ارائه چارچوبی برای پیش‌بینی وضعیت تحویل کالای مراقبت‌های بهداشتی و مدیریت زنجیره تأمین مراقبت‌های بهداشتی داده‌محور برپایه تکنیک ماشین بردار پشتیبان و بهینه‌سازی بیزی: مطالعه‌موردی زنجیره تأمین مراقبت‌های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده

نوع مقاله : پژوهشی اصیل

نویسندگان
فرید دانشگر 1
علی رجب زاده 2
محمدعلی افشارکاظمی 3
1 دانشجوی رشته دکتری مدیریت فناوری اطلاعات، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت و اقتصاد، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران.
2 استاد، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه تربیت مدرس، تهران، ایران.
3 دانشیار، گروه مدیریت صنعتی، دانشکده مدیریت و اقتصاد، دانشگاه آزاد اسلامی، واحد تهران مرکزی، تهران، ایران.
چکیده
تحویل به‌موقع داروها، تجهیزات پزشکی و سایر لوازم ضروری برای مراقبت از بیمار بسیار حیاتی بوده و اغلب می‌تواند نجات‌دهنده باشد. تأخیر تحویل در زنجیره تأمین مراقبت‌های بهداشتی می‌تواند منجر به افزایش هزینه‌ها و چالش‌های عملیاتی برای سازمان‌های حوزه سلامت شده و بر مراقبت از بیمار و ثبات مالی تأثیر بگذارد. مدیریت زنجیره تأمین کارآمد و قابل اعتماد برای کاهش این خطرها و اطمینان از عملکرد یکپارچه در صنعت مراقبت‌های بهداشتی بسیار حائز اهمیت است. این پژوهش بهمسئله تأخیر در تحویل کالای مراقبت‌های بهداشتی در زنجیره تأمین مراقبت‌های بهداشتی جهانی آژانس جهانی توسعه ایالات متحده پرداخته و یک چارچوب برای پیش‌بینی وضعیت تحویل کالاهای مراقبت‌های بهداشتی ارائه می­نماید. همچنین ویژگی‌هایی که بیشترین تأثیر را در پیش­‌بینی وضعیت تحویل کالا داشته­‌اند، برای مدیریت زنجیره تأمین مراقبت‌های بهداشتی داده‌محور تعیین می‌‌کند. روش پژوهش مطالعه پیش‌رو، علم طراحی است که یک چارچوب بر‌پایه روش ماشین‌بردار پشتیبان و بهینه‌سازی بیزی برای پیش‌بینی وضعیت تحویل کالاهای مراقبت‌های بهداشتی را ارائه کرده و عملکردهای مختلف الگوریتم‌های طبقه‌بندی برای پیش‌بینی وضعیت تحویل کالای مراقبت‌های بهداشتی را مقایسه کرده است. نتایج نشان می‌دهد که چارچوب ارائه‌شده بر‌پایه روش ماشین بردار پشتیبان و بهینه‌سازی بیزی منجر به دقت طبقه‌بندی ۹۵ درصد می‌شود که در مقایسه با دیگر روش‌های به‌کار گرفته‌شده برای پیش‌بینی تأخیر تحویل عملکرد بهتری دارد. نتایج حاصل نشان داد که ویژگی‌های کشور مقصد، روش حمل، تأمین­‌کننده و مکان تولید تأثیرگذارترین ویژگی‌ها در پیش­‌‌بینی وضعیت تحویل می‌باشند.
کلیدواژه‌ها
یادگیری ماشین
مدل پیش‌بینی
تأخیر در تحویل
زنجیره تأمین مراقبت‌های بهداشتی

موضوعات

عنوان مقاله English

A framework for predicting the delivery status of health commodities and data-driven healthcare supply chain management based on support vector machine technique and bayesian optimization: Case of the global healthcare supply chain of the United States Agency for International Development

نویسندگان English

Farid Daneshgar 1
Ali Rajabzadeh 2
Mohammad Ali Afsharkazemi 3
1 PhD candidate in Information Technology Management, Department of Information Technology, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran.
2 Professor,Department of Industrial Management, Faculty of Management, Tarbiat Modares University, Tehran, Iran.
3 Associate Professor, Department of Industrial Management, Faculty of Management and Economics, Science and Research Unit, Islamic Azad University, Tehran, Iran.
چکیده English

Objective: Timely delivery of medications, medical equipment, and other essential supplies is critical to patient care and can often be life-saving. Delivery delays in the healthcare supply chain can lead to increased costs and operational challenges for healthcare organizations and affect patient care and financial stability. Efficient and reliable supply chain management is critical to reduce these risks and ensure integrated performance in the health industry. This research addresses the delay in the delivery of health commodities in the global health supply chain of the United States Agency for International Development. It presents a framework based on the support vector machine technique and Bayesian optimization to predict the delivery status of health commodities. It also determines the features that have had the greatest impact in predicting the status of commodities delivery for data-driven health supply chain management.

Method: The study's research method is design science, which presents a framework based on the support vector machine technique and Bayesian optimization to predict the delivery status of health commodities. It also compares the performance of different classification algorithms to predict the transportation status.

Findings: The results indicate that the presented framework based on the support vector machine technique and Bayesian optimization leads to a classification accuracy of 95%, outperforming other techniques to predict delivery delay. The results showed that the features of the destination country, shipping method, supplier, and production location are the most influential features in predicting the delivery status.

