اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شماره‌ها | 1,240 |
| تعداد مقالات | 8,994 |
| تعداد مشاهده مقاله | 7,847,200 |
| تعداد دریافت فایل اصل مقاله | 4,707,673 |
ارائه مدل دوهدفه برنامهریزی تصادفی خدمات پرستاری | ||
| مدیریت زنجیره تأمین | ||
| مقاله 6، دوره 21، شماره 65، بهمن 1398، صفحه 73-88 اصل مقاله (1.22 M) | ||
| نوع مقاله: پژوهشی | ||
| نویسندگان | ||
| مهدی یوسفی نژاد عطاری* 1؛ ویدا کرباسی2؛ سیروان شریفی3 | ||
| 1عضو هیات علمی دانشگاه آزاد اسلامی واحد بناب | ||
| 2دانشکده مهندسی صنایع و مکانیک، واحد قزوین | ||
| 3عضو هیات علمی گروه مهندسی صنایع، دانشگاه آزاد اسلامی، واحد بناب، بناب، ایران | ||
| تاریخ دریافت: 29 آذر 1398، تاریخ بازنگری: 17 فروردین 1399، تاریخ پذیرش: 30 فروردین 1399 | ||
| چکیده | ||
| از دلایل بالا بودن مدت‌زمان انتظار بیماران در بیمارستانها، نبود کادر متخصص کافی در بیمارستان است، لذا بهینه نبودن هزینه‌ها و رضایت شغلی کادر پرستاری بیمارستانها نشأت‌گرفته از به‌کارگیری روشهای سنتی و غیرعلمی در تخصیص پرستاران به شیفتها میباشد. مقاله حاضر جهت تعیین حداقل پرستار موردنیاز با توجه به مراجعه بیماران در زمانهای مختلف، تعیین برنامه نوبت‌کاری با کمترین ساعت‌کاری موردنیاز و برنامهریزی نوبت‌کاری پرستاران در هر یک از شیفتها با کمترین هزینه برای بخش اورژانس انجام میشود. روش تحقیق پژوهش حاضر از نوع مدلسازی ریاضی و جامعه پژوهش، بیماران مراجعه‌کننده به بخش اورژانس و پرستاران یک مرکز درمانی در نظر گرفته‌شده است. تجزیه‌وتحلیل اطلاعات؛ ترکیبی از روشهای پیشبینی، مدلهای تئوری صف و برنامهریزی خطی عدد صحیح است. برای پیشبینی میزان بیماران مراجعه‌کننده به اورژانس از روش سری زمانی و ابزار ARIMA و جهت بررسی سیستم صف با ظرفیت محدود از مدل M/M/C/K استفاده‌شده است. از مهم‌ترین نتایج این تحقیق، تعیین بیشینه تعداد پرستارهای در دسترس در هر شیفت است. همچنین از دیگر نتایج این تحقیق، مقایسه کارایی هر یک از الگوریتم‌های فرا ابتکاری ژنتیک مرتب‌سازی نامغلوب (NSGA-II) و الگوریتم زنبورها (BA) نسبت به شاخص‌های تعریف‌شده میباشد. | ||
| کلیدواژه‌ها | ||
| مدیریت خدمات پرستاری؛ سری‌های زمانی؛ تئوری صف؛ الگوریتم ژنتیک مرتب‌سازی نامغلوب؛ الگوریتم زنبورها | ||
| عنوان مقاله [English] | ||
| Presenting a bi-objective random planning model for nursing services | ||
| نویسندگان [English] | ||
| Mahdi yousefi nejad Attari1؛ Vida Karbasi2؛ Sirvan Sharifi3 | ||
| 1Industrial Engineering, Islamic Azad University, Bonab Branch, Bonab, Iran | ||
| 2, Faculty of Industrial and Mechanical Engineering, Qazvin Branch, Islamic Azad University, Qazvin | ||
| 3Department of Industrial Engineering, Islamic Azad University, Bonab Branch, Bonab, Iran | ||
| چکیده [English] | ||
| One of the reasons for the high waiting time for patients in hospitals is the the lack of sufficient staff in the hospital, so the inefficiency of costs and job satisfaction of hospital nursing staff stems from the use of traditional and unscientific methods in allocating nurses to shifts. The present study is designed to determine the minimum number of nurse required according to the number of patients referred at different times, determine the shift schedule with the least required hours and schedule shifts for nurses in each shift with the lowest cost for the emergency department. The research method of the present study is of the mathematical modeling and research community, patients referring to the emergency department and nurses of a medical center. Data analysis is a combination of predictive methods, queuing theory models, and linear numerical programming. To predict the number of patients referring to the emergency, the time series method and ARIMA tools were used, and the M/M/C/K model was used to examine the queue system with limited capacity. One of the most important results of this study is to determine the maximum number of nurses available in each shift. Another result of this study is the comparison of the performance of each of the meta-heuristic Non-dominated Sorting Genetic Algorithm (NSGA-II) and the Bee Algorithm (BA) with respect to the defined indicators. | ||
