استاد راهنما: آقای دکتر محمد فتحیان
استاد مشاور: آقای دکتر محمدرضا رسولی
اساتید داور داخلی: آقای دکتر میرسامان پیشوایی – آقای دکتر سعید یعقوبی
اساتید داور خارجی:  آقای دکتر محمدجعفر تارخ –  آقای دکتر پیمان اخوان
زمان دفاع: ۱۱ اسفند ماه ۱۴۰۳- ساعت ۱۷:۳۰ کلاس ۲۰۱ ( طبقه دوم دانشکده)
 

چکیده

ترکیب خدمات یکی از رویکردهای مهم در ارائه خدمات سلامت یکپارچه و بیمار محور می‌باشد. روش‌های ترکیب خدمات کنونی به دلیل محدودیت در مدیریت داده‌های آنی و شرایط متغیر ارائه‌دهندگان، نمی‌توانند فرآیندهایی ایجاد نمایند که بیمار محور بوده و به صورت پویا با تغییرات منطبق می‌گردند. برای پاسخگویی به این شکاف، در این پژوهش یک مدل دومرحله‌ای ترکیب خدمات انطباق پذیر و بیمار محور (PPM-APCSC)، مبتنی بر روش پایش پیش‌بینانه فرآیند پیشنهاد گردید. مدل PPM-APCSC با استفاده از قابلیت رویکرد پایش پیش‌بینانه فرآیند  (PPM)، از داده‌های آنی سیستم مراقبت سلامت بیمار برای پیش‌بینی پویای زیر وظیفه بعدی در مسیر مراقبت و انتخاب منابع بر اساس معیار کیفیت خدمات  (QoS)  استفاده می‌کند. برای توسعه این مدل، ابتدا رویکردهای مختلف PPM (RB-PPM و CB-PPM) جهت فهم بیشتر بررسی گردیدند. یکی از اهداف ترکیب خدمات انتخاب منابع برای انجام زیر وظایف است، اما روش PPM کمتر وضعیت منابع را در نظر می‌گیرند. لذا در قسمت بعدی پژوهش، با آگاه به منابع ساختن رویکرد PPM (RA-PPM ) عملکرد آن در پیش‌بینی بهبود داده شده و برای استفاده در  مدل پیشنهادی آماده گردید. در آخر،  مدل PPM-APCSC جهت ارائه ترکیب خدمات توسعه یافت و مزایا و معایب آن مورد بررسی قرار گرفت.
به منظور بررسی رویکردهای CB-PPM و RB-PPM از روش طراحی آزمایش‌ها استفاده شد و عملکرد این دو رویکرد با اجرای ۱۳۶ مدل بر روی ۱۰ مجموعه داده دنیای واقعی ارزیابی گردید. بررسی نتایج از منظر دقت و زمان محاسباتی نشان داد که  CB-PPM در ۹۰ درصد از مواقع بهترین رویکرد می‌باشد. همچنین جهت بررسی عملکرد رویکرد  RA-PPM، ۱۵۶ مدل با پیکره‌بندهای مختلف روی ۸ مجموعه داده جهان واقعی ارزیابی شدند. نتایج آزمایش‌ها نشان داد که با آگاه به منابع ساختن روش   PPMدقت پیش‌بینی بهبود و  زمان اجرای برخط افزایش می‌یابد. در آخر، از روش CRISP-DM جهت توسعه مدل PPM-APCSC استفاده شد. مدل PPM-APCSC از داده های ثبت شده در گزارش رویدادها برای آموزش دو مدل PPM، یک مدل برای پیش‌بینی زیر وظیفه‌ی بعدی در مسیر ارائه خدمات و مدل دیگر برای پیش‌بینی زمان تکمیل فرآیند (جهت ترکیب خدمات)، استفاده می‌کند. ارزیابی نتایج آزمایش‌های صورت گرفته بر روی سه مجموعه داده مراقبت سلامت دنیای واقعی نشان داد که این مدل نرخ موفقیت بالایی در ایجاد زنجیره فعالیت‌های شدنی (بیش از ٪۹۳) و پیش بینی دقیق گام بعدی فرآیند (بیش از ٪۸۱ صحت) دارد. این مدل همچنین به طور موثر زمان تکمیل فرآیند را پیش‌بینی نمود (میانگین مطلق خطا کمتر از ۱۰۴ دقیقه). علاوه بر این، مدل PPM-APCSC ترکیب خدماتی را ایجاد نمود که تا ٪۸۷  به بهترین ترکیب خدمات گذشته شباهت داشتند. در نهایت کارایی مدل PPM-APCSC در یک شبکه یکپارچه آزمایشگاهی تشخیص طبی مورد مطالعه قرار گرفت. نتایج نشان داد که مدل می‌تواند با صحت بیش از ٪۸۲ زیر وظایف را پیش‌بینی کند به صورتی که زنجیره این زیر وظایف پیش‌بینی شده، بیش از ٪۹۷ شدنی باشند. همچنین این مدل توانست زمان تکمیل فرآیند در این نمونه مورد مطالعه را با خطای کمتر از ۷.۸ دقیقه پیش‌بینی کند و بر این اساس ترکیب خدماتی ارائه دهد که تا ٪۹۲ به بهترین ترکیب خدمات گذشته شباهت داشتند.
 کلمات کلیدی: ترکیب پویای خدمات، تولید ابری، فرآیند ارائه خدمات سلامت، پایش پیش‌بینانه فرآیند