اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,048 |
| تعداد دریافت فایل اصل مقاله | 6,961,204 |
ارزیابی هوشمندسازی لجستیک حوزه امداد و درمان در ارتشهای هفت کشور | ||
| مدیریت و پژوهشهای دفاعی | ||
| دوره 24، شماره 110، فروردین 1405، صفحه 83-114 اصل مقاله (667.4 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.47176/mdr.2025.1417 | ||
| نویسندگان | ||
| امیرحسین سلیمی1؛ محمد عباسیان* 2؛ علی عباسی2 | ||
| 1کارشناس ارشد مهندسی حمل و نقل ریلی، دانشگاه علم و صنعت ایران، تهران، ایران. | ||
| 2استادیار، گروه مهندسی صنایع، دانشکده مهندسی و پرواز، دانشگاه افسری امام علی(ع)، تهران، ایران. | ||
| تاریخ دریافت: 16 مرداد 1404، تاریخ بازنگری: 30 آذر 1404، تاریخ پذیرش: 09 اردیبهشت 1405 | ||
| چکیده | ||
| امداد و درمان در نیروهای مسلح، یکی از ارکان کلیدی پشتیبانی و تأمین در ساختارهای نظامی بهشمار میرود و نقش تعیینکنندهای در حفظ آمادگی رزمی، کاهش تلفات انسانی و افزایش تابآوری عملیاتی نیروها دارد. در دهههای اخیر، ارتشهای بزرگ جهان با درک اهمیت این حوزه، سرمایهگذاریهای گستردهای در توسعه ساختارهای لجستیکی، نوسازی سامانههای درمانی و بهکارگیری فناوریهای نوین با هدف هوشمندسازی انجام دادهاند. پژوهش حاضر با هدف بررسی ساختار، مبانی نظری و پیشینه لجستیک نظامی و امداد و درمان به تحلیل تطبیقی عملکرد هفت کشور قدرتمند نظامی (آمریکا، انگلیس، روسیه، چین، ترکیه، هند و پاکستان) پرداخته و تلاش دارد تا مدلهای موفق امداد و درمان نظامی هوشمند را استخراج و تحلیل کند. در این مقاله، شاخصهایی نظیر ساختار فرماندهی، استفاده از فناوریهای نوین، مدلهای پشتیبانی درمانی در میدان نبرد و تجارب عملیاتی مورد بررسی قرار گرفتهاند. سپس با بهرهمندی از روش تحلیل سلسلهمراتبی بهبودیافته به ارزیابی و رتبهبندی میزان هوشمندسازی لجستیک حوزه امداد و درمان (طبقه هشت آمادی) در ارتشهای هفت کشور مطرح (منتخب ناتو و همسایه) با توجه به معیارهای تعیینشده پرداخته شده است. شایان ذکر است که نتایج رتبهبندی کشورها هم توسط محقق و هم با توجه به پرسشنامه اخذ شده از خبرگان ارائه گردیده و مقایسه صورت گرفته است. یافتههای پژوهش حاضر نشان میدهد که کشورهایی با ساختارهای چابک، سیاستهای فناور محور هوشمند و رویکردهای تلفیقی میان ظرفیتهای نظامی و غیرنظامی، توانستهاند نظامهای امدادی کارآمدتر و منعطفتری را ایجاد کنند. همچنین نتایج تحقیق نشان داد که ارتش کشورهای مذکور نسبت به بهکارگیری ابزارهای هوشمندی همچون هوش مصنوعی، اینترنت اشیاء، پهپادها، رباتها، رادیو شناسه و غیره در لجستیک حوزه امداد و درمان نظامی خود اقدام نمودهاند. این تجارب میتواند بهعنوان الگوهایی برای بازطراحی و ارتقاء نظام امداد و درمان در نیروهای مسلح جمهوری اسلامی ایران نیز مورد استفاده قرار گیرد. | ||
| کلیدواژهها | ||
| مطالعه تطبیقی؛ امداد و درمان؛ هوشمندسازی؛ ارتش؛ تصمیمگیری چندمعیاره | ||
| عنوان مقاله [English] | ||
| Evaluation of smart logistics in the field of relief and medical care in the armies of seven countries | ||
| نویسندگان [English] | ||
| Amirhossein Salimi1؛ Mohammad Abbasian2؛ Ali Abbasi2 | ||
| 1Master of Science in Rail Transportation Engineering, Iran University of Science and Technology, Tehran, Iran. | ||
| 2Assistant Professor, Department of Industrial Engineering, Faculty of Engineering and Flight, Imam Ali (AS) Military University, Tehran, Iran. | ||
| چکیده [English] | ||
| Military medical support constitutes a critical pillar of sustainment within armed forces, playing a decisive role in preserving combat readiness, reducing casualties, and enhancing operational resilience. In recent decades, major militaries worldwide have recognized the strategic importance of this domain and have invested heavily in developing logistical frameworks, modernizing medical systems, and adopting advanced technologies to achieve smarter capabilities. This study provides a comparative analysis of the structures, theoretical foundations, and historical developments of military logistics and medical support in seven leading