کلیدواژه‌ها English

Machine learning
prediction model
delivery delay
healthcare supply chain
[1] Arora M, Gigras Y. Importance of supply chain management in healthcare of third world countries. International Journal of Supply and Operations Management. 2018;5(1):101-6.
[2] Privett N, Gonsalvez D. The top ten global health supply chain issues: perspectives from the field. Operations Research for Health Care. 2014;3(4):226-30.
[3] Lugada E, Komakech H, Ochola I, Mwebaze S, Olowo Oteba M, Okidi Ladwar D. Health supply chain system in Uganda: current issues, structure, performance, and implications for systems strengthening. Journal of pharmaceutical policy and practice. 2022;15(1):14.
[4] Nichols JA, Herbert Chan HW, Baker MA. Machine learning: applications of artificial intelligence to imaging and diagnosis. Biophysical reviews. 2019;11:111-8.
[5] دانشگر, فرید, قطری رز, کاظمی ا. کسب دانش از زنجیره تامین سلامت: روندها، تحلیل، نگرانی ها، پاسخ ها به همه گیری کویید-19. پژوهش های نوین در تصمیم گیری. 2024.
[6] Hippold S. Gartner Predicts the Future of Supply Chain Technology Stamford: Gartner; 2021 [updated April 14, 2021; cited 2024 July 2th]. Available from: https://www.gartner.com/en/articles/gartner-predicts-the-future-of-supply-chain-technology.
[7] Abbas K, Afaq M, Ahmed Khan T, Song W-C. A blockchain and machine learning-based drug supply chain management and recommendation system for smart pharmaceutical industry. Electronics. 2020;9(5):852.
[8] Leite H, Lindsay C, Kumar M. COVID-19 outbreak: Implications on healthcare operations. The TQM Journal. 2020;33(1):247-56.
[9] Van Andel B. A machine learning approach to shipment consolidation. MaRBLe. 2018;2.
[10] Milovancevic M, Petkovic D. Adaptive neuro fuzzy estimation of important factors for e-commerce product shipment delivery
8th International Conference on Transportation and Logistics; 3 December; Nis, Serbia2021. p. 53.
[11] Keung KL, Lee CK, Yiu YH, editors. A machine learning predictive model for shipment delay and demand forecasting for warehouses and sales data. 2021 ieee international conference on industrial engineering and engineering management (ieem); 2021: IEEE.
[12] Alnahhal M, Ahrens D, Salah B. Dynamic lead-time forecasting using machine learning in a make-to-order supply chain. Applied Sciences. 2021;11(21):10105.
[13] Garg R, Kiwelekar AW, Netak LD. Logistics and Freight Transportation Management: An NLP based Approach for Shipment Tracking. Pertanika Journal of Science & Technology. 2021;29(4).
[14] Ubaid A, Hussain F, Saqib M. Container shipment demand forecasting in the Australian shipping industry: A case study of Asia–Oceania trade lane. Journal of Marine Science and Engineering. 2021;9(9):968.
[15] Hathikal S, Chung SH, Karczewski M. Prediction of ocean import shipment lead time using machine learning methods. SN Applied Sciences. 2020;2(7):1272.
[16] Ermagun A, Punel A, Stathopoulos A. Shipment status prediction in online crowd-sourced shipping platforms. Sustainable Cities and Society. 2020;53:101950.
[17] Wen Y-H. Shipment forecasting for supply chain collaborative transportation management using grey models with grey numbers. Transportation Planning and Technology. 2011;34(6):605-24.
[18] Polim R. Real-Time Supply Chain Analytics-Shipment Duration Prediction. 2016.
[19] Steinberg F, Burggräf P, Wagner J, Heinbach B, Saßmannshausen T, Brintrup A. A novel machine learning model for predicting late supplier deliveries of low-volume-high-variety products with application in a German machinery industry. Supply Chain Analytics. 2023;1:100003.
[20] Salari N, Liu S, Shen Z-JM. Real-time delivery time forecasting and promising in online retailing: When will your package arrive? Manufacturing & Service Operations Management. 2022;24(3):1421-36.
[21] Özdemir R, Taşyürek M, Aslantaş V. Improved Marine Predators Algorithm and Extreme Gradient Boosting (XGBoost) for shipment status time prediction. Knowledge-Based Systems. 2024;294:111775.
[22] Peffers K, Tuunanen T, Rothenberger MA, Chatterjee S. A design science research methodology for information systems research. Journal of management information systems. 2007;24(3):45-77.
[23] Cristianini N, Shawe-Taylor J. An introduction to support vector machines and other kernel-based learning methods: Cambridge university press; 2000.
[24] Anderson MR, Cafarella M, editors. Input selection for fast feature engineering. 2016 IEEE 32nd International Conference on Data Engineering (ICDE); 2016: IEEE.
[25] Victoria AH, Maragatham G. Automatic tuning of hyperparameters using Bayesian optimization. Evolving Systems. 2021;12:217-23.
[26] Daneshgar F, Hoseini V. A New Framework of Credit Scoring System Based On Support Vector Machine for Credit Risk Management: Evidence from Banks and Financial Institutions. Journal of Economic & Management Perspectives. 2017;11(3):557-65.
[27] Frazier PI. A tutorial on Bayesian optimization. arXiv preprint arXiv:180702811. 2018.
[28] Linardatos P, Papastefanopoulos V, Kotsiantis S. Explainable ai: A review of machine learning interpretability methods. Entropy. 2020;23(1):18.
[29] Molnar C. Interpretable machine learning: Lulu. com; 2020.
پژوهش های مدیریت منابع سازمانی
دوره 14، شماره 3
آذر 1403
صفحه 45-72