fa الگوی پیش‌بینی تقاضای سالانه داروی مصرفی ایران اقتصاد سلامت Health Economics پژوهشي Research <strong><span style="font-family:b yagut;"><span style="font-size:10.5pt;">مقدمه: </span></span></strong><span style="font-family:b yagut;"><span style="font-size:10.5pt;">تحلیل مقدار فروش داروهای مصرفی کشور نقش مهمی در تأمین تقاضای داروی کشور در گروه‌های درمانی مختلف دارد. دراین‌بین مهم‌ترین چالش فرارو، روش‌های متداول و تجربی پیش‌بینی صنعت دارو است. هدف پژوهش حاضر بررسی کارایی دو روش پیشنهادی شبکه عصبی مصنوعی و برازش منحنی در مقایسه با روش متداول نرخ رشد مرکب است.</span></span><br> <strong><span style="font-family:b yagut;"><span style="font-size:10.5pt;">روش ها:</span></span></strong> <span style="font-family:b yagut;"><span style="font-size:10.5pt;">پس از تجمیع داده‌های 17 سال فروش محصولات دارویی (از سال 1379 تا 1395) و اعمال اصلاحات لازم ازهر سه روش یادشده جهت پیش‌بینی استفاده شد. سپس با شاخص متداول جذر میانگین مربعات خطاهای پیش‌بینی، کارایی سه روش مقایسه شده است.</span></span><br> <strong><span style="font-family:b yagut;"><span style="font-size:10.5pt;">یافته‌&lrm;ها:</span></span></strong> <span style="font-family:b yagut;"><span style="font-size:10.5pt;">پس از بررسی حدود 2200 محصول ژنریک دارویی و شناسایی 17 گروه‌درمانی اصلی با استفاده از سه روش یادشده، فروش ریالی ۱۷ گروه‌درمانی برای سال‌های ۱۳۹۷ و ۱۳۹۸ پیش‌بینی شد و درصد خطای فروش سالیانه محاسبه‌شده برای دو روش شبکه عصبی مصنوعی و برازش منحنی در سال‌های 1379 تا 1395 به ترتیب برای ۱۱ سال (از 13 سال محاسبه شده با روش شبکه عصبی)</span></span> <span style="font-family:b yagut;"><span style="font-size:10.5pt;">و ۱۵ سال (از 17 سل محاسبه شده با روش برازش منحنی) کمتر از هفت درصد، گزارش شد.</span></span><br> <strong><span style="font-family:b yagut;"><span style="font-size:10.5pt;">نتیجه‌گیری: </span></span></strong><span style="font-family:b yagut;"><span style="font-size:10.5pt;">نتایج پژوهش نشان داد که به‌کارگیری روش شبکه عصبی و برازش منحنی در پیش‌بینی میزان فروش ریالی دارو همواره عملکرد بهتری از روش مرسوم دارد و در مواقعی که سوابق داده‌های تجربی گذشته برای فروش دارو کم است، روش برازش منحنی کارایی بهتری دارد اما با داده‌های ورودی بیشتر، روش شبکه عصبی کارایی بهتری نسبت به دو روش دیگر خواهد داشت.</span></span>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; &nbsp;&nbsp;<br> <br> &nbsp; <strong>&nbsp;</strong><br> <strong>Introduction: </strong>The analysis of the sale and use of drugs plays an important role in meeting the country&rsquo;s drug demands in different therapeutic groups. In the meantime, the most important challenge is the conventional and empirical methods of predicting drug demand in the pharmaceutical industry. The current study aimed to examine the efficiency of the two proposed methods of Artificial Neural Network and Curve Fitting in comparison with the current conventional method, i.e., the Compound Annual Growth Rate model.<br> <strong>Methods:</strong> Pharmaceutical sales data (from March 20, 2000 to March 19, 2017)&nbsp;&nbsp;&nbsp;&nbsp; were aggregated and necessary treatments were applied. In the next step, the three aforementioned forecasting methods were used, and their efficiencies were compared by using the root mean square error.<br> <strong>Results: </strong>About 200 generic drugs were studied and 17 major therapeutic groups were identified. The sale prices for two years (from March 21, 2018 to March 19, 2020) were predicted. The calculated annual sales error for the artificial neural network and curve fitting from March 20, 2000 to March 19, 2017 was reported to be less than 7 percent for 11 years (of 13 years computed with Neural Network method) and 15 years (of 17 years computed with Curve Fitting method), respectively.<br> <strong>Conclusion: </strong>The Neural Network and Curve Fitting methods outperform the conventional Compound Annual Growth Rate model and in the case of low experimental data for drug sales, the Curve Fitting model acts more efficiently but with more input data, the Neural Network method acts more efficiently than the other two methods.<br> <br> &nbsp; پیش‌بینی تقاضای دارو, برازش منحنی, شبکه عصبی, نرخ رشد مرکب, ارزش داروی مصرفی Drug Demand Forecasting, Curve Fitting, Artificial Neural Network, Compound Annual Growth Rate Model, Price of Consumable Drugs 89 104 http://jha.iums.ac.ir/browse.php?a_code=A-10-2788-1&slc_lang=fa&sid=1 Nafiseh Davodi نفیسه داودی nafisehdavodi@gmail.com 11200319475328460022744 0000000315271383 Yes graduated in Industrial Engineering, school of Industrial Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی تهران واحد جنوب، تهران Sadigh Raissi صدیق رئیسی raissi@azad.ac.ir 11200319475328460022745 0000000249391335 No school of Industrial Engineering, Islamic Azad University, South Tehran Branch, Tehran, Iran, دانشکده مهندسی صنایع، دانشگاه آزاد اسلامی تهران واحد جنوب، تهران