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.

اگر مایل به تهیه نسخه پاورپوینت مقاله "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" هستید اینجا کلیک نمایید.

اگر مایل به تهیه نسخه متن خلاصه شده مقاله "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" هستید اینجا کلیک نمایید.

و برای خرید ترجمه کامل مقاله با فرمت ورد از دکمه های زیر استفاده نمایید.