در سیستم سلامت با توجه به ظرفیت‏های پایین رقابت و طبیعت خاص بیمار، جذب و نگهداشت بیمار جهت موفقیت مجموعه‏ی تامین‏کننده خدمات سلامت امری ضروری است. از طرفی، در دیگر صنایع مفاهیم مدیریت ارتباط با مشتری، سود و بازاریابی تعریف شده و استفاده می‏گردند. اما استفاده مستقیم آنها در صنعت سلامت با توجه به موارد ذکر شده امکان‏پذیر نیست، لذا مدیریت ارتباط با بیمار به عنوان جایگزینی مناسب مطرح شده است. لذا در این تحقیق مفاهیم مدیریت ارتباط با بیمار، کیفیت خدمات بیمارستانی، رضایتمندی بیمار و ارتباط آنها با یکدیگر بررسی می‏گردد. از آنجا که تبیین اهداف مدیریت ارتباط با بیمار با هدف ارتقای رضایتمندی بیماران و افزایش میزان تمایل به بازگشت مجدد است، با استفاده از تکنیک داده‏کاوی (استفاده از نرم افزار رپیدماینر و وکا) در پرسشنامه‏های دریافتی از بیماران میزان بازگشت مجدد بیماران تعیین می‏گردد. و بر اساس مدل شاخص جهانی رضایت بیمار و منشور حقوق بیمار میزان رضایتمندی بر حسب میزان تاثیر تعیین می‏گردد و مهم‏ترین اولویت‏های لازم جهت اقدامات بهبودی مشخص می‏گردد. برای رتبه‏بندی منشور حقوق بیمار جهت استفاده در مدل شاخص جهانی رضایت بیمار از روش ahp استفاده گردیده است. در تعیین میزان عدم بازگشت مجدد به بیمارستان گروه‏های مختلف بر اساس خوشه‏بندی بر روی پاسخ پرسشنامه‏ها مشخص شده است و با استفاده از درخت تصمیم بیشترین میزان عدم تمایل به بازگشت مجدد گروه ناراضی در بخش‏های مرتبط تعیین شده است. در انتها برای بکارگیری روند انجام این پژوهش جهت کاربردی شدن آن و رسیدن به نتایج مورد نظر، چارچوبی پیشنهادی برای بیمارستان بیان گردیده است.

این رساله به مسئله مسیریابی وسیله نقلیه در شرکت‏های پخش و توزیع با تأکید بر کاهش هزینه های حمل و نقل می‏پردازد. به‏طور عموم، این شرکت‏ها اقلام مربوط به تقاضاهای واصله را به انبارهای میانی ارسال و پس از مراحل آماده سازی آنها را بین مشتریان (خرده فروشی ها) توزیع می‏کنند.از آنجاکه این هزینه حمل و نقل رقم قابل توجهی از هزینه‏های شرکت‏ها را به خود اختصاص می‏دهد، شرکت‏ها سعی برآن ‏دارند تا با کاهش این هزینه، مزیت رقابتی خود را در بازار تثبیت نمایند. ساختار مسئله مورد پژوهش در این رساله به این صورت است که متقاضیان درخواست های خود را به مرکز اصلی ارسال نموده و تقاضاها پس از بررسی و تجمیع با وسایل حملی که دارای ظرفیت بزرگتری هستند به مراکز میانی حمل می‏شوند، و پس از تخلیه و دسته بندی با استفاده از وسایل حمل با ظرفت کمتر به متقاضیان تحویل می‏گردند. تعیین بهینه تعداد قرارگاه‏ها یا مراکز میانی، مکان استقرارآنها، نحوه اختصاص متقاضیان به این مراکز، سبد سرویس محصولات