ارائه چارچوبی برای پیش بینی وضعیت تحویل کالای مراقبت های بهداشتی و مدیریت زنجیره تامین مراقبت های بهداشتی داده محور برپایه تکنیک ماشین بردار پشتیبان و بهینه سازی بیزی: مطالعه موردی زنجیره تامین مراقبت های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 111

فایل این مقاله در 28 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ORMR-14-3_002

تاریخ نمایه سازی: 19 دی 1403

چکیده مقاله:

تحویل به موقع داروها، تجهیزات پزشکی و سایر لوازم ضروری برای مراقبت از بیمار بسیار حیاتی بوده و اغلب می تواند نجات دهنده باشد. تاخیر تحویل در زنجیره تامین مراقبت های بهداشتی می تواند منجر به افزایش هزینه ها و چالش های عملیاتی برای سازمان های حوزه سلامت شده و بر مراقبت از بیمار و ثبات مالی تاثیر بگذارد. مدیریت زنجیره تامین کارآمد و قابل اعتماد برای کاهش این خطرها و اطمینان از عملکرد یکپارچه در صنعت مراقبت های بهداشتی بسیار حائز اهمیت است. این پژوهش بهمسئله تاخیر در تحویل کالای مراقبت های بهداشتی در زنجیره تامین مراقبت های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده پرداخته و یک چارچوب برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی ارائه می­نماید. همچنین ویژگی هایی که بیشترین تاثیر را در پیش­ بینی وضعیت تحویل کالا داشته­ اند، برای مدیریت زنجیره تامین مراقبت های بهداشتی داده محور تعیین می کند. روش پژوهش مطالعه پیش رو، علم طراحی است که یک چارچوب بر پایه روش ماشین بردار پشتیبان و بهینه سازی بیزی برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی را ارائه کرده و عملکردهای مختلف الگوریتم های طبقه بندی برای پیش بینی وضعیت تحویل کالای مراقبت های بهداشتی را مقایسه کرده است. نتایج نشان می دهد  که چارچوب ارائه شده بر پایه روش ماشین بردار پشتیبان و بهینه سازی بیزی منجر به دقت طبقه بندی ۹۵ درصد می شود که در مقایسه با دیگر روش های به کار گرفته شده برای پیش بینی تاخیر تحویل عملکرد بهتری دارد. نتایج حاصل نشان داد که ویژگی های کشور مقصد، روش حمل، تامین­ کننده و مکان تولید تاثیرگذارترین ویژگی ها در پیش­ بینی وضعیت تحویل می باشند.

کلیدواژه ها:

نویسندگان

فرید دانشگر

PhD candidate in Information Technology Management, Department of Information Technology, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran.

علی رجب زاده

Professor,Department of Industrial Management, Faculty of Management, Tarbiat Modares University, Tehran, Iran.

محمدعلی افشارکاظمی

Associate Professor, Department of Industrial Management, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Arora M, Gigras Y. Importance of supply chain management in ...
  • Privett N, Gonsalvez D. The top ten global health supply ...
  • Lugada E, Komakech H, Ochola I, Mwebaze S, Olowo Oteba ...
  • Nichols JA, Herbert Chan HW, Baker MA. Machine learning: applications ...
  • دانشگر ف، قطری رز، کاظمی ا. «کسب دانش از زنجیره ...
  • Hippold S. Gartner Predicts the Future of Supply Chain Technology ...
  • Abbas K, Afaq M, Ahmed Khan T, Song W-C. A ...
  • Leite H, Lindsay C, Kumar M. COVID-۱۹ outbreak: Implications on ...
  • Van Andel B. A machine learning approach to shipment consolidation. ...
  • Milovancevic M, Petkovic D. Adaptive neuro fuzzy estimation of important ...
  • Keung KL, Lee CK, Yiu YH, editors. A machine learning ...
  • Alnahhal M, Ahrens D, Salah B. Dynamic lead-time forecasting using ...
  • Garg R, Kiwelekar AW, Netak LD. Logistics and Freight Transportation ...
  • Ubaid A, Hussain F, Saqib M. Container shipment demand forecasting ...
  • Hathikal S, Chung SH, Karczewski M. Prediction of ocean import ...
  • Ermagun A, Punel A, Stathopoulos A. Shipment status prediction in ...
  • Wen Y-H. Shipment forecasting for supply chain collaborative transportation management ...
  • Polim R. Real-Time Supply Chain Analytics-Shipment Duration Prediction. ۲۰۱۶ ...
  • Steinberg F, Burggräf P, Wagner J, Heinbach B, Saßmannshausen T, ...
  • Salari N, Liu S, Shen Z-JM. Real-time delivery time forecasting ...
  • Özdemir R, Taşyürek M, Aslantaş V. Improved Marine Predators Algorithm ...
  • Peffers K, Tuunanen T, Rothenberger MA, Chatterjee S. A design ...
  • Cristianini N, Shawe-Taylor J. An introduction to support vector machines ...
  • Anderson MR, Cafarella M, editors. Input selection for fast feature ...
  • Victoria AH, Maragatham G. Automatic tuning of hyperparameters using Bayesian ...
  • Daneshgar F, Hoseini V. A New Framework of Credit Scoring ...
  • Frazier PI. A tutorial on Bayesian optimization. arXiv preprint arXiv:۱۸۰۷۰۲۸۱۱. ...
  • Linardatos P, Papastefanopoulos V, Kotsiantis S. Explainable ai: A review ...
  • Molnar C. Interpretable machine learning: Morrisville:Lulu. com; ۲۰۲۰. ...
  • نمایش کامل مراجع