جلد 25، شماره 4 - ( 12-1401 )
جلد 25 شماره 4 صفحات 124-104 |
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:
Ghaderi F, Rajabzadeh Ghatari A, Radfar R. An intelligent decision support system based on fuzzy techniques and neural networks for purchasing medical supplies. jha 2023; 25 (4) :104-124
URL: http://jha.iums.ac.ir/article-1-4219-fa.html
URL: http://jha.iums.ac.ir/article-1-4219-fa.html
قادری فاطمه، رجب زاده قطری علی، رادفر رضا. طراحی سیستم تصمیم یار هوشمند کارشناسی خرید ملزومات پزشکی بر پایه فنون فازی و شبکه های عصبی. فصلنامه مدیریت سلامت. 1401; 25 (4) :104-124
1- دانشجوی دکتری، گروه مدیریت فناوری اطلاعات، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران
2- استاد، گروه مدیریت صنعتی ، دانشگاه تربیت مدرس، تهران ،alirajabzadeh@modares.ac.ir
3- استاد، گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران
2- استاد، گروه مدیریت صنعتی ، دانشگاه تربیت مدرس، تهران ،
3- استاد، گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران
چکیده: (1120 مشاهده)
مقدمه: زنجیره های تامین تجهیزات و ملزومات پزشکی در مراکز بهداشتی و درمانی بسیار پیچیده، متنوع و پویا هستند و این پیچیدگی، انتخاب و خرید بهینه را به امری تخصصی و چالش برانگیز تبدیل نموده است. لذا این پژوهش به طراحی سیستم تصمیم یار هوشمندی جهت پشتیبانی از فرایند کارشناسی خرید ملزومات پزشکی پرداخته است.
روش ها: مطالعه حاضر توسعه ای-کاربردی و با روش توصیفی-پیمایشی است. در این پژوهش، بر مبنای هوش مصنوعی و با مجموعه های فازی و شبکه های عصبی، نحوه تصمیم گیری کارشناسان خرید ملزومات پزشکی در نرم افزار متلب الگوسازی شد. به نحوی‌که با اخذ اطلاعات، امتیاز ملزومات پزشکی را پیش بینی نماید. داده‌های لازم، در سال 1401 از وبگاه اداره کل تجهیزات پزشکی و دانش متخصصین این حوزه استخراج شد.
یافته ها: بنا بر نتایج، استفاده از شبکه عصبی پرسپترون سه لایه، با میانگین مربعات خطای 0/0011 و همبستگی کلی 0/97، می تواند تصمیم یار مناسبی در ارزیابی و انتخاب ملزومات پزشکی باشد.
نتیجه‌گیری: استفاده از ابزاری که منجر به بهبود فرایند کارشناسی خرید ملزومات پزشکی گردد، کمک شایانی به نظام سلامت در حفظ منابع و ارتقاء کیفیت خدمات بهداشتی و درمانی می نماید. شبکههای عصبی یکی از مؤثرترین روشها با قابلیت یادگیری و تعمیم است که میتواند به عنوان پشتیبانی هوشمند با سرعت و دقت بالا، کارشناسان حوزه خرید ملزومات پزشکی را در پردازش دادهیاری رساند و منجر به تصمیمگیری و انتخاب ملزومات پزشکی بهینه گردد.
روش ها: مطالعه حاضر توسعه ای-کاربردی و با روش توصیفی-پیمایشی است. در این پژوهش، بر مبنای هوش مصنوعی و با مجموعه های فازی و شبکه های عصبی، نحوه تصمیم گیری کارشناسان خرید ملزومات پزشکی در نرم افزار متلب الگوسازی شد. به نحوی‌که با اخذ اطلاعات، امتیاز ملزومات پزشکی را پیش بینی نماید. داده‌های لازم، در سال 1401 از وبگاه اداره کل تجهیزات پزشکی و دانش متخصصین این حوزه استخراج شد.
یافته ها: بنا بر نتایج، استفاده از شبکه عصبی پرسپترون سه لایه، با میانگین مربعات خطای 0/0011 و همبستگی کلی 0/97، می تواند تصمیم یار مناسبی در ارزیابی و انتخاب ملزومات پزشکی باشد.
نتیجه‌گیری: استفاده از ابزاری که منجر به بهبود فرایند کارشناسی خرید ملزومات پزشکی گردد، کمک شایانی به نظام سلامت در حفظ منابع و ارتقاء کیفیت خدمات بهداشتی و درمانی می نماید. شبکههای عصبی یکی از مؤثرترین روشها با قابلیت یادگیری و تعمیم است که میتواند به عنوان پشتیبانی هوشمند با سرعت و دقت بالا، کارشناسان حوزه خرید ملزومات پزشکی را در پردازش دادهیاری رساند و منجر به تصمیمگیری و انتخاب ملزومات پزشکی بهینه گردد.