و مسیریابی سبب کاهش هزینه های حمل و نقل و افزایش رضایت متقاضیان می‏گردد. برای مدلسازی این مسئله، مدلی ریاضی به منظور جانمایی، تخصیص و مسیریابی تحت عنوان مسئله مسیریابی وسایل نقلیه چند ایستگاهی- چند محصولی و چند سطحی با هدف حداقل نمودن هزینه‏های توزیع ارائه شده، که برای حل آن نیز الگوریتمی ابتکاری طراحی و پیشنهاد شده است. این الگوریتم با استفاده از تخصیص منابع محدود بر پایه آزادسازی ضرایب لاگرانژ، مسئله مسیریابی چند محصولی را به چند مسئله تک محصولی تبدیل می-کند. بعد از حل مدل ریاضی هریک از مسائل مسیریابی تک محصولی، با مقایسه ظرفیت تخصیص داده شده و مورد نیاز هر یک از محصولات، تسطیح منابع انجام می شود. عملیات تسطیح ظرفیت‏های باقیمانده تا زمانی انجام می‏گیرد که بهبود قابل توجهی در جواب مسئله ایجاد نشود، دراینصورت جواب مسئله اصلی حاصل شده است. در ادامه، به منظور انطباق مدل طراحی شده با واقعیت های موجود، از تکنیک های خوشه‏بندی برای تعیین تعداد بهینه مراکز توزیع استفاده می شود. در این بخش، با استفاده همزمان از معیارهای فاصله، میزان همزمانی سفارش و ارزش حجمی تقاضا، ابتدا خوشه‏بندی انجام پذیرفته و سپس بر طبق آن مسیریابی محاسبه می‏گردد. بر اساس مطالعه موردی و اعتبار سنجی انجام گرفته دراین تحقیق نشان داده شد که روش طراحی شده سبب استفاده مطلوب از منابع کمیاب، کاهش قابل توجه هزینه های توزیع، افزایش سرعت حل و تعیین بهینه تعداد مراکز توزیع با استفاده از تکنیک های خوشه بندی و ابزارهای داده کاوی می گردد. آزمایشات عددی انجام شده بر پایه داده‏های واقعی شرکت تهیه و توزیع قطعات و لوازم یدکی ایران خودرو (ایساکو)، نشانگر برتری الگوریتم طراحی شده نسبت به مدل دقیق برنامه‏ریزی خطی از ابعاد عملکرد محاسباتی و کیفیت جواب است. در واقع، نشان داده شده است که الگوریتم طراحی شده زمان حل مسائل را به میزان 5 برابر نسبت به زمان حل روش دقیق، کاهش داده، و به علاوه، بکارگیری مدل طراحی شده باعث کاهش 32 درصدی هزینه‏های حمل و نقل توزیع نسبت به شرایط واقعی می‏گردد. مدل و روش حل طراحی شده در این تحقیق علاوه بر آنکه کاهش هزینه‏های توزیع فراهم می‏آورد، می‏تواند در حوزهایی که پخش و توزیع اقلام از کارکردهای اساسی آنهاست مورد استفاده جدی قرار گیرد؛ که از جمله می‏توان به کاربردهای مدل طراحی شده در انواع مسائل حمل ونقل در شبکه بهداشت و درمان به ویژه ارتباطات مراکز بهداشتی و خانه‏های بهداشت، توزیع دارو، و پشتیبانی خدمات پزشکی درمنزل اشاره کرد. کلمات کلیدی: مسیریابی وسایل نقلیه، ضرایب لاگرانژ،آزاد سازی متغیرهای صفرویک، انشعاب و تحدید، شبکه، خوشه‏بندی، مسائل حمل ونقل در شبکه بهداشت و درمان.

