دانلود ترجمه مقاله تحلیل مدیریت ارتباط با مشتری بر روی بیماران سرپایی در یک بیمارستان بیماری های عفونی (ساینس دایرکت – الزویر ۲۰۲۲) (ترجمه ویژه – طلایی ⭐️⭐️⭐️)

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

Customer relationship management analysis of outpatients in a Chinese infectious disease hospital using drug-proportion recency-frequency-monetary model

چکیده

۱٫ مقدمه

۲٫ داده ها و روش ها

۳٫ نتایج

۴٫ بحث

۵٫ محدودیت ها و تحقیقات آینده

۶٫ 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 ۲,۲۷۱,۰۲۰ عنصر داده از بیماران سرپایی در واحد تحقیقاتی بین آگوست ۲۰۰۹ و دسامبر ۲۰۱۹ برای به دست آوردن ۱۷۱,۱۰۷ عنصر دادۀ معتبر (۱ 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 ۸۰٫۳۹ % 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 ۲ دور تحلیل خوشه بندی K میانگین بر روی سه مدل RFM, RFM+ Drfm, dRFM ، ۹۷,۸۵۵ عنصر داده حفظ شدند. مدل RFM+ Drfm با دسته بندی بیماران به سه نوع مدل بهینه بود: بیماران پتانسیلی (۲۴٫۲ %) که باید با یک هزینۀ دارویی و آخرین ویزیت در بیش از ۱۹٫۰۶ ماه حفظ می شدند، بیماران با ارزش بالا (۲۴٫۵ %) که با آخرین ویزیت در حدود ۶٫۶۶ ماه گذشته باید جذب می شدند، و بیماران پایه (۵۱٫۳ %) با آخرین ویزیت در حدود ۳٫۷ ماه قبل که باید انتخاب می شدند. سپس، مدل با استفاده از الگوریتم درخت تصمیم C5.0 با یک نرخ صحت ۹۹٫۹۷ % 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.

داده ها و روش ها
جمع آوری داده ها و پیش پردازش
با استفاده از روش های مطالعات قبلی [۱۶-۱۸, ۲۱]، درکل ۲,۲۷۱,۰۲۰ عنصر داده از بیمارانی که بخش بیماران سرپایی را در واحد تحقیقات در بازۀ زمانی ۱ آگوست ۲۰۰۹ و ۳۱ دسامبر ۲۰۱۹ 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 [۲۱].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 ۲۲٫۰(SPSS) Statistical Product and Service Solutions و ۱۸٫۰SPSS Modeler برای تحلیل داده ها به کار رفت. ۱۸٫۰SPSS 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 [۱۶-۱۸, ۲۱] بر اساس مراحل زیر به کار گرفتیم: (۱) اضافه کردن فیلد «ماه مشاورۀ اخیر» و تشکیل یک متغیر جدید، با دسامبر ۲۰۱۹ به عنوان اولین ماه، نوامبر ۲۰۱۹ به عنوان دومین ماه و به همین ترتیب تا آگوست ۲۰۰۹ به عنوان ۱۲۵امین ماه؛ (۲) اضافه کردن ۳ فیلد: جمع بستن هزینه های پزشکی هر بیمار، هزینه های دارویی کلی و فراوانی ویزیت ها؛ (۳) اجرای ۳ متغیر جدید به صورت زیر [۲]:

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)×۱۰۰%
داده ها بررسی شد و موارد تکراری حذف شد. در نتیجه، یک مجموعه دادۀ مؤثر (یک عنصر داده برای هر فرد) به دست آمد.