ارائه چارچوبی برای پیش بینی وضعیت تحویل کالای مراقبت های بهداشتی و مدیریت زنجیره تأمین مراقبت های بهداشتی داده محور برپایه تکنیک ماشین بردار پشتیبان و بهینه سازی بیزی: مطالعه موردی زنجیره تأمین مراقبت های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تحویل به موقع داروها، تجهیزات پزشکی و سایر لوازم ضروری برای مراقبت از بیمار بسیار حیاتی بوده و اغلب می تواند نجات دهنده باشد. تأخیر تحویل در زنجیره تأمین 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 تأثیر بگذارد. مدیریت زنجیره تأمین 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 تأخیر در تحویل کالای مراقبت های بهداشتی در زنجیره تأمین مراقبت های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده پرداخته و یک چارچوب برای پیش بینی وضعیت تحویل کالاهای مراقبت های بهداشتی ارائه می نماید. همچنین ویژگی هایی که بیشترین تأثیر را در پیش بینی وضعیت تحویل کالا داشته اند، برای مدیریت زنجیره تأمین 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 تأخیر تحویل عملکرد بهتری دارد. نتایج حاصل نشان داد که ویژگی های کشور مقصد، روش حمل، تأمین کننده و مکان تولید تأثیرگذارترین ویژگی ها در پیش بینی وضعیت تحویل می باشند.A framework for predicting the delivery status of health commodities and data-driven healthcare supply chain management based on support vector machine technique and bayesian optimization: Case of the global healthcare supply chain of the United States Agency for International Development
Objective: Timely delivery of medications, medical equipment, and other essential supplies is critical to patient care and can often be life-saving. Delivery delays in the healthcare supply chain can lead to increased costs and operational challenges for healthcare organizations and affect patient care and financial stability. Efficient and reliable supply chain management is critical to reduce these risks and ensure integrated performance in the health industry. This research addresses the delay in the delivery of health commodities in the global health supply chain of the United States Agency for International Development. It presents a framework based on the support vector machine technique and Bayesian optimization to predict the delivery status of health commodities. It also determines the features that have had the greatest impact in predicting the status of commodities delivery for data-driven health supply chain management.
Method: The study's research method is design science, which presents a framework based on the support vector machine technique and Bayesian optimization to predict the delivery status of health commodities. It also compares the performance of different classification algorithms to predict the transportation status.
Findings: The results indicate that the presented framework based on the support vector machine technique and Bayesian optimization leads to a classification accuracy of 95%, outperforming other techniques to predict delivery delay. The results showed that the features of the destination country, shipping method, supplier, and production location are the most influential features in predicting the delivery status.
Machine learning,prediction model,delivery delay,healthcare supply chain,
تبلیغات