از ابعاد و شکل های تقلب در بیمه اتومبیل، می توان به همکاری گروهی برای ارتکاب تقلب اشاره کرد. شرکت های بیمه علاقه زیادی به شناسایی گروه های سازمان یافته کلاهبرداری از بیمه دارند؛ چرا که این گروه ها بیشترین خسارت تحمیلی را برای بیمه موجب می شوند. در این تحقیق، بر اساس روابط بین موجودیت های شبکه تقلب بیمه اتومبیل، ساختار شبکه‏ اجتماعی مناسب جهت شناسایی حلقه تقلب های گروهی در بیمه اتومبیل ارائه شده است. شبکه‏ها عمومی ترین بازنمایی هر دامنه رابطه ای هستند که اجازه فرموله کردن پیچیده ترین روابط بین موجودیت های آن دامنه را فراهم می کنند. سپس با رویکرد تحلیل شبکه‏های اجتماعی به خوشه‏بندی افراد و اتومبیل‏های درگیر در پرونده‏های خسارت، در گروه‏هایی پرداخته‏ایم که ارتباطات بین‏گروهی آنها بیشتر از بقیه افراد شبکه است. در این تحقیق، سنجه جدیدی به نام "شاخص احتمال تقلب" برای اجتماعات، معرفی شده است. این سنجه، معیاری برای شناسایی گروه های مشکوک به تقلب و تصادفات مرتبط با آنها ارائه می‏دهد. آنگاه با مصورسازی و تحلیل شبکه و مشخص کردن فرد یا افراد کلیدی این گروه‏ها، دایره بررسی حلقه تصادفات را برای متخصصین حوزه بازرسی و کشف تقلب بیمه اتومبیل، مشخص‏تر کرده‏ایم. این تحقیق بر اساس داده‏های واقعی موجود یکی از شرکت‏های بیمه کشور انجام گرفته است. داده‏های پاک‏سازی شده، شامل 4,321,901 رکورد است و شبکه ی اجتماعی تشکیل شده از تصادفات، از ارتباطات بین 2,107,979 پرونده خسارت جداگانه، 3,253,466 شماره‏ی پلاک متفاوت و 2,308,574 نفر مختلف تشکیل شده است. تعداد اجتماعات شناسایی شده در این شبکه 245,713 اجتماع می‏باشد. نتایج تحقیق حاکی از توانایی این روش در رتبه‏بندی گروه‏های مشکوک به تقلب است. با توجه به اینکه افرادی که در یک کلاهبرداری بیمه ای باهم همکاری می کنند به طرق مختلفی به همدیگر مرتبط هستند، شناسایی گروه های کلاهبرداری نیازمند نمایش مناسب داده های مربوطه می‏باشد. شرکت های بیمه می توانند با استفاده از روش تحلیل شبکه های اجتماعی و تحلیل روابط بین گروهی اجتماعات مختلف شکل گرفته در شبکه، اقدام به شناسایی حضور حلقه های تقلب سازمان یافته و ادعاهای خسارت جعلی کنند.

امروزه بسیاری از سیستم‏های پیچیده را می‏توان به صورت شبکه نمایش داد. این شبکه‏ها را می‏توان با استفاده از ویژگی‏های ساختاری که دارند تجزیه و تحلیل کرد. وجود ساختار اجتماعی یکی از این ویژگی‏ها است که در تحلیل شبکه‏ها مورد استفاده قرار می‏گیرد. اجتماع در یک شبکه به مجموعهای از گرهها گفته می شود که تعداد یالهایی که این گرهها را به هم وصل کرده بسیار بیشتر از تعداد یالهایی است که این گرهها را به سایر گرههای شبکه وصل کرده است. اجتماعات در شبکه دارای خصوصیات مشترک هستند. مدل‏های ریاضی که برای اجتماع‏یابی توسعه داده شده‏اند اغلب از معیار پودمانگی به عنوان تابع هدف استفاده کرده‏اند. اما اثبات شده است که پودمانگی دارای محدودیت تفکیک‏پذیری است و به تعداد کل‏ یال‏های شبکه وابسته است و بنابراین در برخی شبکه‏های تست نمی‏تواند ساختار درست اجتماعات را شناسایی کند. برای رفع این مشکل یک تابع دیگر معرفی شد که چگالی پودمانگی نامیده شده است. در این تحقیق یک مدل ریاضی minlp برای اجتماع‏یابی در شبکه‏های وزنی و غیروزنی با استفاده از معیار چگالی پودمانگی توسعه داده شد. اجرای مدل ریاضی در نرم‏افزار gams بر روی شبکه‏های تست نشان داد که این مدل در شبکه‏های مورد آزمایش بهتر از مدل ریاضی پودمانگی عمل می‏کند. در ادامه با اجرای الگوریتم بر روی شبکه‏های محک lfr، نشان داده شد که زمان اجرای مدل علاوه بر تعداد گره‏های شبکه و نیز تعداد اجتماعات به ساختار شبکه نیز وابسته است. با توجه به این واقعیت که اجتماع‏یابی جزء مسائل np-hard است؛ مدل ریاضی توسعه داده شده بر روی شبکه‏های با 10 گره و یا بیشتر، دارای زمان اجرای نمایی است. از دیگر محدودیت‏های مدل ریاضی توسعه داده شده این است که باید تعداد اجتماعات به صورت پارامتر در ابتدای کار مشخص باشد؛ در صورتی که در بسیاری از شبکه‏های دنیای واقعی عملاً مشخص نیست. با توجه به این محدودیت‏ها‏ در ادامه‏ی تحقیق یک الگوریتم ژنتیک برای بهینه‏کردن چگالی پودمانگی توسعه داده شد. در الگوریتم ژنتیک از ساختار ماتریسی برای نمایش جواب استفاده شد که باعث سهولت اجرای عملگرهای جهش و ترکیب شد. با اجرای الگوریتم ژنتیک بر روی تعدادی از شبکه‏های دنیای واقعی نشان داده شد که محدودیت‏های مدل ریاضی رفع شده است.

