رقم المقالة : 202007118318 زيارة : 14245 الصفحة: 1 - 23

نوع المخطوط: المحکّمة

مدل‌سازی بهينۀ رضایتمندی بیمار از پزشک مبتني بر روش¬هاي يادگیری ماشین

الموضوعات :

- شادمهر ¹ ( .دانشگاه تهران)
زینب الهدی حشمتی ² (استاد دانشگاه)
فاطمه ثقفی ³ (دانشیار دانشگاه تهران)
هادی ویسی ⁴ (.)

تاريخ الإرسال : 17 الإثنين , ربيع الثاني, 1435 تاريخ التأكيد : 17 الإثنين , ربيع الثاني, 1435 تاريخ الإصدار : 16 الثلاثاء , ذو الحجة, 1436

الکلمات المفتاحية: ارتباط بیمار و پزشک, رضایت‌مندی, یادگیری ماشین, شبکه عصبی,

ملخص المقالة :

رويكرد بيمار محور در حوزه سلامت به تازگي در حوزه نظام پزشكي كشور ما مطرح شده است ولي تا كنون در زمينه عوامل رضايت بيمار از پزشك تحقيق علمي منتشر شده اي وجود ندارد. مقاله حاضر قصد دارد خلاء بيان شده را با ارزيابي علمي مبتني بر اطلاعات واقعي كسب شده از مطالعه ميداني پوشش دهد.در اين راستا با مرور ادبيات و مدلهاي حوزه ارائه خدمات؛ پرسشنامه اي براي حوزه سلامت طراحي و با نظر خبرگان مورد تاييد قرار گرفت. به منظور کسب نظر بیماران پرسشنامه بين 500 نفر از افرادی که عمل جراحی زیبایی بینی در تهران انجام دادند، توزيع شد و 395 پرسشنامه جمع آوري شد. تعداد براي تحليل داده ها، از سه روش درخت تصمیم، ماشین بردار پشتیبان و شبکه‌های عصبی، استفاده شد. تحليل نتايج بر حسب معيار صحت نشان داد كه کاراترین روش، در اولویت اهمیت عوامل موثر بر رضايت بيمار؛ روش شبکه عصبی بوده است. نتايج تحليل با اين روش حاكي از آن است كه موثرترین ویژگی در رضایت‌مندی بیمار از پزشک، اطلاعاتی است که بيمار انتظار دارد پزشک در اختیارش قرار دهد. نتايج رتبه بندي عوامل در مقايسه با ساير مطالعاتي كه تنها از روشهاي آماري براي تحليل استفاده شده بودنشان داد كه نتایج نسبتا مشابه بوده و یکدیگر را تایید می‌کردند. ولي توامنديهايي كه روش شبكه عصبي در مدلسازي دارد نقطه قوت اين روش نسبت به مطالعات مذكور است.

المصادر:

1. Deng, W. J., Chen, W. C., & Pei, W. Back-propagation neural network based importance–performance analysis for determining critical service attributes. Expert Systems with Applications, 2008, 34(2), 1115-1125.
2. Seibold, D. R., Cantrill, J. G., & Meyers, R. A. Communication and interpersonal influence. Handbook of interpersonal communication, 1985, 551-611.
3. Shannon, C. E., & Weaver, W. The mathematical theory of communication (Urbana, IL. University of Illinois Press, 1949.
4. Myers, G. The social construction of two biologists' proposals. Written Communication, 1985, 2(3), 219-245.
5. Barnlund, D. C. Communication: The context of change. Basic readings in communication theory, 2008, 6-25.
6. Loewy, E. H., & Loewy, R. S. (2004). Textbook of healthcare ethics. Springer. New York, 96-105.
7. Ganesh, K. Patient-doctor relationship: Changing perspectives and medical litigation. Indian journal of urology: IJU: journal of the Urological Society of India, 2009, 25(3), 356.
8. Silverman, J., Kurtz, S. M., Draper, J., van Dalen, J., & Platt, F. W. Skills for communicating with patients. Oxford, UK: Radcliffe Pub, 2005.
9. Drossman, D. A. David Sun Lecture: Helping Your Patient by Helping Yourself—How to Improve the Patient–Physician Relationship by Optimizing Communication Skills. The American journal of gastroenterology, 2013.
10. Parasuraman, A., Zeithaml, V. A., & Berry, L. L. A conceptual model of service quality and its implications for future research. The Journal of Marketing, 1985, 41-50.
11. Thomas, L. H., & Bond, S. Measuring patients' satisfaction with nursing: 1990–1994. Journal of Advanced Nursing, 1996, 23(4), 747-756.
12. Parasuraman, A., Zeithaml, V. A., & Berry, L.L. Servqual. Journal of retailing,1988, 64(1), 12-40.
13. Najafi, S., Saati, S., Kazem Bighami, M., & Abdi, F. How do customers evaluate hotel service quality? An empirical study in Tehran hotels.Management Science Letters, 2013, 3(12), 3019-3030.
14. Babakus, E., & Mangold, W. G. Adapting the SERVQUAL scale to hospital services: an empirical investigation. Health services research, 1992, 26(6), 767.
15. Zifko-Baliga, G. M., & Krampf, R. F. Managing perceptions of hospital quality. Negative emotional evaluations can undermine even the best clinical quality. Marketing Health Services, 1997, 17(1), 28-35.
16. Tucker, J. L., & Adams, S. R. Incorporating patients’ assessments of satisfaction and quality: an integrative model of patients’ evaluations of their care. Managing Service Quality, 2001, 11(4), 272-287.
17. Sohail, MS. Service quality in hospitals: more favorable than you might think. Managing Service Quality, 2003, 13(3), 197-206
18. Elleuch, A. Patient satisfaction in Japan. International Journal of Health Care Quality Assurance, 2008, 21(7), 692-705.
19. Behara, R. S., Fisher, W. W., & Lemmink, J. G. Modelling and evaluating service quality measurement using neural networks. International journal of operations & production management, 2002, 22(10), 1162-1185.
20. Shih, Y. Y., & Fang, K. Customer defections analysis: an examination of online bookstores. The TQM Magazine, 2005, 17(5), 425-439.
21. McKinley, R. K., & Roberts, C. Patient satisfaction with out of hour’s primary medical care. Quality in Health Care, 2001, 10(1), 23-28.
22. Harazi, M. A., & Askari, J. Assessment of the most important factors influencing physician choice. Hakim research journal, 2007, 10(3), 22-27 , (In Persian).
23. Hill, C. J., & Garner, S. J. Factor’s influencing physician choice. Hospital & health services administration, 1991, 36(4), 491.
24. Harazi, M. A., & Askari, J. Assessment of the most important factors influencing physician choice. Hakim research journal, 2007, 10(3), 22-27, (In Persian).
25. Zolnierek, K. B. H., & DiMatteo, M. R. Physician communication and patient adherence to treatment: a meta-analysis. Medical care, 2009, 47(8), 826-834.
26. Hamelin, N. D., Nikolis, A., Armano, J., Harris, P. G., & Brutus, J. P. Evaluation of factors influencing confidence and trust in the patient-physician relationship: A survey of patient in a hand clinic. Chirurgie de la main, 2012, 31(2), 83-90.
27. Sekaran, U., & Bougie, R. Research Methods for Business: A Skill Building Approach. John Wiley & Sons, 2010.
28. Kalliainen, L. K., & Lichtman, D. M. Current issues in the physician–patient relationship. The Journal of hand surgery,2010, 35(12), 2126-2129.
29. Entwistle, V. A., Carter, S. M., Cribb, A., & McCaffery, K. Supporting patient autonomy: the importance of clinician-patient relationships. Journal of general internal medicine,2010, 25(7), 741-745.
30. Emanuel, E. J., & Emanuel, L. L. Four models of the physician-patient relationship. JAMA: the journal of the American Medical Association, 1992, 267(16), 2221-2226.
31. Kowalski, C., Nitzsche, A., Scheibler, F., Steffen, P., Albert, U. S., & Pfaff, H. Breast cancer patients’ trust in physicians: The impact of patients’ perception of physicians’ communication behaviors and hospital organizational climate. Patient education and counseling, 2009, 77(3), 344-348.
32. Asemani, O. Review of physician-patient models and related challenges. Iranian Journal of Medical Ethics and History of Medicine, 2012, 5(4), 36-50(In Persian).
33. Tubbs, S. L., Moss, S., & Papastefanou, N. Human communication: principles and contexts. McGraw-Hill Higher Education, 2008.
34. Kaba, R., & Sooriakumaran, P. The evolution of the doctor-patient relationship. International Journal of Surgery, 2007, 5(1), 57-65.
35. Loewy, E. H., & Loewy, R. S. Textbook of healthcare ethics. Springer. New York, 2004, 96-105.
36. Hafezi, F., Kouchakzadeh, K., Naghibzadeh, B. History and Status of Nose Surgery. Iranian Journal of Surgery, 2009, 17(2): 88-94(In Persian).
37. Ozar, D. T. Patients' autonomy: Three models of the professional-lay relationship in medicine. Theoretical medicine, 1984, 5(1), 61-68.
38. Craig, R. T. Communication theory as a field. Communication theory, 1999, 9(2), 119-161.
39. Ferguson, W. J., & Candib, L. M. Culture, language, and the doctor-patient relationship. FMCH Publications and Presentations, 2002, 61.
40. Witten, I. H., Frank, E., & Hall, M. A. Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, 2011.
41. Borovicka, T., Jirina Jr, M., Kordik, P., & Jirina, M. Selecting representative data sets. Advances in Data Mining Knowledge Discovery and Applications. Intech, Associate Prof. Adem Karahoca, Available 0n 2012 from: http://www.intechopen.com/books/advances-in-data-mining-knowledge-discovery-and-applications/selecting-representative-data-sets
42. Liu, H., Yu, L., Toward integrating feature selection algorithms for
43. classification and clustering. Knowledge and Data Engineering, IEEE Transactions on , 2005, 17(4), 491-502.
44. Yu, N. Y., Yamauchi, T., Yang, H. F., Chen, Y. L., & Gutierrez‐Osuna, R. Feature selection for inductive generalization. Cognitive science, 2010, 34(8), 1574-1593