واژه‌های کلیدی: سیستم تصمیم یار هوشمند، کارشناسی خرید، ملزومات پزشکی، شبکه پرسپترون چند لایه، مجموعه های فازی
نوع مقاله: پژوهشي |
موضوع مقاله:
مدیریت اطلاعات سلامت
دریافت: 1401/7/7 | پذیرش: 1401/9/30 | انتشار: 1402/2/30
دریافت: 1401/7/7 | پذیرش: 1401/9/30 | انتشار: 1402/2/30
فهرست منابع
1. Lari A, Komeili A, Hajinabi K, Riahi L. Designing a model of medical equipment purchase management in hospitals of Tehran University of Medical Sciences. Asia Pacific Journal of Health Management. 2021;16(2):137-47. [DOI:10.24083/apjhm.v16i2.745]
2. Ghaderi F, Moradhasel B. Resources and expenditures management in the field of medical supplies using K-means clustering algorithm: A case study. Journal of Health Administration. 2021;23(4):51-60. [In Persian]. [DOI:10.29252/jha.23.4.51]
3. Zhang Y, Zhou Z, Si Y. When more is less: What explains the overuse of health care services in China? Soc Sci Med. 2019;232:17-24. [DOI:10.1016/j.socscimed.2019.04.018]
4. Tiryakioglu M, Yulek MA. Development-based public procurement policies: A selective survey of literature, cross-country policy experience and the Turkish experience. Innovat Eur J Soc Sci Res. 2015;28(3):344-59. [DOI:10.1080/13511610.2015.1056723]
5. Baral MM, Chittipaka V, Mukherjee S, Rao P. Medicine procurement in the healthcare sector: An intelligent supply chain perspective. Journal of critical reviews. 2020;7(7):1812-28.
6. Hani U, Basri MH, Winarso D. Inventory management of medical consumables in public hospital: A case study. Management. 2013;3(2):128-33.
7. Firouzi Jahan Tigh F, Dehghani S. Presenting a model in quality management of hospital medical equipment supply chain using game theory. Scientific Journal of Supply Chain Management. 2016;17(50):68-78. [In Persian]
8. Davis P. A review of procurement practices in Ireland of medical devices. Ireland: IMSTA; 2012. 29 p.
9. Yang C, Wang Y, Hu X, Chen Y. Qian L, Li F, et al. Improving hospital based medical procurement decisions with health technology assessment and multi-criteria decision analysis. Inquiry. 2021;58:1 -13. [DOI:10.1177/00469580211022911]
10. Vecchi V, Cusumano N, Boyer EJ. Medical supply acquisition in Italy and the United States in the Era of COVID-19: The case for strategic procurement and public-private partnerships. Am Rev Publ Admin. 2020;50(6-7): 642-9. [DOI:10.1177/0275074020942061]
11. Chakravaddi I. Medical equipment industry in India: Production, procurement and utilization. Indian J Public Health. 2013;57(4):203-7.
12. Kohler JC, Wright T. The urgent need for transparent and accountable procurement of medicine and medical supplies in times of COVID-19 pandemic. J Pharm Policy Pract. 2020;13:1-4. [DOI:10.1186/s40545-020-00256-w]
13. Ellahi H, Kamaei A, Safaei A, Sharafi Rad E. The role of good logistics in providing medical supplies in order to protect the right to health through the medical community. Medical Law Journal. 2021;15(56):365-81. [In Persian]
14. Abdi Talarposhti M, Mahmodi Gh, Jahani M. Factors affecting supply chain agility at hospitals in Iran. Journal of Health Administration 2016;19(64):7-18. [In Persian]
15. Lari A, Hajinabi K, Komeili A, Riahi L. The effective factors in the control component of purchase management of medical consumables. Iranian Journal of Nursing Research. 2019;14(4):66-71. [In Persian]
16. Jafarnejad A, Soleymani M. Demand forecasting medical equipment based on artificial neural networks and ARIMA methods. Journal of Economic Research and Policies. 2011;19(57):171-98. [In Persian]
17. Heydarian N, Vahdat Sh. The impact of implantation of health care reform plan in patients pay out of pocket in selected public hospitals in Isfahan. Journal of Medical Council of Iran. 2015;33(3):187-94. [In Persian]
18. Phillips-Wren G. AI tools in decision making support systems: A review. Int J Artif Intell Tools. 2012;21(2):1-13. [DOI:10.1142/S0218213012400052]
19. Wen W, Wang WK, Wang CH. A knowledge-based intelligent decision support system for national defense budget planning. Expert Syst Appl. 2005;28(1):55-66. [DOI:10.1016/j.eswa.2004.08.010]
20. Hafez Nia M. An introduction to the research method in humanities. 14th ed. Samt Publications, 2008. [In Persian]
21. Golmohammadi D. Neural network application for fuzzy multi-criteria decision making problems. Int J Prod Econ. 2011;131(2):490-504. [DOI:10.1016/j.ijpe.2011.01.015]
22. Gegovska T, Koker R, Cakar T. Green supplier selection using fuzzy multiple-criteria decision-making methods and artificial neural networks. Comput Intell Neurosci. 2020;2020:1-26. [DOI:10.1155/2020/8811834]
23. Chen S-J, Hwang C-L. Fuzzy multiple attribute decision making: Methods and applications. In: Dawid H, Dimitrov D, Gerber A, Haake C-J, Hofmann C, Pfeiffer T, et al, editors. Lecture Notes in Economics and Mathematical Systems (LNE). Switzerland: Springer Verlag Publication. 1991. (LNE, volume 375). [DOI:10.1007/978-3-642-46768-4_5]
24. Abdos M, Mozayani N. Solving multi-criteria decision making problems using artificial neural networks. Iranian Journal of Electrical and Computer Engineering. 2007;5(1):47-52. [In Persian]
25. Asgharpour MJ. Multi-criteria decision making. 3th ed. Tehran: Tehran University, 2004. [In Persian]
26. Jain YK, Bhandare SK. Min max normalization based data perturbation method for privacy protection. International Journal of Computer and Communication Technology. 2013;4(4):233-8. [DOI:10.47893/IJCCT.2013.1201]
27. Hill T, O'Connor M, Remus W. Neural network models for time series forecasts. Manage Sci. 1996;42(7):1082-92. [DOI:10.1287/mnsc.42.7.1082]
28. Fallahnia M. Estimating energy consumption of educational spaces using artificial neural networks. Hoviat Shahr. 2018;11(32):17-30. [In Persian]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