پایه گذاری سیستمی که ریسک مشتریان را کنترل کند، بخش مهمی از مدیریت علمی یک شرکت بیمه تلقی می شود. با توجه به اهمیت ریسک بیمه های خودرو، در این تحقیق تعدادی از تکنیک های داده کاوی برای تحلیل ریسک مشتریان در دو رشته بیمه شخص ثالث و بیمه بدنه در شرکت های بیمه ایرانی مورد استفاده قرار گرفته است. هدف آنست که در نهایت یک مدل تصمیم¬گیری ارائه گردد تا شرکت های بیمه بتوانند با توجه به آن، ریسک مشتریان خود را پیش بینی نموده و سیاست های لازم را اتخاذ نمایند. روش تحقیق بر اساس یک فرایند استاندارد داده¬کاوی می باشد، بدین صورت که داده های مشتریان گذشته جمع آوری و پالایش شده و متغیرهای موثر بر رفتار ریسک مشتریان شناسایی شده اند. سپس مشتریان بر اساس میزان ریسک در دو طبقه خوب (ریسک کم) و بد (ریسک زیاد) قرار داده شده اند و برای هر مشتری یک برچسب کلاس در نظر گرفته شده است. بعد از پیش پردازش و تغییر روی رکوردها (مشتریان) و فیلدها (ویژگی های مشتریان)، تکنیک درخت تصمیم c5 بر روی داده های نهایی اجرا شده و الگوهای پنهان به صورت یک درخت در قوانین داده کاوی ارائه گردیده است. داده های نهایی همچنین با چند الگوریتم دیگر مانند درخت های تصمیم سنتی، شبکه های عصبی، شبکه های بیزین و ماشین بردار پشتیبان نیز مدل سازی شده اند. نتایج نشان داده است که الگوریتم c5 نتایج بهتری را برای دسته بندی مشتریان نسبت به سایر الگوریتم ها دارا می باشد.

ارزیابی عملکرد نظام سلامت اطلاعات خوبی در مورد وضعیت نظام سلامت را برای دولت ها و جامعه فراهم می آورد. اهمیت بهره برداری و استفاده صحیح از منابع محدود بیمارستان ها از مهم ترین وظایف مراکز درمانی محسوب می شود. طول مدت اقامت یکی از مهم ترین و کاربردی ترین شاخص های بیمارستانی است که امروزه، به طور گسترده ای در بیمارستان¬ها به کار گرفته می شود و بیانگر میزان کارایی و عملکرد فعالیت¬های بیمارستانی است، به همین دلیل در تحلیل عملکرد بیمارستانی جزء عناصر اساسی محسوب می¬گردد. . طولانی بودن مدت اقامت بیمار در بیمارستان¬ها منجر به اتلاف منابع تجهیزات بیمارستان، هدر رفتن نیروی انسانی و اتلاف وقت و بالا رفتن هزینه-ی بیماران می شود. با توجه به اهمیت و ضرورت یادشده در این مطالعه به بررسی عوامل موثر و پیش بینی این شاخص پرداخته شده است. در این تحقیق با استفاده از تحلیل اطلاعات پرونده بیمار ویژگی های بیمار و بیمارستان استخراج شد. از طریق سه تکنیک درخت تصمیم، دسته بند بیزین و k-نزدیک¬ترین همسایه مدل پیش¬بینی طول اقامت بیمار در بخش جراحی بیمارستان ارائه شده است که نتایج نشان داد درخت تصمیم پیش بینی کننده بهتری است. همچنین از طریق روش انتخاب ویژگی عوامل موثر بر طول اقامت بیمار شناسایی گردیده است. در نهایت برای کاربردی بودن روش استفاده شده برای ساخت مدل درخت تصمیم از داده¬های هنگام پذیرش بیمار استفاده شد که با وجود صحت کمتر از نظر زمانی بسیار با ارزش است.