نص كامل:

فصلنامه علمي- پژوهشي

فناوري اطلاعات و ارتباطات ایران

سال هفتم، شماره‌هاي 23 و 24، بهار و تابستان 1394

صص: 23- 1

$E:\E Drive\logo\iicta Logo0.JPG$

مدل‌سازی بهينۀ رضایتمندی بیمار از پزشک مبتني بر روشهاي يادگیری ماشین

*مجتبی شادمهر **زینب‌الهدی حشمتی **فاطمه ثقفی **هادی ویسی

*کارشناسی ارشد مهندسی مهندسی فناوری اطلاعات پزشکی، دانشکده علوم و فنون نوین، دانشگاه تهران

** استادیار دانشکده علوم و فنون نوین، دانشگاه تهران

تاریخ دریافت: 28/11/1392 تاریخ پذیرش: 06/12/1393

چكيده

واژه‌های کلیدی: ارتباط بیمار و پزشک، رضایت‌مندی، یادگیری ماشین، شبکه عصبی.

1-مقدمه

ارتباط بیمار و پزشک از این جهت که با سلامت افراد سر و کار دارد، بسیار حیاتی است. بیماران انتظار دارند رضایت آنها در فرایند درمان جلب شود. به نظر مي‌رسد بخش قابل توجهي از هزينه‌هاي درمان در جوامع امروز، ناشي از کاهش اعتماد بيماران به پزشکان و جامعه پزشکي، بي‌طرف ندانستن پزشکان در

توصيه‌هاي درماني و عدم توجه کادر درماني به رعايت صحيح و دقيق اصول اخلاقي، حرفه‌اي و نقص در مهارت‌هاي ارتباطي باشد. به بیان دیگر، معمولا نوع ارتباطی که مطلوب بیمار است، در این روابط مشاهده نمی‌شود. برای حرکت در راستای افزایش رضایت‌مندی بیماران، لازم است که معیارها و شاخص‌های موثر در

رضایت‌مندی بیمار نسبت به پزشک شناسایی شوند.

دِنگ¹ و همکاران در مطالعه‌ای در سال 2008، نتیجه گرفتند که روش‌های یادگیری ماشین و شبکه‌هاي عصبی نسبت به مدل‌هاي آماري توانایی بیشتري در مدل‌سازي کیفیت خدمات داشته و برازندگی بهتري را نشان می‌دهد [1]. لذا در این پژوهش، برای تحلیل داده‌ها از روش‌های یادگیری ماشین به جای روش‌های آماری استفاده شد که به نظر می‌رسد نتایج بهتری را نشان دهد.

سوال اساسی، این است که چه عواملی بر رضایت‌مندی بیمار از پزشک موثر هستند. برای این منظور، مطالعه‌ای موردی بر روی افرادی که در شهر تهران، عمل جراحی زیبایی بینی انجام می‌دهند، انجام گرفت. در اين مقاله ابتدا پيشينه موضوع ارائه مي شود. سپس به روش استخراج پرسشنامه و معرفي فرآيند و روش تحليل با استفاده از روشهاي يادگيري ماشين پرداخته مي شود. در ادامه نتايج و يافته ها ارائه و تحليل مي شوند

2- پیشینۀ تحقیق

2-1-ارتباط بین بیمار و پزشک

مهم‌ترین نوع ارتباطات، ارتباط بین انسان‌ها است، به گونه‌ای که حداقل به یکی از نیازهای عاطفی، روحی و مادی انسان پاسخ داده شود. در حقیقت هر نوع رابطه‌ای که با هر هدفی بین افراد، گروه‌ها، فرد و گروه، فرد و سازمان و غیره به شکل‌های رسمی، غیررسمی، کلامی، غیر کلامی، عمودی یا افقی رخ دهد، نوعی ارتباط انسانی محسوب می‌گردد [2].

اولین مدل در مورد ارتباط، در سال 1949 توسط دو

نظریه‌پرداز قدیمی به نام‌های کلود شنون² و وارن ویور³ ارائه گردید [3].

این مطالعه، به جهت بازتاب کردن عملکرد رادیو و فناوری‌های تلفن طراحی شده بود. آنها ارتباط را فرآیندی خطی می‌دانستند که طی آن منبع پیام را فرمول‌بندی و به گیرنده منتقل می‌کند.

