ترجمه مقاله تحلیل مدیریت ارتباط با مشتری بر روی بیماران سرپایی در یک بیمارستان بیماری های عفونی در چین – نشریه الزویر
عنوان فارسی: | تحلیل مدیریت ارتباط با مشتری بر روی بیماران سرپایی در یک بیمارستان بیماری های عفونی در چین با استفاده از مدل تازگی- فراوانی- ارزش پولی نسبت دارویی |
عنوان انگلیسی: | Customer relationship management analysis of outpatients in a Chinese infectious disease hospital using drug-proportion recency-frequency-monetary model |
تعداد صفحات مقاله انگلیسی : 8 | تعداد صفحات ترجمه فارسی : 21 (2 صفحه رفرنس انگلیسی) |
سال انتشار : 2021 | نشریه : الزویر - Elsevier |
فرمت مقاله انگلیسی : pdf و ورد تایپ شده با قابلیت ویرایش | فرمت ترجمه مقاله : pdf و ورد تایپ شده با قابلیت ویرایش |
فونت ترجمه مقاله : بی نازنین | سایز ترجمه مقاله : 14 |
نوع مقاله : ISI | نوع نگارش : مقالات پژوهشی (تحقیقاتی) |
پایگاه : اسکوپوس | نوع ارائه مقاله : ژورنال |
ایمپکت فاکتور(IF) مجله : 4.821 در سال 2020 | شاخص H_index مجله : 106 در سال 2021 |
شاخص SJR مجله : 1.124 در سال 2020 | شناسه ISSN مجله : 1386-5056 |
شاخص Q یا Quartile (چارک) : Q1 در سال 2020 | کد محصول : 12514 |
محتوای فایل : zip | حجم فایل : 1.83Mb |
رشته و گرایش های مرتبط با این مقاله: مدیریت - پزشکی - مدیریت منابع انسانی - مدیریت پروژه - انفورماتیک پزشکی |
مجله: International Journal of Medical Informatics |
کلمات کلیدی: CRM - مدل dRFM - k- میانگین - بیمارستان های مربوط به بیماری های عفونی - انواع بیماران |
کلمات کلیدی انگلیسی: CRM - dRFM model - K-means - Hospitals for infectious diseases - Patient types |
وضعیت ترجمه عناوین تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه متون داخل تصاویر و جداول: ترجمه شده است ✓ |
وضعیت ترجمه منابع داخل متن: به صورت عدد درج شده است ✓ |
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است ✓ |
ضمیمه: ندارد ☓ |
بیس: است ✓ |
مدل مفهومی: ندارد ☓ |
پرسشنامه: ندارد ☓ |
متغیر: دارد ✓ |
فرضیه: ندارد ☓ |
رفرنس: دارای رفرنس در داخل متن و انتهای مقاله |
رفرنس در ترجمه: در انتهای مقاله درج شده است |
doi یا شناسه دیجیتال: https://doi.org/10.1016/j.ijmedinf.2020.104373 |
چکیده
1. مقدمه
2. داده ها و روش ها
3. نتایج
4. بحث
5. محدودیت ها و تحقیقات آینده
6. نتیجه گیری
منابع
چکیده
زمینه: تشخیص انواع بیماران با ارزش های اقتصادی مختلف می تواند برای توسعۀ بیمارستان مفید باشد.
هدف: این تحقیق از تئوری مدیریت ارتباط با مشتری (CRM) جهت تحلیل بیماران سرپایی در بیمارستان بیماری های عفونی در شانگهای چین استفاده می کند.
روش ها: کلا 2,271,020 عنصر داده از بیماران سرپایی در واحد تحقیقاتی بین آگوست 2009 و دسامبر 2019 برای به دست آوردن 171,107 عنصر دادۀ معتبر (1 عنصر به ازای هر فرد) استخراج، تحلیل و شفاف سازی شد. بیماری های اصلی، بیماری ویروسی هپاتیت B (VHB) و سندرم نقص ایمنی اکتسابی (ایدز) بودند و درصد میانگین هزینۀ دارو 80.39 % بود.