سیستم اطلاعات بیمارستان به عنوان یکی از مهمترین سیستم های اطلاعاتی، قابلیت ها و ارزش افزوده بسیاری دارد و سبب ایجاد انقلابی در ارائه خدمات بهداشتی درمانی شده است. ضرورت کاهش هزینه های مراقبتی، ارتقاء کیفیت مراقبت، توسعه خدمات بهداشتی و همچنین ملاحظات راهبردی در رابطه با کسب مزایای رقابتی، به عنوان گوشه ای از مزایای آن، توسعه و بکارگیری این گونه سیستم ها را توجیه می کند. از طرف دیگر با توجه به هزینه هنگفتی که صرف خرید و بکارگیری سیستم های اطلاعات بیمارستان می شود، انتخاب نا درست آنها می تواند منجر به عدم موفقیت آنها و سبب وارد شدن ضربه مهلکی به مراکز بهداشتی درمانی نظیر بیمارستان ها گردد . علاوه بر این ، با توجه به نقش کلیدی کاربران به عنوان استفاده کنندگان از سیستم اطلاعات بیمارستان در مراکز بهداشتی درمانی، دیدگاه آنها در مورد سیستم از اهمیت خاصی برخوردارمی باشد. اگر این سیستم انتظارات کاربران را فراهم نکند، مورد بی اعتنایی آنها قرار خواهد گرفت و حتی به چشم یک خرابکار و مزاحم به آن نگریسته خواهد شد. با توجه به اهمیت مطالب ذکر شده، هدف تحقیق حاضر، ارائه مدل ارزیابی موفقیت سیستم اطلاعات بیمارستان در جهت بهبود رضایت کاربران سیستم در بیمارستان ها می باشد. تحقیق حاضر با توجه به اینکه کاربرد نتایج آن اهمیت بسزایی برای بیمارستان¬ها و مراکز درمانی دارد، از نظر هدف، تحقیقی کاربردی و از نظر روش پیمایشی است .در این پژوهش ، پس از شناسایی شاخص ها و معیار های موثر بر ارزیابی موفقیت سیستم اطلاعات بیمارستان ، از دو پرسشنامه محقق ساخته برای گردآوری اطلاعات استفاده شده است و برای تجزیه و تحلیل داده ها به کمک نرم افزار spss از آزمون های آمار استنباطی استفاده گردیده است. پس از جمع آوری و تحلیل داده ها، مدل نهایی پژوهش بر پایه مدل دلون و مک لین با 9 شاخص و 42 معیار ارائه گردیده است .

هر ساله همه گیری بیماری های مختلفی همچون بیماری های شبه انفولانزا (ili) و دیگر بیماری های مسری، هزینه های مختلفی را به سازمان های مختلف دولتی و خصوصی تحمیل می کند. این هزینه ها شامل خرید تجهیزات، به کار گیری پزشکان، پرستاران و پرسنل، خرید دارو و موارد دیگر است. پیش بینی همه گیری باعث کاهش هزینه های مختلف و همچنین کنترل بهتر بیمار می گردد که از طریق روش های مختلفی که اکثرا بر مبنای آماری بوده است انجام شده است. مهم ترین این روش ها شامل: روش تعیین مقدار معین، روش تناوب تناسبی، روش cusum و روش های جدیدی همچون شبکه bayesian و زنجیره های مارکوف پنهان. این روش ها که معمولا بر مبنای آمار می باشند دو اشکال اساسی گذشته محور و خبره محور بودن را دارا می باشند. به منظور رفع این دو مشکل، در این تحقیق مدلی بر مبنای نفوذ در شبکه های اجتماعی ارائه شده است که توسعه ای از مدل پایه ای bass می باشد و دقت مدل بر روی داده های فروانی آنفولانزا در ایالت متحده از روش مربع خطا ها اندازه گیری شده که برابر 95 درصد بوده است که نسبت به مدل های قبلی بهبود پیدا کرده است. برای بهبود بیشتر مدل باید تاثیر مسافرت های بیماران و جابجایی افراد را نیز که در مدل به صورت محلی تاثیر دارد در نظر گرفت که به عنوان تحقیقات آتی پیشنهاد می گردد.