در سال 1985 دیدگاه‌های تبادلی جای نظریه شنون و ویور را گرفتند. در این دیدگاه ماهیت پویا و متغیر فرآیند ارتباط مورد توجه است و بر تاثیر و تاثر ارتباط برقرارکنندگان بر یکدیگر در یک سیستم دوسویه تاکید می‌شود [4].

در سال 2008 بارنلود⁴ یک مدل معاملاتی از ارتباط را پیشنهاد کرد. فرضیه اصل مدل معاملاتی ارتباطات این است که ارسال و دریافت پیام را به صورت هم‌زمان به کار می‌گیرند. در این مدل، فرستنده و گیرنده وابستگی پیچیده‌تری به یکدیگر دارند [5].

ارتباط كامل، درست و قابل فهم يك ضرورت براي پزشك و تمام افراد سيستم بهداشتي است و تمام افراد در سيستم سلامت بايد ياد بگيرند ارتباط موثر داشته باشند [6].

ضعف مهارت‌هاي ارتباطي اثرات زيان آوري روي ابعاد جسمي، رواني، اجتماعي و اقتصادي مراقبت‌هاي بهداشتي دارد. بررسي شكايات مربوط به پزشكان نشان مي‌دهد، بسياري از اين شكايات به مهارت‌هاي علمي و كارايي پزشك مربوط نمي‌شود، بلكه ناشي از نحوه برقراري ارتباط با بيمار است. به عبارتي مي‌توان گفت دليل نهايي بيشتر شكايات و تخلف‌هاي پزشكي، خطاهاي ارتباطي است [7].

در سال 2005، سیلورمن⁵ و همکاران، مهارت‌های ارتباط با بیمار را به صورت جامع مورد مطالعه قرار دادند [8]. همچنین در سال 2013، دراسمن⁶، مطالعه‌ای در مورد چگونگی بهبود روابط بیمار و پزشک از طریق تقویت مهارت‌های ارتباطی انجام داد [9].

موضوع ارتباط پزشك و بيمار موضوعي جذاب و به روز بوده و از گذشته تاکنون دارای اهميت بالایی بوده است. امروزه مدل ارتباطي از مدل قديمي با مركزيت پزشك و بيماريمحور به مدل جديد بيمارمحور و انسانمحور با درنظر گرفتن ابعاد مختلف انساني تغيير كرده است. [6].

2-2- کیفیت خدمات

خدمات به فعالیتهایی گفته می‌شود كه قابل لمس نیست و تملکی را به وجود نمی‌آورد. خدمات دارای چهار ویژگی بارز ناملموس بودن، تفکیک ناپذیری⁷، تغییرپذیری⁸ و فناپذیری⁹ است که آن را از تولید کالا متمایز می‌کند [10].

بهبود کیفیت خدمات براي مراکز خدماتی جهت برآورده شدن انتظارات گیرندگان خدمت و رضایت‌مندي آنها به یک چالش عمده تبدیل شده است. حوزه سلامت که با زندگی افراد سر و کار دارد، نیز از این امر مستثنی نیست. کيفيت خدمات در مراکز ارائه‌دهنده خدمت از اهميت خاصي برخوردار است. بر همين اساس از اوایل دهه 90 مفهوم نظري و عملي در ارائه خدمات بهداشتي-درماني تحولي اساسي یافته است [11].

2-2-1- مدل سروکوال برای ارزیابی کیفیت خدمات

برای سنجش رضایت‌مندی مشتری می‌توان از مدل‌های مختلفی استفاده نمود. یکی از مهم‌ترین آنها که نسبت به سایر مدل‌ها شمول بیشتری دارد، مدل سروکوال¹⁰ است كه در سال 1988 توسط پاراسورامان و همکارانش، به عنوان یک ابزار تحقیق براي ارزيابي كيفيت خدمات با پنج بُعد معرفي شده است [12].در مطالعه پاراسورامان و همکارانش، پنج شکاف در کیفیت خدمات شناسایی شد. هر چه قدر این شکاف‌ها در خدمات ارائه‌شده بیشتر باشند، کیفیت درک شده از نگاه مشتریان در سطح پایین‌تری است. مدل سروکوال، كيفيت خدمات ارائه شده را از پنج بُعد زیر مورد ارزيابي قرار مي‌دهد [13]:

پاسخ‌گويي¹¹: تمايل و اشتياق افراد مرکز ارائه‌دهنده خدمت براي كمك به مشتريان و ارائه خدمات به‌موقع و سريع.

2. تضمين¹² (اطمینان‌دهی): دانش، مهارت و شايستگي افراد و توانایی آنها در ایجاد حس اعتماد و اطمینان‌دهی به مشتریان.

3. قابلیت اطمینان¹³ (اعتبار): توانايي ارائه خدمت به طور صحیح، مناسب و عمل به وعده‌ها به طور دقيق و مستمر.

4. هم‌دلي¹⁴: توجه ويژه به مشتریان و تلاش در جهت درك نيازهاي آنها.

5. عوامل محسوس¹⁵: ظاهر تجيهزات و ابزار مرکز ارائه‌دهنده خدمت و پیراستگی افراد محل‌كار.

2-2-2- مطالعات در زمینه ارزیابی کیفیت خدمات

یکی از مهم‌ترین حوزه‌هایی که در سال‌های اخیر مورد مطالعات متعددی با ابزار سروکوال قرار گرفت، صنعت هتل‌داری است. در جدیدترین مطالعه این حوزه، در سال 2013 نجفی و همکاران پژوهشی درباره ارزیابی کیفیت خدمات در هتل‌های شهر تهران انجام دادند و دسته‌بندی جامعی از کارهای انجام‌شده در صنعت هتل‌داری برای سنجش کیفیت خدمات ارائه کردند [13]. ابزار سروکوال در مراکز غیرانتفاعی مانند بیمارستان‌ها و مراکز مراقبت بهداشتی نیز برای ارزیابی کیفیت خدمات بيمارستانها ( و نه ارتباط بين پزشك و بيمار)به طور گسترده‌ای مورد استفاده قرار گرفته ولي با روشهاي آماري تحليل شده است.

در حوزه خدمات درماني مطالعات متعددي انجام شده که عمده آنها در بخش خدمات بيمارستاني صورت گرفته است، که در ادامه به بخشي از آن ها اشاره شده است.

اولین بار، باباکو¹⁶ و همکاران در سال 1992 از این ابزار برای سنجش کیفیت خدمات بیمارستانی استفاده کردند [14]. همچنین در سال 1997 زیفکو¹⁷ در پژوهش خود برای ارزیابی کیفیت مراکز درمانی ، ابزار سروکوال را به کار گرفت [15]. در سال 2001، تاکر¹⁸ و همکاران بر اساس سروکوال کيفيت خدمات درماني در بيمارستان‌هاي آمریكا را مورد ارزیابي قرار دادند [16]. در سال 2003، سهيل¹⁹ با استفاده از رویكرد سروکوال ابزار سنجش کيفيت خدمات درماني در بيمارستان‌هاي خصوصي کشور مالزي طراحي نمود [17]. همچنین در سال 2008، الوچ²⁰ در ژاپن، کیفیت خدمات ارائه‌شده در مراکز درمانی را متناسب با فرهنگ ژاپن مورد مطالعه قرار داد[18].