| کلیدواژه‌ها [English] | ||
| Nursing service management, Time series, Queueing theory, Non-dominated sorting genetic algorithm | ||
| مراجع | ||
|
[1] S. Ghaffari, T. J. Jackson, C. M. Doran, A. Wilson, and C. Aisbett, “Describing Iranian hospital activity using Australian Refined DRGs: A case study of the Iranian Social Security Organisation,” Health Policy (New. York)., vol. 87, no. 1, pp. 63–71, Jul. 2008. [2] J. Trybou, P. Gemmel, and L. Annemans, “Provider accountability as a driving force towards physician-hospital integration: a systematic review.,” Int. J. Integr. Care, vol. 15, p. e010, 2015. [3] D. Sinreich and Y. N. Marmor, “A Simple and Intuitive Simulation Tool for Analyzing Emergency Department Operations,” in Proceedings of the 36th Conference on Winter Simulation, 2004, pp. 1994–2002. [4] S. Takakuwa and H. Shiozaki, “Functional analysis for operating emergency department of a general hospital,” in Proceedings of the 2004 Winter Simulation Conference, 2004., 2004, vol. 2, pp. 2003–2011 vol.2. [5] M. L. García, M. A. Centeno, C. Rivera, and N. DeCario, “Reducing Time in an Emergency Room via a Fast-track,” in Proceedings of the 27th Conference on Winter Simulation, 1995, pp. 1048–1053. [6] S. Mahapatra, C. P. Koelling, L. Patvivatsiri, B. Fraticelli, D. Eitel, and L. Grove, “Pairing emergency severity index5-level triage data with computer aided system design to improve emergency department access and throughput,” in Winter Simulation Conference, 2003, vol. 2, pp. 1917–1925. [7] M. J. Kraitsik and A. Bossmeyer, “Simulation applied to planning an emergency department expansion,” in JG Anderson. 1992 Western Simulation Multiconference: Simulation in Health Care and Social Services, 1992, pp. 19–27. [8] M. J. Miller, D. M. Ferrin, and J. M. Szymanski, “Emergency Departments II: Simulating Six Sigma Improvement Ideas for a Hospital Emergency Department,” in Proceedings of the 35th Conference on Winter Simulation: Driving Innovation, 2003, pp. 1926–1929. [9] S. Samaha, W. S. Armel, and D. W. Starks, “Emergency Departments I: The Use of Simulation to Reduce the Length of Stay in an Emergency Department,” in Proceedings of the 35th Conference on Winter Simulation: Driving Innovation, 2003, pp. 1907–1911. [10] R. H. T. Edwards, J. E. Clague, J. Barlow, M. Clarke, P. G. Reed, and R. Rada, “Pragmatics,” Heal. Care Anal., vol. 2, no. 2, pp. 164–169, 1994. [11] C.-C. Tsai and S. H. A. Li, “A two-stage modeling with genetic algorithms for the nurse scheduling problem,” Expert Syst. Appl., vol. 36, no. 5, pp. 9506–9512, Jul. 2009. [12] H. M. AUF’M HOFE, “SOLVING ROSTERING TASKS BY GENERIC METHODS FOR CONSTRAINT OPTIMIZATION,” Int. J. Found. Comput. Sci., vol. 12, no. 05, pp. 671–693, 2001. [13] A. Guerrero, D. K. Barnes, and H. M. Pattison, “Emergency Department of the New Era,” in The Modern Hospital, Springer, 2019, pp. 213–229. [14] R. Khasha, M. M. Sepehri, and T. Khatibi, “An analytical model based on simulation aiming to improve patient flow in a hospital surgical suite,” J. Ind. Syst. Eng., vol. 12, no. 1, pp. 66–82, 2019. [15] M. Rabbani, A. Farshbaf-Geranmayeh, and R. Yazdanparast, “A simulation optimization approach for integrated resource allocation in an emergency department, pharmacy, and lab,” Intell. Decis. Technol., vol. 12, no. 2, pp. 187–212, 2018. [16] X. Wu, R. Xu, J. Li, and M. T. Khasawneh, “A simulation study of bed allocation to reduce blocking probability in emergency departments: A case study in China,” J. Oper. Res. Soc., vol. 70, no. 8, pp. 1376–1390, 2019.
. | ||
|
آمار تعداد مشاهده مقاله: 440 تعداد دریافت فایل اصل مقاله: 285 |
||