armed forces (the United States, the United Kingdom, Russia, China, Turkey, India, and Pakistan). It aims to extract and evaluate successful models of intelligent military medical support by examining indicators such as command‐and‐control architecture, adoption of cutting‐edge technologies, battlefield medical support models, and operational experiences. An Improved Analytic Hierarchy Process (IAHP) is then applied to assess and rank the level of smart logistics integration in Class VIII (medical) supply chains across the selected nations, based on predefined criteria. Notably, the ranking results are presented from both the researcher’s own analysis and an expert‐opinion questionnaire, enabling a direct comparison. The findings reveal that countries with agile organizational structures, technology-driven smart policies, and integrated civil-military collaboration have developed more efficient and adaptive medical support systems. Furthermore, all seven militaries have begun deploying intelligent tools—such as artificial intelligence, Internet of Things platforms, unmanned aerial medical vehicles, robotics, and RFID—in their medical logistics operations. These best practices offer valuable insights for redesigning and upgrading the military medical support system of the Islamic Republic of Iran’s armed forces. | ||
| کلیدواژهها [English] | ||
| Comparative Study, Medical Support, Smartization, Armed Forces, Multi-Criteria Decision-Making | ||
| مراجع | ||
|
آرمون، آرش،1385: 11، مروری بر مفاهیم و ماهیت لجستیک نظامی،دومین کنفرانس لجستیک و زنجیره تامین،تهران،https://civilica.com/doc/8944.
Anand, M., Nikhil, K., Nisarga, C. M., Rakshitha, K. N., & S-AI-Smruthi, A. P. (2024). “Jeevan Raksha” for Military Ground Robot Using IoT and ML. International Journal of Advanced Research in Computer and Communication Engineering, 13(12).
Borisov, D. N., Kul, S. V., Sevryukov, V. V., Troshko, I. V., & Lemeshkin, R. N. (2019). APPLICATION OF ARTIFICIAL INTELLIGENCE AT THE ORGANIZATION OF TREATMENT AND DIAGNOSTIC EVENTS. Russian Military Medical Academy Reports, 38(4), 122-125.
Bora, E. S. (2023). Artificial Intelligence in Emergency Medicine. Journal of Experimental and Basic Medical Sciences, 4(1), 033-036.
Babar, R. (2024). Unlocking IoMT and AI’s Potential for Pakistan’s Defence Infrastructure. Centre for Strategic and Contemporary Research. Retrieved from https://cscr.pk/explore/themes/defense security/unlocking-iomt-and-AIs-potential-for-pakistans-defence-infrastructure.
Christopher, M. (2016). Logistics & Supply Chain Management. Pearson Education.
Castro, L., Lefebvre, E., & Lefebvre, L. A. (2013). Adding intelligence to mobile asset management in hospitals: the true value of RFID. Journal of medical systems, 37, 1-17.
Day, J. M., Melnyk, S. A., Larson, P. D., Davis, E. W., & Whybark, D. C. (2012). Humanitarian and disaster relief supply chains: a matter of life and death. Journal of Supply Chain Management, 48(2), 21-36.
Di Vizio, D., Erdbruegger, U., & Lötvall, J. (2023). ISEV Abstract Book.
Demir, K., & Yilmaz, E. (2022). Bayraktar Med-Drone for Combat. Defence Technology, 18(4), 112-125.
Behera, A. A., et al. (2023). ATRACT: A Trustworthy Robotic Autonomous system to support Casualty Triage (project). Edge Hill University / University of Portsmouth. Retrieved March 21, 2023.
Gilmore, C. K., Chaykowsky, M., & Thomas, B. (2019). Autonomous unmanned aerial vehicles for blood delivery. RAND Corporation, Santa Monica, California.
Holguín-Veras, J., Jaller, M., Van Wassenhove, L. N., Pérez, N., & Wachtendorf, T. (2012). On the unique features of post-disaster humanitarian logistics. Journal of Operations Management, 30(7-8), 494-506.
