تلفن: ۰۴۱۴۲۲۷۳۷۸۱
تلفن: ۰۹۲۱۶۴۲۶۳۸۴

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
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
فهرست مطالب

چکیده

1. مقدمه

2. داده ها و روش ها

3. نتایج

4. بحث

5. محدودیت ها و تحقیقات آینده

6. نتیجه گیری

منابع

نمونه متن ترجمه

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.

تصاویر فایل ورد ترجمه مقاله (جهت بزرگنمایی روی عکس کلیک نمایید)