2-3- مطالعات مبتنی بر یادگیری ماشین

در سال 2002، بهارا²¹ و همكاران در پژوهشي با استفاده از داده‌هاي ابزار سروكوال به عنوان ورودي و هدف شبكه عصبي مصنوعي، مدل‌هاي مختلف ارزيابي كيفيت خدمات را در حوزه غير درماني بررسی کردند و با تغيير در ورودي‌ها و خروجي‌ها و مقايسه شبكه‌هاي عصبي ايجاد شده به ارائه بهترين شبكه و روابط منطقي بين آنها پرداختند. آنها در پژوهش خود شبكه عصبي را ابزاري براي بررسي كيفيت خدمات معرفي نمودند [19]. همچنين در سال 2005، شيه²² و همكاران عوامل موثر بر نارضايتي مشتريان در كتاب فروشي‌هاي برخط²³ را با استفاده از شبكه عصبي مصنوعي، تجزيه و تحليل نمودند. نتايج نشان داد كه صحت پيش‌بيني شبكه‌هاي عصبي مصنوعي مطلوب و قابل اطمينان مي‌باشد. این تحقيق، از نخستين تحقيقاتي بود كه به استفاده از روش‌هاي یادگیری ماشین مانند شبكه عصبي مصنوعي در ارزيابي كيفيت خدمات پرداخت [20]. دِنگ و همکاران در سال 2008، در تحقیقی با استفاده از شبکه‌هاي عصبی مصنوعی به بررسی کیفیت خدمات در هتل‌ها پرداختند. آنها نشان دادند که شبکه‌هاي عصبی نسبت به مدل‌هاي آماري توانایی بیشتري در مدل‌سازي کیفیت خدمات داشته و برازندگی بهتري را نشان می‌دهد [1].

2-4- رضایت‌مندی بیمار از پزشک

رضایت‌مندي بيمار را مي‌توان به واکنش شخص دریافت کننده خدمات در مقابل خدمات ارائه شده اطلاق کرد که نشان‌دهنده درك کلي وي از کيفيت ارائه خدمات است [21].

رضایت از پزشكان و پيراپزشكان پدیده‌اي است که در درمان بيماري‌ها نقش بسزایي دارد، به طوري که هرچه ميزان رضایت افراد افزوده شود، بهبودي جسمي و رواني بهتر و سریع‌تر صورت مي‌پذیرد. بنابراین جلب رضایت هرچه بيشتر بيماران، آنان را به انجام صحيح و به موقع دستورالعمل‌هاي درماني خویش ترغيب نموده و موجب تسریع پيشرفت فرایند درمان و بهبود بيماران مي‌شود [22].

عمده مقالاتی که در زمینه‌های مرتبط با ارتباط بین بیمار و پزشک انجام شده‌اند، با استفاده از روش‌های آماری می‌باشند. با این وجود، کارهایی را که با بخش‌های مختلف تحقیق حاضر، به نوعی مرتبط بوده‌اند، مورد بررسی قرار دادیم.

در سال 1991، هیل²⁴ و همکاران [23] پژوهش گسترده‌ای برای شناخت عوامل موثر بر انتخاب پزشک بر روی 205 بیمار بزرگسال از طبقات اقتصادی و اجتماعی گوناگون در کنتاکی شرقی²⁵ آمریکا به صورت تکمیل پرسش‌نامه از طریق مصاحبه فردی در محل زندگی آزمودنی‌ها انجام دادند. در این مطالعه، محققان به چهار دسته معیار انتخاب پزشک به ترتیب اهمیت دست یافتند. دسته اول معیارهایی بود که به طور مستقیم مربوط به درک و اطلاع پزشک از نیازهای درمانی بیمار و کفایت او در مراقبت و ابراز توجه به مشکلات بیمار شامل میزان معلومات، میزان ابراز توجه و علاقه به مشکل بیمار و اختصاص وقت کافی جهت معاینه بودند. دسته دوم مربوط به معیارهایی بود که باعث بالا بردن آسایش بیمار از طریق به حداقل رساندن اضطراب‌های روانی و خطرات جسمی شامل درمان خصوصی و انفرادی و به کارگیری دستیاران باکفایت می‌گردید. سومین دسته عواملی را در بر می‌گرفت که باعث استفاده آسان از خدمات پزشک شامل رعایت مسائل مالی، جلوگیری از معطل شدن بیمار و خودداری از تلف کردن وقت با سایر کارها مانند پاسخ به تلفن یا تکمیل سایر پرونده‌ها می‌گردید. در نهایت دسته چهارم مربوط به کم‌اهمیت‌ترین عوامل یعنی خصوصیات فردی پزشک مانند علاقه به شرکت در فعالیت‌های اجتماعی بود.

در سال 2007 حرازی و همکاران [24] پژوهشی در زمینه عوامل موثر بر انتخاب پزشک در مراکز بهداشتی شهر یزد با استفاده از توزیع پرسش‌نامه انجام دادند. این پرسش‌نامه در سه بخش ویژگی‌های فردی پزشک، عوامل ارتباطی بین پزشک و بیمار و همچنین کیفیت ارائه خدمات پزشکی تنظیم شده بود و برای تحلیل آن از روش‌های توصیفی آماری و آزمون‌های ناپارامتریک کروسکال والیس و من‌ویتنی استفاده گردید. بر اساس نتایج به دست آمده این پژوهش، عوامل موثر اول تا هفتم، در انتخاب پزشک، عبارت بودند از:

· دانش زیاد و مهارت پزشک

· اختصاص وقت کافی جهت معاینه

· اظهار توجه و علاقه خاص به مشکل بیمار

· استفاده از همکاران باکفایت

· عدم انجام کارهای دیگر در هنگام ویزیت

· ایجاد احساس راحتی در بیمار از طریق یک احوال‌پرسی کوتاه در ابتدای ویزیت

· ویزیت انفرادی و خصوصی

در سال 2010، کلی و همکاران [25] مقالات منتشر شده مرتبط با حوزه ارتباط بین بیمار و پزشک از سال 1949 تا سال 2008 را بررسی کردند و نتیجه گرفتند مهم‌ترین دلیلی که باعث می‌شود بیماران، پزشک خود را تغییر دهند، ناتوانی پزشک در برقراری ارتباط مناسب با آنها است.

