومی به‌دست‌آمده از مدلسازی ساختاری تفسیری با استفاده از نرم‌افزار Smart PLS نسخه سه مورد برازش قرار گرفت. بدین منظور پرسش‌نامه حاوی 33 سؤال در اختیار 80 تن از مدیران، خبرگان و کارکنان بیمارستان های آموزشی یزد قرار گرفت.
یافته ها: نتایج پژوهش حاکی از شناسایی هشت عامل کلی مؤثر بر تاب آوری بیمارستانی دارد. هشت عامل شناسایی‌شده در پژوهش حاضر، در چهار سطح کلی توسط مدل سازی ساختاری تفسیری ساختار یافتند. سطح آغازین مدل عوامل «پایداری» و «سیستم ارتباطات و فن‌آوری اطلاعات» هستند. همچنین، نتایج برازش مدل حاکی از تأیید روابط شکل‌گرفته توسط مدل سازی ساختاری تفسیری دارد.
نتیجه‌گیری: بر اساس نتایج پژوهش حاضر، مدیران بهداشت و درمان کشور می توانند به‌منظور تاب آوری بیمارستان های کشور در مواجه با بلایای طبیعی و حوادث پیش‌بینی‌نشده استفاده نمایند.
نوع مقاله: مروری |
موضوع مقاله:
مدیریت خدمات بهداشتی و درمانی
دریافت: 1399/5/4 | پذیرش: 1399/4/10 | انتشار: 1399/4/10
دریافت: 1399/5/4 | پذیرش: 1399/4/10 | انتشار: 1399/4/10
فهرست منابع
1. Albanese J, Birnbaum M, Cannon C, Cappiello J, Chapman E, Paturas J, et al. Fostering disaster resilient communities across the globe through the incorporation of safe and resilient hospitals for community-integrated disaster responses. Prehosp Disaster Med. 2008;23(5):385-90. [DOI:10.1017/S1049023X00006105]
2. Labarda C, Labarda MDP, Lamberte EE. Hospital resilience in the aftermath of Typhoon Haiyan in the Philippines. Disaster Prev Manag. 2017;26(4):424-436. [DOI:10.1108/DPM-02-2017-0025]
3. Guan W, Ni Z, Hu Y, Liang W, Ou C, He J, et al. Clinical characteristics of coronavirus disease 2019 in China. N Engl J Med. 2020;382(18):1708-20. [DOI:10.1056/NEJMoa2002032]
4. Lin J, Ren Y, Gan H, Chen Y, Huang Y, You X. Factors Influencing Resilience of Medical Workers from Other Provinces to Wuhan Fighting Against 2019 Novel Coronavirus Pneumonia. BMC Psychiatry. 2020; [DOI:10.21203/rs.3.rs-17931/v1]
5. Foureur M, Besley K, Burton G, Yu N, Crisp J. Enhancing the resilience of nurses and midwives: Pilot of a mindfulnessbased program for increased health, sense of coherence and decreased depression, anxiety and stress. Contemp Nurse. 2013;45(1):114-25. [DOI:10.5172/conu.2013.45.1.114]
6. Aiello A, Young‐Eun Khayeri M, Raja S, Peladeau N, Romano D, Leszcz M, et al. Resilience training for hospital workers in anticipation of an influenza pandemic. J Contin Educ Health Prof. 2011;31(1):15-20. [DOI:10.1002/chp.20096]
7. Russo C, Calo O, Harrison G, Mahoney K, Zavotsky KE. Resilience and coping after hospital mergers. Clin nurse Spec. 2018;32(2):97-102. [DOI:10.1097/NUR.0000000000000358]
8. Pishnamazzadeh M, Sepehri MM, Ostadi B. An Assessment Model for Hospital Resilience according to the Simultaneous Consideration of Key Performance Indicators: A System Dynamics Approach. Perioper Care Oper Room Manag. 2020;20:100118. [DOI:10.1016/j.pcorm.2020.100118]
9. Olu O. Resilient health system as conceptual framework for strengthening public health disaster risk management: An african viewpoint. Front public Heal. 2017;5:263. [DOI:10.3389/fpubh.2017.00263]
10. Zhong S, Clark M, Hou X-Y, Zang Y-L, Fitzgerald G. Development of hospital disaster resilience: conceptual framework and potential measurement. Emerg Med J. 2014;31(11):930-8. [DOI:10.1136/emermed-2012-202282]
11. Cimellaro GP, Malavisi M, Mahin S. Factor analysis to evaluate hospital resilience. ASCE-ASME J Risk Uncertain Eng Syst Part A Civ Eng. 2018;4(1):4018002. [DOI:10.1061/AJRUA6.0000952]
12. Jolgehnejad AK, Kahnali RA, Heyrani Al. Factors Influencing Hospital Resilience. Disaster Med Public Health Prep. 2020;1-8. [DOI:10.1017/dmp.2020.112]
13. Hosseini Bamkan S M, Malekinejad P, Ziaeian M. Investigation and analysis of urban service supply chain (Case study: Isfahan Municipality). Urban And Rural Management. 2019;18(56):73-92. [In Persian].
