دوره 20، شماره 4 - ( 10-1400 )
جلد 20 شماره 4 صفحات 50-42 |
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:
Panjekoobi R, Firouzi Jahantigh F. Identification and assessment of risk factors in the supply chain of the pharmaceutical industry using artificial intelligence.. jhosp 2021; 20 (4) :42-50
URL: http://jhosp.tums.ac.ir/article-1-6504-fa.html
URL: http://jhosp.tums.ac.ir/article-1-6504-fa.html
پنجه کوبی راحله، فیروزی جهانتیغ فرزاد. شناسایی و ارزیابی عوامل خطر در زنجیره تامین صنایع دارویی با استفاده از هوش مصنوعی. بیمارستان. 1400; 20 (4) :42-50
1- کارشناس ارشد دانشگاه سیستان و بلوچستان، گروه مهندسی صنایع
2- دانشیار دانشگاه سیستان و بلوچستان، گروه مهندسی صنایع. (* نویسنده مسئول) Firouzi@eng.usb.ac.ir
2- دانشیار دانشگاه سیستان و بلوچستان، گروه مهندسی صنایع. (* نویسنده مسئول) Firouzi@eng.usb.ac.ir
چکیده: (2004 مشاهده)
زمینه و هدف: با بالا رفتن دشواری‌ها، سطح عدم اطمینان و خطر موجود در زنجیره‌تأمین افزایش می‌یابد. دارو یک محصول راهبردی است و به صورت مستقیم با سلامتی جامعه ارتباط دارد. این پژوهش با هدف ارزیابی عوامل خطرزنجیره‌تامین دارویی با روش‌های هوش مصنوعی انجام شده است.
مواد و روش‌‌ها: با مرور متون و مصاحبه با 6 نفر از کارشناسان خبره که دارای مدرک تحصیلی کارشناسی‌ارشد و دکتری تخصصی بودند و تجربه‌ای بین 7 تا 15 سال در زمینه خطر و زنجیره‌تامین دارو داشتند، عوامل خطر شناسایی شدند. در نهایت با استفاده از شبکه‌های عصبی پرسپترون چندلایه و ماشین‌های بردار پشتیبان با توابع کرنل‌خطی، چندجمله‌ای و پایه‌شعاعی در دو کلاس کم‌خطر و پرخطر در نرم‌افزار پایتون طبقه‌بندی گردیدند.
نتایج: 22عامل در 5 دسته دارایی، شبکه حمل و نقل، دولت و بازار، راهبردی و تهیه و تامین‌کننده شناسایی و با استفاده از شبکه‌های عصبی طبقه‌بندی شدند. تغییرات بهره و تورم، تغییرات نرخ‌ارز، عدم انعطاف‌پذیری در تولید و اختلال در خدمات مشتری به ترتیب بیشترین اهمیت را در خطرهای زنجیره تامین دارو دارند. نتایج معیارهای ارزیابی نشان داد، مدل پرسپترون چندلایه عملکرد بهتری نسبت به ماشین‌های بردار پشتیبان با توابع کرنل‌خطی، چندجمله‌ای و پایه‌شعاعی داشته است.
نتیجه‌گیری: نتایج نشان داد که شبکه‌های عصبی مصنوعی قادر به طبقه‌بندی عوامل خطر زنجیره‌تامین دارو با دقت قابل قبولی هستند. در نتیجه طبقه‌بندی عوامل خطر با دقت 07/97% نشان‌دهنده توانایی بالای شبکه پرسپترون چندلایه در ارزیابی خطر زنجیره تامین دارو است.
مواد و روش‌‌ها: با مرور متون و مصاحبه با 6 نفر از کارشناسان خبره که دارای مدرک تحصیلی کارشناسی‌ارشد و دکتری تخصصی بودند و تجربه‌ای بین 7 تا 15 سال در زمینه خطر و زنجیره‌تامین دارو داشتند، عوامل خطر شناسایی شدند. در نهایت با استفاده از شبکه‌های عصبی پرسپترون چندلایه و ماشین‌های بردار پشتیبان با توابع کرنل‌خطی، چندجمله‌ای و پایه‌شعاعی در دو کلاس کم‌خطر و پرخطر در نرم‌افزار پایتون طبقه‌بندی گردیدند.
نتایج: 22عامل در 5 دسته دارایی، شبکه حمل و نقل، دولت و بازار، راهبردی و تهیه و تامین‌کننده شناسایی و با استفاده از شبکه‌های عصبی طبقه‌بندی شدند. تغییرات بهره و تورم، تغییرات نرخ‌ارز، عدم انعطاف‌پذیری در تولید و اختلال در خدمات مشتری به ترتیب بیشترین اهمیت را در خطرهای زنجیره تامین دارو دارند. نتایج معیارهای ارزیابی نشان داد، مدل پرسپترون چندلایه عملکرد بهتری نسبت به ماشین‌های بردار پشتیبان با توابع کرنل‌خطی، چندجمله‌ای و پایه‌شعاعی داشته است.
نتیجه‌گیری: نتایج نشان داد که شبکه‌های عصبی مصنوعی قادر به طبقه‌بندی عوامل خطر زنجیره‌تامین دارو با دقت قابل قبولی هستند. در نتیجه طبقه‌بندی عوامل خطر با دقت 07/97% نشان‌دهنده توانایی بالای شبکه پرسپترون چندلایه در ارزیابی خطر زنجیره تامین دارو است.
نوع مطالعه: مقاله ی اصیل |
موضوع مقاله:
سایر
دریافت: 1401/1/10 | پذیرش: 1401/3/3 | انتشار: 1401/3/31
دریافت: 1401/1/10 | پذیرش: 1401/3/3 | انتشار: 1401/3/31
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