همچنین در سال 2012، هملین و همکاران [26]، مطالعه‌ای بر روی یک مرکز درمانی جراحی دست، به منظور شناخت شاخص‌های موثر اعتماد و رضایت‌مندی در رابطه بیمار و پزشک از طریق توزیع پرسش‌نامه بین 122 بیمار انجام دادند. نتایج آنها با استفاده از آزمون آماری کای دو نشان داد جنسیت، سن، تحصیلات و میزان درآمد افراد روی نظرشان در مورد پزشک، تاثیر ندارد. آنها همچنین توانایی‌های تخصصی، مهارت‌های ارتباط کلامی و احترام به نظرات بیمار را مهم دانستند و نتیجه گرفتند مهم‌ترین عوامل در رضایت‌مندی بیماران از پزشک، به ترتیب شامل موارد زیر هستند:

· بیان تمام حقایق به بیمار

· به کار بردن اصطلاحات قابل درک برای بیمار

· پاسخ به تمام سوالات بیمار

· اختصاص زمان کافی برای شرح دلیل مراجعه

· پیشنهاد کردن تمام روش‌های درمانی

· تخصص پزشک

· اولویت دادن به خواسته‌های بیمار

3. روش پژوهش

3-1- جمع‌آوری داده

این پژوهش از نوع کاربردی و توصیفی است که شامل یک مطالعه موردی در زمینه عمل جراحی زیبایی بینی در شهر تهران است. همچنین بنیان نظری پژوهش حاضر، شامل استفاده از ابعاد مدل سروکوال است که اعتبار این مدل مفهومی، توسط پاراسورامان و همکارانش [12] تایید شده است.

3-1-1- جامعه آماری

جامعه آماری در این تحقیق مراجعه‌کنندگان به مراکز عمل جراحی زیبایی بینی در شهر تهران است. صفت مشخص کننده جامعه آماری در این پژوهش، انجام عمل جراحی زیبایی بینی در مراکز جراحی زیبایی بینی در شهر تهران است.افرادی که عمل جراحی زیبایی انجام می‌دهند، به اختیار خود این کار را انجام می‌دهند، از بیماری رنج نمی‌برند و در شرایط کاملا مستقل، پس از تحقیق و جستجوهای فراوان، تصمیم به انتخاب یک پزشک می‌گیرند. با توجه به موارد ذکر شده، افرادی که به مراکز عمل زیبایی مراجعه می‌کنند، برای مطالعه رضایت‌مندی نسبت به پزشک، موارد مناسبی هستند. در نتیجه تعاملات این افراد با پزشک، برای رسیدن به هدف این پژوهش، مورد مطالعه قرار گرفت.

3-1-2- روش نمونه‌گیری

در این پژوهش، از روش نمونه‌برداری تصادفی طبقه‌ای²⁶ برای توزیع پرسش‌نامه استفاده شده است.

[1] . Deng

[2] . Claude Elwood Shannon

[3] . Warren Weaver

[4] . Barnlund

[5] . Silverman

[6] . Drossman

[7] . Inseparability

[8] . Variability

[9] . Perishability

[10] . SERVQUAL

[11] . Responsiveness

[12] . Assurance

[13] . Reliability

[14] . Empathy

[15] . Tangibles

[16] . Babakus

[17] . Zifko

[18] . Tucker

[19] . Sohail

[20] . Elleuch

[21] . Behara

[22] . Shih

[23] . online

[24] . Hill

[25] . Eastern Kentucky

[26] . Stratified Random Sampling

جدول 1 - دسته‌بندی سوالات پرسش‌نامه بر اساس ابعاد سروکوال.

سوال‌ها	ویژگی‌ها	مطالعات انجام‌شده	ابعاد مدل سروکوال
Q1	اطلاع‌رسانی پزشک به شما از نتیجه و عوارض جراحی بینی‌تان	هملین[26]، کالیانن[28]	پاسخ‌گویی
Q2	در اختیار قرار دادن اطلاعات مورد نیاز شما توسط پزشک	هملین[26]، انت‌ویستل[29]	پاسخ‌گویی
Q3	نظرخواهی پزشک از شما در فرایند درمان	هملین[26]،امانوئل[30]،کوالسکی[31]	پاسخ‌گویی
Q4	در دسترس بودن پزشک	امانوئل[30]،کوالسکی[31]	پاسخ‌گویی
Q5	صحبت کردن پزشک به زبان ساده و عامیانه	هملین[26]، آسمانی[32]	پاسخ‌گویی
Q6	در مجموع تا چه حد پزشک خود را پاسخ‌گو می‌دانید؟		پاسخ‌گویی
Q7	میزان مهارت پزشک در عمل زیبایی بینی	هملین[26]، آسمانی[32]	تضمین
Q8	میزان اطمینان دادن پزشک به شما درمورد فرم ظاهری بینی بعد از عمل	تابز[33]، کابا[34]	تضمین
Q9	امکان مشاهده گواهینامه‌های تخصصی پزشک	هملین26]، آسمانی[32]	تضمین
Q10	امکان مشاهده آلبوم قبل و بعد از عمل‌ مراجعان قبلی پزشک	کابا[34]	تضمین
Q11	میزان رازداری پزشک در مورد اطلاعات شما	کالیانن[28]، امانوئل[30]، تابز[33]، لویی[35]	تضمین
Q12	میزان عوارض بعد از جراحی بینی	حافظی[36]	تضمین
Q13	در مجموع تا چه اندازه، پزشکتان را برای جراحی مناسب ‌می‌دانید؟		تضمین
Q14	پیشنهاد کردن سایر روش‌های درمانی (حتی جراحی نکردن) توسط پزشک	هملین[26]، کوالسکی[31]، لویی[35]	قابلیت اطمینان
Q15	میزان اهمیت منافع شما (از جمله هزینه‌ی عمل) برای پزشک	هملین[26]، ازار[37]	قابلیت اطمینان
Q16	دقت پزشک در بایگانی سوابق پزشکی شما	هیل[23]، کابا[34]	قابلیت اطمینان
Q17	دقت پزشک در پیش‌بینی مدت زمان درمان	هیل[23]، امانوئل[30]	قابلیت اطمینان
Q18	در مجموع چقدر وعده‌های پزشک شما محقق شده است؟		قابلیت اطمینان
Q19	میزان خوش‌رویی، شوخ‌طبعی و خندان بودن پزشک	هملین[26]، کابا[34]، کراگ[38]	هم‌دلی
Q20	میزان وقت‌شناس بودن پزشک	هملین[26]، کابا[34]، لویی[35]	هم‌دلی
Q21	میزان احترام پزشک نسبت به جنسیت، فرهنگ، قومیت و شرایط خاص	فرگوسن [39]، دراسمن [9]	هم‌دلی
Q22	گوش دادن با انگیزه و اشتیاق به صحبت‌های شما توسط پزشک	هملین[26]،دراسمن[9]،سیلورمن[8]	هم‌دلی
Q23	صحبت کردن پزشک با لحن صمیمانه برای ایجاد حس اعتماد به نفس	شانون[3]، هملین[26]، سیلورمن[8]	هم‌دلی
Q24	در مجموع پزشک نسبت به شما چقدر دل‌سوز و همدل بوده است؟		هم‌دلی
Q25	میزان شهرت و خوش‌نامی پزشک	هملین[26]، کابا[34]	عوامل محسوس
Q26	مناسب بودن ظاهر پزشک	هملین[26]، آسمانی[32]	عوامل محسوس
Q27	میزان پاکیزگی و آرامش‌بخش بودن دفتر پزشک	هملین[26]، تابز[33]، دراسمن[9]	عوامل محسوس
Q28	مناسب بودن موقعیت جغرافیایی و وضعیت ساختمان محل کار پزشک	هملین[26]	عوامل محسوس
Q29	میزان استفاده از تجهیزات و فناوری‌های جدید برای درمان	امانوئل[30]، آسمانی[32]	عوامل محسوس
Q30	در مجموع چقدر وضعیت ظاهری مرکز درمانی و همچنین پزشک، مورد تایید شما بوده است؟		عوامل محسوس

با توجه به اینکه تعداد دقیق متقاضیان عمل جراحی زیبایی بینی تهران نامشخص است، از فرمول کوکران¹ برای جامعه نامحدود (جامعه‌ای که حجم دقیق آن در دسترس نیست) برای تعیین حجم نمونه استفاده می‌شود. رابطه (1) فرمول کوکران برای تعیین حجم نمونه در جامعه نامحدود است که در آن z مقدار متغیر نرمال واحد استاندارد، که در سطح اطمینان 95 درصد، برابر 1.96 می‌باشد. همچنین p مقدار نسبت صفت موجود در جامعه است که اگر در اختیار نباشد، می‌توان آن را 0.5 در نظر گرفته که در این حالت مقدار واریانس به حداکثر مقدار خود می‌رسد، q درصد افرادی كه فاقد آن صفت در جامعه هستند (q =1-p) و d مقدار خطای مجاز است [27].

