بمنظور بهبودِ توانایی و راندمانِ مدیریت بیمارستاني، بررسي مشكلاتِ تصميم گيري با هدفِ کمک به سیستم های پشتیبانی تصمیم گیری در بیمارستان ها براي ما داراي اهميت و لازم مي باشد. با توجه به پیچیدگی و فوری بودن امور مدیریت بیمارستان، این مقاله يك مدل پيش بيني با مجموعه های طرح ریزی فازی نامطمئن تصميم گيري برای حل مشکلات تصمیم گیری را پیشنهاد می کند. مدل پیشنهادی نه تنها می تواند عدم قطعیت مشکلات و تردید تصمیم گیرندگان را توصیف کند، بلكه همچنین می تواند خصوصيات ذهنی نتايجِ تصمیم گیری را كاهش و ويژگي هاي عيني را افرايش دهد. از اينرو، برای بدست آوردنِ وزن معیارها با اطلاعات طرح ریزی فازی نامطمئن ، روش تجزیه و تحلیل خطا ارائه می شود. علاوه بر این، ما مقایسه هايي را بین مدل پیشنهادی و دیگر روش های تصمیم گیری انجام داده، و مزایا و معایب آن را ارائه می دهيم. در نهایت، یک مطالعه موردی در سیستم های پشتیبانی تصمیم گیری بیمارستاني برای آشكارسازي درستی و قابليتِ کاربردِ مدل پیشنهادي مطرح مي شود.

1. مقدمه

با توسعه سریع فناوری اطلاعات، رقابت در بازار خدمات پزشکی سخت تر می شود، که باعث می شود بیمارستان ها، کارایی و کیفیت کار خود را بهبود بخشند. سیستم اطلاعات بیمارستان ( HIS) (سوزوكي، اوموري، آكياما، و فوكوهارا، 2005) که از تدابير و سیاست های مدیریت پزشکی به كمك تجزیه و تحلیل داده ها استفاده مي كند، برای حمایت از مدیریت بیمارستان معرفي گرديد، در یک سیستم اطلاعات بیمارستانی، داده ها بصورت منسجم در پایگاه داده‌ها ذخیره می شوند. با فراهم سازي برخی نمونه های موفق و تجربیاتِ كاربردهاي کامپیوتري، کوپرمن و گاردنر (1991) دستورالعملِ چگونگی طراحی یک HIS با چند اشتباه را ارائه دادند. پس از آن، از جنبه های بستری بیمارستانی و هزینه دوره بستری شدن در بیمارستان را ارائه نمودند، ایوانز، کالسن، استیونس، پاستوتنیک و گاردنر (1993) از HIS برای ارزیابی اثراتِ موضوعاتِ مربوط به مواد مخدر استفاده كردند.

با این وجود، محدودیت های HIS بتدریج در عمل با انباشت داده های بالینی و اداری آشكار می شود. در چنین مواردي، سیستم پشتیبانی تصمیم گیری بیمارستان (HDSS) (ژانگ، شو- تائو، ژانگ، و جيان-بو، 2005)، که دارای تجزیه و تحلیل داده های مختلف و تکنیک های داده کاوی است، برای مقابله با داده های گسترده مدیریت پزشکی ارائه گرديد. توسط HDSS، برخی یافته ها و قوانینِ جدیدِ پزشکی بالینی و مدیریت بیمارستان را می توان حاصل نمود. از آنجا که HDSS برای کمک به استراتژی های مدیریت بیمارستان موثر است، بسیاری از محققان تلاش کرده اند تا مشکلات مربوط به HDSS را بررسی نمايند. ژانگ و همکاران (2005)، پردازش تحلیلی آنلاین (OLAP) را در HDSS برای حل مشکلات تصمیم گیری پزشکی بكار بردند.

Abstract

To improve the ability and efficiency of the hospital management, it is needed for us to handle the decision making problems so as to assist the hospital decision support systems. Considering the complexity and urgency of the hospital management affairs, this paper proposes a projection model with hesitant fuzzy linguistic term sets to solve the decision making problems under consideration. The proposed model not only can describe the uncertainties of the problems and the hesitancy of the decision makers, but also can decrease subjective and increase objectives of the decision making results. Then, the error analysis method is provided to obtain the weights of the criteria with hesitant fuzzy linguistic information. Furthermore, we make comparisons between the proposed model and other decision making methods, and present its advantages and drawbacks. Finally, a case study on hospital decision support systems is made to illustrate the validity and applicability of the proposed model.

Keywords Hospital decision support system,Multi-criteria decision making,Hesitant fuzzy linguistic term set,Projection model,Error analysis method

Introduction

With the rapid development of information technology, the competition becomes rigorous in medical service market, which prompts the hospitals to improve their working efficiency and quality. Hospital information system (HIS) (Suzuki, Omori, Akiyama, & Fukuhara, 2005), which obtains the medical management policies and measurements by data analysis, was introduced to support the hospital management by inputting/outputting the medical activities data on a mobile terminal. By providing some successful examples and the experiences of computer applications, Kuperman and Gardner (1991) presented the guidance on how to design a HIS with few mistakes. Afterwards, from the aspects of hospital stays and hospitalization cost, Evans, Classen, Stevens, Pestotnik, and Gardner (1993) used the HIS to assess the effects of adverse drug affairs.

Nevertheless, the limitations of the HISs gradually emerge in practice with the accumulation of the clinical and administrative data. In such a case, the hospital decision support system (HDSS) (Zhang, Shu-Tao, Zhang, & Jian-Bo, 2005), which possesses various data analysis and data mining techniques, was provided to deal with the extensive data of medical management. By the HDSS, some new findings and laws of the clinical medicine and hospital management can be obtained. Since the HDSS is effective to assist the hospital management strategies, many researchers have made efforts to investigate the problems related to the HDSS. Zhang et al. (2005) applied the online analytical processing (OLAP) into the HDSS to solve the medical decision-making problems. With data summary and visual tools, Barrett, Mondick, Narayan, Vijayakumar, and Vijayakumar (2008) established the nonlinear models to design the decision support systems for pediatric pharmacotherapy. In addition, Shklovskiy-Kordi, Shakin, Ptashko, and Surin (2005) proposed a method to process the clinical data.

To enhance the practicability of the HDSS, Kawamoto, Houlihan, Balas, and Lobach (2005) collected and analyzed the relevant literature to identify the features of clinical decision support systems. Nanni, Brahnam, Lumini, and Barrier (2010) studied the artificial intelligence techniques, which can be utilized in the decision support systems in healthcare. To address the clinical decision support process, Aleksovska-Stojkovska and Loskovska (2013) used the data mining methods to extract and collect the individual asthma patients’ information.