مدلسازی بهینه رضایت‌مندی بیمار از پزشک مبتی بر روشهای یادگیری ماشین
محورهای موضوعی : فناوری اطلاعات و ارتباطاتفاطمه ثقفی 1 * , مجتبی شادمهر 2 , زینب الهدی حشمتی 3 , هادی ویسی 4
1 -
2 - دانشکده علوم و فنون نوین، دانشگاه تهران
3 - استاد دانشگاه
4 -
کلید واژه: ارتباط بیمار و پزشک, رضایت‌مندی, یادگیری ماشین, شبکه عصبی,
چکیده مقاله :
رویکرد بیمار محور در حوزه سلامت به تازگی در حوزه نظام پزشکی کشور ما مطرح شده است ولی تا کنون در زمینه عوامل رضایت بیمار از پزشک تحقیق علمی منتشر شده ای وجود ندارد. مقاله حاضر قصد دارد خلاء بیان شده را با ارزیابی علمی مبتنی بر اطلاعات واقعی کسب شده از مطالعه میدانی پوشش دهد.در این راستا با مرور ادبیات و مدلهای حوزه ارائه خدمات؛ پرسشنامه ای برای حوزه سلامت طراحی و با نظر خبرگان مورد تایید قرار گرفت. به منظور کسب نظر بیماران پرسشنامه بین 500 نفر از افرادی که عمل جراحی زیبایی بینی در تهران انجام دادند، توزیع شد و 395 پرسشنامه جمع آوری شد. تعداد برای تحلیل داده ها، از سه روش درخت تصمیم، ماشین بردار پشتیبان و شبکه‌های عصبی، استفاده شد. تحلیل نتایج بر حسب معیار صحت نشان داد که کاراترین روش، در اولویت اهمیت عوامل موثر بر رضایت بیمار؛ روش شبکه عصبی بوده است. نتایج تحلیل با این روش حاکی از آن است که موثرترین ویژگی در رضایت‌مندی بیمار از پزشک، اطلاعاتی است که بیمار انتظار دارد پزشک در اختیارش قرار دهد. نتایج رتبه بندی عوامل در مقایسه با سایر مطالعاتی که تنها از روشهای آماری برای تحلیل استفاده شده بودنشان داد که نتایج نسبتا مشابه بوده و یکدیگر را تایید می‌کردند. ولی توامندیهایی که روش شبکه عصبی در مدلسازی دارد نقطه قوت این روش نسبت به مطالعات مذکور است.
Health has always been one of the most important concerns of human. The goal in this research is to know what factors cause and affect patient satisfaction in the relationship between a physician and patient. Since this relationship is a form of healthcare service, the SERVQUAL service quality assessment method has been used as a framework. However the questions have been reviewed based on the previous literature and the experts’ views, leading to a questionnaire designed for the healthcare domain. Data collection has been performed using the questionnaires on subjects selected amongst clients of Rhinoplasty Centers in Tehran. To analyze the data, three machine-learning approaches have been implemented namely Decision Tree, Support Vector Machine and Artificial Neural Networks. A number of possible factors affecting the patient-physician relationship have been used as input and patient satisfaction has been taken as output. Comparing the results of these three methods, Artificial Neural Networks method is shown to have better performance, which has therefore been used for prioritizing the effective factors in this relationship. The results indicate that reaching the information which the patient expects their physician to give is the most effective characteristic in patient satisfaction. The rank of gained features were compared with similar researches. The outcome was very similar and approved the results.