(1)

در این پژوهش با استفاده از فرمول فوق و با مقدار خطای مجاز 5 درصد، حداقل حجم نمونه‌ای که باید تهیه گردد، حداقل 385 نمونه تعیین گردید.

3-1-3- طراحی پرسش‌نامه

در این پژوهش، جمع‌آوری اطلاعات به وسیله توزیع پرسش‌نامه و به صورت میدانی است. برای این منظور، پرسش‌نامه‌ای برای سنجش رضایت مراجعان عمل جراحی زیبایی بینی طراحی شد. در این پرسش‌نامه از ابعاد مدل سروکوال الگو گرفته شد و سپس براي اين ابعاد با استفاده از مطالعه‌های انجام شده در حوزه‌های خدمات سلامت و عمل جراحی زیبایی بینی؛ طراحي و پرسشنامه محقق ساخته آماده شد. براي روايي سوالات از نظرات گران‌بهای اساتید، متخصصان و صاحب‌نظران این حوزه استفاده شد و براي پايايي آن از توزيع 20 پرسشنامه و تعيين آلفاي كرونباخ استفاده شد. پرسش‌نامه مورد استفاده در این پژوهش در سه قسمت تنظیم گردیده است که فقط در یک مرحله توسط. در قسمت سوم، نیز سوال نهایی در مورد رضایت‌مندی افراد از پزشک پرسیده می‌شود که ارزیابی پژوهش بر اساس این بخش، انجام می‌گیرد.

جدول 1، سوالات قسمت دوم پرسش‌نامه را به در قالب ابعاد مدل سروکوال نشان می‌دهد.

قسمت سوم پرسش‌نامه که ارزیابی نهایی بر مبنای آن انجام می‌شود، در مورد رضایت‌مندی افراد نسبت به پزشک می‌باشد. سوال این بخش در جدول 2 نشان داده شده است.

جدول 2 - سوال نهایی پرسش‌نامه به عنوان خروجی مدل‌ها.

شماره سوال	سوال نهایی
Q31	میزان رضایت کلی شما از پزشکتان چقدر است؟

مراجعان عمل جراحی زیبایی بینی که این پرسش‌نامه را تکمیل می‌کنند، پاسخ سوالات قسمت دوم پرسش‌نامه را در قالب یک طیف چهارنقطه‌ای لیکرت² (شامل بسیارکم، کم، زیاد و بسیارزیاد) تکمیل می‌کنند. با توجه به اینکه گاهی افراد راغب نیستند جواب قطعی بدهند، در طراحی سوالات قسمت دوم پرسش‌نامه، گزینه متوسط را حذف کردیم تا انتخاب پاسخ‌ها، جهت‌دار باشد. همچنین افراد در بخش جمع‌بندی، در قالب یک طیف پنج‌نقطه‌ای لیکرت (شامل بسیارکم(عدد1)، کم(عدد2)، متوسط(3)، زیاد (4)و بسیارزیاد(5)) به سوال این بخش، پاسخ می‌دهند.

در این پژوهش، در دو مرحله، پایایی³ ابزار پرسش‌نامه ارزیابی شد. در مرحله اول، پرسش‌نامه بين 20 نفر به عنوان پیش‌آزمون توزيع شد و به ازای این تعداد، ضریب آلفای کرونباخ محاسبه شد که مقدار 0.91 به دست آمد. با توجه به اینکه آلفا در این مرحله بیش از 0.7 به دست آمد، پرسش‌نامه از پایایی لازم برخوردار بوده [27] و بین افراد جامعه توزیع شد. در مرحله دوم، پس از پایان جمع‌آوری پرسش‌نامه‌ها، مجددا ضریب آلفای کرونباخ محاسبه شد که نتایج آن در ادامه نشان داده شده است.

3-2- فرایند مدل‌سازی

در این پژوهش از پرکاربردترین روش‌های یادگیری ماشین برای مدل‌سازی ارتباط بیمار و پزشک استفاده شده است. در این راستا سه روش شبکه عصبی مصنوعی، ماشین بردار پشتیبان و درخت تصمیم‌گیری مورد ارزیابی قرار می‌گیرند و مناسب‌ترین روش به عنوان راهکاری برای استخراج عوامل

موثر در ارتباط بیمار و پزشک و تعیین ترتیب اهمیت ویژگی‌ها به کار گرفته می‌شود. به منظور مقایسه روش‌ها در فرایند یادگیری ماشین، به ازای هر یک از سه الگوریتم فوق، مجموعا 7 مدل ساخته می‌شود. فرایند مدل‌سازی، در حالات زیر صورت می‌گیرد:

1-در حالت الف، از تمامی سوالات که همان ویژگی‌ها

هستند، به عنوان ورودی و رضایت‌مندی بیماران به عنوان خروجی مطلوب (مطابق شکل 1) استفاده می‌شود. در این حالت برای هر الگوریتم، مدل1 ساخته می‌شود.

[1] . Cochran

[2] . Likert

[3] . Reliability

شکل 1 - ورودی‌ها و خروجی مدل برای حالت الف

شکل 2 - ورودی‌ها و خروجی مدل برای حالت ب

شکل 3 - ورودی‌ها و خروجی‌ها برای مدل‌های حالت ج

در حالت ج، هر یک از ابعاد پاسخ‌گويي، تضمين، قابلیت اطمینان، هم‌دلي و عوامل محسوس به طور جداگانه در هر سه الگوریتم با سوال متناظرشان به عنوان خروجی مطلوب (مطابق شکل3)، مدل‌سازی می‌شوند و برای هر الگوریتم، مدل‌های 3، 4، 5، 6 و 7 ساخته می‌شود. پس از ارزیابی مدل‌های ساخته شده با هر یک از سه روش مذکور، روشی که مناسب‌ترین نتایج را ارائه دهد، مبنای تصمیم‌گیری برای استخراج عوامل موثر در رضایت‌مندی بیمار از پزشک و تعیین اولویت اهمیت ویژگی‌های موثر خواهد بود.

3-3- پیاده‌سازی مدل‌ها با روش‌های یادگیری ماشین

روش‌های درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی به ازای هر یک از مراحل مذکور در بخش 3-2 برای مدل‌سازی مورد استفاده قرار می‌گیرند.