Janney, J. B., Premkumar, J., Krishnakumar, S., Shivani, S. A., Atchaya, E., & Kanmani, P. G. (2022, August). AI ambulance drone for medical surveillance. In Journal of Physics: Conference Series (Vol. 2318, No. 1, p. 012023). IOP Publishing.
Kovács, G., & Spens, K. M. (2009). Identifying Challenges in Humanitarian Logistics. International Journal of Physical Distribution & Logistics Management, 39(6), 506-528.
Kovács, G., & Spens, K. M. (2007). Humanitarian logistics in disaster relief operations. International journal of physical distribution & logistics management, 37(2), 99-114.
Kotiv, B. N., Budko, I. A., Ivanov, I. A., & Trosko, I. U. (2021). Artificial intelligence using for medical diagnosis via implementation of expert systems. Bulletin of the Russian Military Medical Academy, 23(1), 215-224.
Litke, R. M. (2005). Military Logistics: A Historical Perspective. Journal of Logistics Management, 12(3), 45-60.
Lambert, D. M., Stock, J. R., & Ellram, L. M. (1998). Fundamentals of Logistics Management. McGraw-Hill.
Lu, W. (2023). Application cost of intelligent intrusion detection in medical logistics management under public cloud environment. Computers and Electrical Engineering, 112, 109014.
Li, Y., Wang, M., Wang, L., Cao, Y., Liu, Y., Zhao, Y., & Kang, H. (2024). Advances in the application of robots in critical care: scoping review. Journal of Medical Internet Research, 26, e54095.
Liu, X., & Wang, Q. (2022). Autonomous Rescue Robot for High-Altitude Casualty Evacuation. Nature Military Technology, 3(1), 112-125.
Mangan, J., Lalwani, C., & Butcher, T. (2012). Global Logistics and Supply Chain Management. Wiley.
NATO. (2019). Medical support manual for NATO operations. NATO Standardization Office.
Nemeth, C., Amos-Binks, A., Rule, G., Laufersweiler, D., Keeney, N., Flint, I., Pinevich, Y., & Herasevich, V. (2023). TCCC Decision Support with Machine Learning Prediction of Hemorrhage Risk, Shock Probability. Military Medicine, 188(Suppl 6), 659–665.
Overstreet, R. E., Hall, D., Hanna, J. B., & Kelly Rainer Jr, R. (2011). Research in humanitarian logistics. Journal of humanitarian logistics and supply chain management, 1(2), 114-131.
Petrov, D., & Sokolov, V. (2022). Robotic MedEvac Systems in Russian Military Operations: Uran-9 Medical Module. Robotics in Medicine, 4(3), 112-125.
Pauer, F., Schmidt, K., Babac, A., Damm, K., Frank, M., & von der Schulenburg, J. M. G. (2016). Comparison of different approaches applied in analytic hierarchy process–An example of information needs of patients with rare diseases. BMC medical informatics and decision making, 16(1), 117.
Rizzardi, A., Sicari, S., & Coen-Porisini, A. (2024). IoT-driven blockchain to manage the healthcare supply chain and protect medical records. Future Generation Computer Systems, 161, 415-431.
Richard m. Leighton (2001) “military logistics”. Britanica encyclopedia.
Saaty, T. L. (2008). Decision making with the analytic hierarchy process. International journal of services sciences, 1(1), 83-98.
Smith, K., Park, J., & Son, C. (2024, June). Artificial Intelligence for Emergency Medical Service. In Proceedings of the International Symposium on Human Factors and Ergonomics in Health Care (Vol. 13, No. 1, pp. 1-6). Sage CA: Los Angeles, CA: SAGE Publications.
Stallings, J. D., Laxminarayan, S., Yu, C., Kapela, A., Frock, A., Cap, A. P., & Reifman, J. (2023). APPR-AI-SE-HRI: an artificial intelligence algorithm for triage of hemorrhage casualties. Shock, 60(2), 199-205.
Sheridan, D. (2023). Self-driving army vehicle allows injured soldiers to operate it while lying down.
Tan, S., & Mills, G. (2024). Designing Chinese hospital emergency departments to leverage artificial intelligence—a systematic literature review on the challenges and opportunities. Frontiers in Medical Technology, 6, 1307625.
Umer, L., Khan, M. H., & Ayaz, Y. (2023). Transforming healthcare with artificial intelligence in pakistan: a comprehensive overview. Pak Armed Forces Med J, 73(4), 955-63.
Van Wassenhove, L. N. (2006). Humanitarian aid logistics: supply chain management in high gear. Journal of the Operational research Society, 57(5), 475-489. | ||
|
آمار تعداد مشاهده مقاله: 19 تعداد دریافت فایل اصل مقاله: 6 |
||