ما مدل RFM کلاسیک (R: تازگی، F: فراوانی، M: ارزش پولی) را در CRM به طور خلاقانه به مدل dRFM (d: هزینه های دارویی) توسعه دادیم و بهترین الگوریتم خوشه بندی را از روش های K میانگین، روش های کوهونن و خوشه بندی دو مرحله ای برای یافتن مدل بهینه جهت تشخیص انواع بیماران با ارزش های اقتصادی متفاوت و بهترین الگوریتم تصمیم گیری را از درخت رگرسیون دسته بندی C5.0, CART، الگوریتم های CHAID و QUEST برای تأیید مدل انتخاب کردیم.
نتایج: پس از اجرای 2 دور تحلیل خوشه بندی K میانگین بر روی سه مدل RFM, RFM+ Drfm, dRFM ، 97,855 عنصر داده حفظ شدند. مدل RFM+ Drfm با دسته بندی بیماران به سه نوع مدل بهینه بود: بیماران پتانسیلی (24.2 %) که باید با یک هزینۀ دارویی و آخرین ویزیت در بیش از 19.06 ماه حفظ می شدند، بیماران با ارزش بالا (24.5 %) که با آخرین ویزیت در حدود 6.66 ماه گذشته باید جذب می شدند، و بیماران پایه (51.3 %) با آخرین ویزیت در حدود 3.7 ماه قبل که باید انتخاب می شدند. سپس، مدل با استفاده از الگوریتم درخت تصمیم C5.0 با یک نرخ صحت 99.97 % تأیید شد.
جمع بندی: این تحلیل عینی CRM از بیماران در بیمارستان مربوط به بیماری های عفونی با استفاده از مدل dRFM با فراهم نمودن اساسی عینی و مؤثر برای مدیریت بیمارستان سه نوع مختلف بیماران را به طور صحیح تشخیص داده است.
2. داده ها و روش ها
2.1 جمع آوری داده ها و پیش پردازش
با استفاده از روش های مطالعات قبلی [16-18, 21]، درکل 2,271,020 عنصر داده از بیمارانی که بخش بیماران سرپایی را در واحد تحقیقات در بازۀ زمانی 1 آگوست 2009 و 31 دسامبر 2019 ویزیت کردند، از HIS استخراج شد. داده ها شامل فیلدهای زمانی ویزیت ها، شمارۀ شناسۀ بیمار، جنس، سن، محل سکونت (محلی یا میدانی)، تشخیص، هزینۀ درمانی و هزینۀ دارویی بود. ما از نمایش منسجم تشخیص بر اساس کد دسته بندی بین المللی بیماری ها (ICD- 10) معیارهای اصلی تشخیص که برای مشخصات گروه بیماری به کار رفت، استفاده کردیم [21].
در شانگهای، چین، درمان با نام واقعی خود اجرا می شود، و شمارۀ شناسه تنها زمینۀ مورد نیاز برای تشخیص هویت بیمار است. پکیج نرم افزاری 22.0(SPSS) Statistical Product and Service Solutions و 18.0SPSS Modeler برای تحلیل داده ها به کار رفت. 18.0SPSS Modeler برای محاسبات به کار رفت و پارامترها را به عنوان خروجی به مدل داد.
سپس، توسعه و پاکسازی فیلد را بر اساس عناصر داده با استفاده از روش مطالعات قبلی [16-18, 21] بر اساس مراحل زیر به کار گرفتیم: (1) اضافه کردن فیلد «ماه مشاورۀ اخیر» و تشکیل یک متغیر جدید، با دسامبر 2019 به عنوان اولین ماه، نوامبر 2019 به عنوان دومین ماه و به همین ترتیب تا آگوست 2009 به عنوان 125امین ماه؛ (2) اضافه کردن 3 فیلد: جمع بستن هزینه های پزشکی هر بیمار، هزینه های دارویی کلی و فراوانی ویزیت ها؛ (3) اجرای 3 متغیر جدید به صورت زیر [2]:
میانگین هزینه پزشکی به ازای هر ویزیت= هزینۀ پزشکی کل/هزینۀ دارویی کل/فراوانی ویزیت ها/درصد هزینه دارویی (%)=(میانگین هزینه دارویی به ازای هر ویزیت/میانگین هزینه پزشکی به ازای هر ویزیت)×100%
داده ها بررسی شد و موارد تکراری حذف شد. در نتیجه، یک مجموعه دادۀ مؤثر (یک عنصر داده برای هر فرد) به دست آمد.
و برای خرید ترجمه کامل مقاله با فرمت ورد از دکمه های زیر استفاده نمایید.