3-3-1- روش درخت تصمیم‌گیری

در این پژوهش، به عنوان اولین روش یادگیری ماشین، از درخت تصمیم C4.5 برای دسته‌بندی استفاده می‌کنیم. برای جلوگیری از پیچیدگی درخت، آن را هرس می‌کنیم. برای هرس درخت از معیار کمترین خطا استفاده شده است. روش کار به این صورت است که در مرحله نخست درخت بدون هرس تولید می شود و سطحی که در آن بهترین خطا برای هر گره به دست می‌آید، مشخص می‌گردد. در واقع بهترین سطح، سطحی است که در آن خطای به دست آمده از کمترین خطای زیردرخت‌های آن سطح بیشتر نباشد. در مرحله بعد می‌توان درخت را از این سطح هرس کرده و کوچک‌تر نمود.

3-3-2-روش ماشین بردار پشتیبان

دومین روش مورد استفاده، روش ماشین بردار پشتیبان است. برای انتخاب پارامترهای مهم ماشین بردار پشتیبان از روش‌های تنظیم پارامتر استفاده شده است. مهم‌ترین پارامترهای ماشین بردار پشتیبان، انتخاب نوع کرنل و پارامتر هزینه¹ و گاما می‌باشد. پارامتر هزینه پارامتر مربوط به عبارت خطا می‌باشد که در ماشین بردار پشتیبان soft margin مورد استفاده قرار می‌گیرد. پارامتر گاما نیز عرض کرنل مربوطه را تعیین می‌کند. با انتخاب مقادیر بزرگ برای هزینه، یک ماشین بردار پشتیبان با حاشیه² کم به منظور دست‌یابی به کمترین میزان خطای دسته‌بندی آموزش داده می‌شود. با انتخاب مقادیر بسیار کوچک برای هزینه، یک ماشین بردار پشتیبان با حاشیه زیاد آموزش داده می‌شود که اجازه دسته‌بندی غلط به مراتب زیادتر را در داده‌های آموزشی می‌دهد. به منظور انتخاب مناسب پارامترهای عددی هزینه و گاما از الگوریتم بهینه‌سازی پرندگان (PSO)³ برای جستجوی هدفمند در فضای مسئله استفاده شده است. به این ترتیب مقادیر مناسب پارامترهای عددی مانند هزینه و گاما برای سه کرنل RBF گاوسی، چند جمله‌ای و سیگموئید⁴ توسط روش بهینه‌سازی PSO به صورت هدف‌مند پیدا شده و با مقایسه مناسب‌ترین مدل در هر روش، بهترین کرنل به همراه مقادیر پارامترهای مربوط انتخاب شده‌اند. مزیت استفاده از الگوریتم تکاملی PSO در مرحله تنظیم پارامترها، جست‌وجوی پیوسته فضای حالت و سرعت بالای این الگوریتم نسبت به روش‌هایی مانند grid می‌باشد. با مقایسه نتایج مربوط به این مرحله کرنل RBF به همراه پارامترهای تعیین شده به منظور مدل‌سازی با کمک روش ماشین بردار پشتیبان انتخاب شده‌اند.

3-3-3- روش شبکه عصبی

روش سوم، مدل‌سازی به کمک روش شبکه عصبی با استفاده از الگوریتم پس‌انتشار خطا، می‌باشد. پارامترهای زیادی برای شبکه عصبی وجود دارند. با توجه به اینکه آموزش مناسب شبکه، وابستگی زیادی به پارامترهای استفاده‌شده در آن شبکه دارد، برای این منظور از روش‌های تنظیم پارامتر⁵ به منظور یافتن مقادیر مناسب برای پارامترهای مهم شبکه یا انتخاب مدل⁶ استفاده شده است.

مهم‌ترین این پارامترها، تعداد لایه‌های میانی و همچنین تعداد نرون‌های لایه‌های میانی است. در حالت اول از دو لایه مخفی و تعداد 6 نرون در لایه مخفی اول و تعداد 10 نرون در لایه مخفی دوم استفاده شده است. در حالت دوم و سوم از یک لایه مخفی با تعداد 35 نرون در لایه مخفی استفاده شده است. برای آموزش تمام شبکه‌ها از 10000 تکرار⁷ استفاده می‌گردد. به منظور جلوگیری از بیش‌برازش در شبکه عصبی از روش توقف پیش از موعد⁸ استفاده شده است. از تابع فعالیت tansig برای لایه‌های مخفی و از تابع فعالیت purelin برای لایه خروجی استفاده شده است.

3-4- ارزیابی مدل

ارزیابی مدل، بخش بسیار مهمی است که نباید دست کم گرفته شود. وقتی مدلی ارائه می‌گردد، باید توانایی پیش‌بینی مشاهدات آینده را داشته باشد. در نتیجه نباید مدل ارائه‌شده، سوار⁹ بر مجموعه داده‌های آموزشی باشد و باید قابلیت تعمیم‌پذیری¹⁰ و گسترش برای استفاده‌های واقعی را دارا باشد [40].

مهم‌ترین معیار ارزیابی برای مسائل دسته‌بندی، صحت¹¹ است. معیار صحت، نسبت نمونه‌هایی را که به درستی دسته‌بندی می‌شوند، به تمام نمونه‌ها نشان می‌دهد. معیار صحت را با Acc(X) نشان می‌دهند:

(2)

در این پژوهش، مجموعه داده به سه بخش کاملا مستقل آموزش، اعتبارسنجی و آزمون تقسیم می‌شود. پیش‌بینی کارایی مدل با این راهکار، به دلیل استقلال مجموعه‌ها به واقعیت نزدیک خواهد بود. این روش، مشکل بيش‌برازشی¹² را کاهش می‌دهد و قابلیت تعمیم‌دهی بالاتری دارد [41]. همچنین در این پژوهش، در تمام موارد از روش اعتبارسنجی k بخشی¹³ با مقدار k برابر 5 استفاده شده است.

بازه‌های اطمینان، شاخص مناسبی برای کارایی مدل‌ها هستند. رابطه (3) برای محاسبه بازه اطمینان استفاده می‌شود که در آن، f کارایی الگوریتم روی مجموعه داده تست، N تعداد نمونه‌های مجموعه داده تست و z مقدار متناظر روی نمودار توزیع زِد که به ازای اطمینان 90%، مقدار 1.65 می‌باشد. در این رابطه، علامت ± دو مقدار را برای p به عنوان کران‌های پایین و بالای بازه اطمینان، به دست می‌آورد [42].

(3)

3-5- روش انتخاب ویژگی رَپِر

در روش رَپِر، از يك تابع دسته‌بندي براي ارزيابي شايستگي زيرمجموعه‌هاي ويژگي استفاده مي‌شود. اين روش از بازخورد الگوريتم يادگيري اعمال شده استفاده می‌کند. یافتن یک زیرمجموعه بهینه از مجموعه ویژگی‌ها، به صورت مستقیم با انتخاب تابع ارزیابی بستگی دارد. چرا که اگر تابع ارزیابی به زیرمجموعه ویژگی بهینه یک مقدار نامناسب نسبت دهد، این زیرمجموعه هیچ‌گاه به عنوان زیرمجموعه بهینه انتخاب نمی‌شود. مقادیری که توابع ارزیابی مختلف به یک زیرمجموعه می‌دهند، با هم متفاوت است. مزیت توابع ارزیابی که بر اساس نرخ خطا عمل می‌کنند، دقت بالای آنها در انتخاب زیرمجموعه‌ای از ویژگی‌ها است. در نتیجه به مجموعه روش‌هایی که از تابع ارزیابی مبتنی بر نرخ خطای

خطای طبقه‌بندی کننده استفاده می‌کنند، روش‌های رَپِر می‌گویند [42].