14. Warfield JN. Developing interconnection matrices in structural modeling. IEEE Trans Syst Man Cybern. 1974;4(1):81-7. [DOI:10.1109/TSMC.1974.5408524]
15. Talib F, Rahman Z, Qureshi MN. Analysis of interaction among the barriers to total quality management implementation using interpretive structural modeling approach. Benchmarking. 2011;18(4):563-587. [DOI:10.1108/14635771111147641]
16. Barclay D, Higgins C, Thompson R. The partial least squares (PLS) approach to casual modeling: personal computer adoption ans use as an Illustration. 1995;2(2):285-309.
17. Fallah-Aliabadi S, Ostadtaghizadeh A, Ardalan A, Fatemi F, Khazai B, Mirjalili MR. Towards developing a model for the evaluation of hospital disaster resilience: a systematic review. BMC Health Serv Res. 2020;20(1):64. [DOI:10.1186/s12913-020-4915-2]
18. Reggiani A, Nijkamp P, Lanzi D. Transport resilience and vulnerability: The role of connectivity. Transp Res part A policy Pract. 2015;81:4-15. [DOI:10.1016/j.tra.2014.12.012]
19. Longstaff PH, Yang S-U. Communication management and trust: their role in building resilience to "surprises" such as natural disasters, pandemic flu, and terrorism. Ecol Soc. 2008;13(1):1-15. [DOI:10.5751/ES-02232-130103]
20. Paton D, Smith L, Violanti J. Disaster response: risk, vulnerability and resilience. Disaster Prev Manag. 2000;9(3):173-180. [DOI:10.1108/09653560010335068]
21. McEntire DA. Disaster response and recovery: strategies and tactics for resilience.2nd. Miami: John Wiley & Sons; 2015.
22. Luthar SS, Cicchetti D, Becker B. Research on resilience: Response to commentaries. Child Dev. 2000;71(3):573-5. [DOI:10.1111/1467-8624.00168]
23. Marshall A, Alqahtani S, Ridgway A, Walter C, Gamble R, Mailler R. Combining coordination with usage policies to improve mission scheduling resilience. Resilience Week (RWS). 2015 Aug 18-20; Philadelphia: IEEE; 2015. p. 1-6. [DOI:10.1109/RWEEK.2015.7287425]
24. Li Q, Dong S, Mostafavi A. Modeling of inter-organizational coordination dynamics in resilience planning of infrastructure systems: A multilayer network simulation framework. PLoS One. 2019;14(11):e0224522. [DOI:10.1371/journal.pone.0224522]
25. Chen C-C, Tsai Y-H, Schonfeld P. Schedule coordination, delay propagation, and disruption resilience in intermodal logistics networks. Transp Res Rec. 2016;2548(1):16-23. [DOI:10.3141/2548-03]
26. Burns MG. Logistics and transportation security: a strategic, tactical, and operational guide to resilience. Florida: CRC Press; 2015. [DOI:10.1201/b19414]
27. VanVactor JD. Cognizant healthcare logistics management: ensuring resilience during crisis. Int J Disaster Resil Built Environ. 2011; 2(3):245-255. [DOI:10.1108/17595901111167114]
28. Robertson IT, Cooper CL, Sarkar M, Curran T. Resilience training in the workplace from 2003 to 2014: A systematic review. J Occup Organ Psychol. 2015;88(3):533-62. [DOI:10.1111/joop.12120]
29. Davari A, Rezazadeh A. Structural equation modeling with PLS software. 3rd ed. Tehran: University Jihad Publications; 2015. [In Persian]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