$Description: H:\MSc Dissertation\فایلهای مورد نیاز پایان نامه\عکس‌های به کار رفته در پایان نامه\image7.jpeg$

شکل4 – روش رَپِر [41].

در اینجا دو مورد از مشهورترین الگوریتم‌های روش‌های رَپِر توضیح داده شده است.

3-5-1- انتخاب پیش‌رو ترتیبی¹⁴

این روش، کار خود را با یک مجموعه خالی شروع می‌کند. سپس در هر تکرار یک ویژگی با استفاده از تابع ارزیابی مورد استفاده، به مجموعه جواب اضافه می‌کند و این کار را تا زمانی که تعداد ویژگی لازم انتخاب شود، تکرار می‌کند. مشکلی که این روش با آن مواجه است، این است که ویژگی اضافه شده در صورتی که مناسب نباشد، از مجموعه جواب حذف نمی‌گردد [43].

شکل 5 - الگوریتم انتخاب ویژگی پیش‌رو ترتیبی [43].

3-5-2- انتخاب پس‌رو ترتیبی¹⁵

بر خلاف روش قبل، در این روش، کار با مجموعه‌ای شامل تمام ویژگی‌ها شروع می‌شود و در هر بار تکرار الگوریتم، آن ویژگی که به وسیله تابع ارزیابی انتخاب شود، از مجموعه مورد نظر حذف می‌گردد و این کار تا زمانی ادامه دارد که تعداد ویژگی‌ها برابر با تعداد معینی شود. مشکل این روش مانند روش قبل این است که ویژگی حذف شده را حتی اگر مناسب باشد، دیگر به مجموعه اضافه نمی‌کند [43].

شکل 6 – الگوریتم انتخاب ویژگی پس‌رو ترتیبی [43]

4. يافته ها و بحث

پس از تکمیل پرسش‌نامه‌ها توسط پاسخ‌دهندگان، 396 نمونه معتبر جمع‌آوری گردید. برای سنجش پایایی، در این مرحله، به ازای تمام پرسش‌نامه‌های معتبر، ضریب آلفای کرونباخ با استفاده از نرم افزار SPSS محاسبه گردید که

[1] . Cost

[2] . Margin

[3] . Particle Swarm Optimization (PSO)

[4] . Sigmoid

[5] . parameter tuning

[6] . Model selection

[7] . epoch

[8] . Early stopping

[9] . fit

[10] . Generalization

[11] . Accuracy

[12] . Over-fitting

[13] . K-fold cross-validation

[14] . Sequential Forward Selection (SFS)

[15] . Sequential Backward Selection (SBS)

شکل 7 - توزیع پاسخ‌دهندگان بر اساس سوالات اولیه و جمعیت‌شناختی(سن بيمار- درآمد ماهانه- شغل و سطح تحصيلات).

مقدار 0.74 به دست آمد و بالاتر از مقدار 0.7 پیشنهادی سکاران[27] است

4-1- يافته هاي توصیفی

ویژگی‌های جمعیت‌شناختی و سوالات اولیه پاسخ‌دهندگان بر اساس توزیع فراوانی و درصد توزیع درشکل 7 ارائه شده است.

4-2- ارزیابی پاسخ سوالات پرسش‌نامه

نتایج پاسخ‌های افراد به سوالات هر بُعد شامل میانگین¹ و انحراف معیار² در جدول 3 آمده است. این نتایج، وضعیت خدمات دریافت شده بیمار از پزشک را با معیارهای تعیین شده در سوالات مشخص می‌کند.

[1] . Mean

[2] . Standard deviation

جدول 3 – نتایج توصیفی پاسخ‌های افراد به سوالات بخش دوم پرسش‌نامه.

ابعاد و ویژگی‌ها

سوال‌ها

میانگین

انحراف معیار

پاسخ‌گویی

اطلاع‌رسانی پزشک به شما از نتیجه و عوارض جراحی بینی‌تان

2.95

0.73

در اختیار قرار دادن اطلاعات مورد نیاز شما توسط پزشک

2.91

0.771

نظرخواهی پزشک از شما در فرایند درمان

2.7

0.902

در دسترس بودن پزشک

2.95

0.851

صحبت کردن پزشک به زبان ساده و عامیانه

2.99

0.772

در مجموع تا چه حد پزشک خود را پاسخ‌گو می‌دانید؟

2.87

0.786

تضمین

میزان مهارت پزشک در عمل زیبایی بینی

3.41

0.761

میزان اطمینان دادن پزشک به شما در مورد فرم ظاهری بینی بعد از عمل

3.07

0.782

امکان مشاهده گواهینامه‌های تخصصی پزشک

2.63

0.922

Q10

امکان مشاهده آلبوم قبل و بعد از عمل‌ مراجعان قبلی پزشک

2.9

1.07

Q11

میزان رازداری پزشک در مورد اطلاعات شما

3.15

0.861

Q12

میزان عوارض بعد از جراحی بینی

2.66

1.079

Q13

در مجموع تا چه اندازه، پزشکتان را برای جراحی مناسب ‌می‌دانید؟

3.27

0.748

قابلیت اطمینان

Q14

پیشنهاد کردن سایر روش‌های درمانی (حتی جراحی نکردن) توسط پزشک

2.17

0.997

Q15

میزان اهمیت منافع شما (از جمله هزینه‌ی عمل) برای پزشک

2.73

0.891

Q16

دقت پزشک در بایگانی سوابق پزشکی شما

2.84

0.783

Q17

دقت پزشک در پیش‌بینی مدت زمان درمان

2.95

0.802

Q18

در مجموع چقدر وعده‌های پزشک شما محقق شده است؟

3.06

0.8

هم‌دلی

Q19

میزان خوش‌رویی، شوخ‌طبعی و خندان بودن پزشک

3.1

0.847

Q20

میزان وقت‌شناس بودن پزشک

3.05

0.859

Q21

میزان احترام پزشک نسبت به جنسیت، فرهنگ، قومیت و شرایط خاص شما

3.07

0.82

Q22

گوش دادن با انگیزه و اشتیاق به صحبت‌های شما توسط پزشک

3.08

0.808

Q23

صحبت کردن پزشک با لحن صمیمانه برای ایجاد حس اعتماد به نفس

3.18

0.784

Q24

در مجموع پزشک نسبت به شما چقدر دل‌سوز و همدل بوده است؟

2.9

0.847

عوامل محسوس

Q25

میزان شهرت و خوش‌نامی پزشک

3.28

0.676

Q26

مناسب بودن ظاهر پزشک

2.86

0.923

Q27

میزان پاکیزگی و آرامش‌بخش بودن دفتر پزشک

3.09

0.77

Q28

مناسب بودن موقعیت جغرافیایی و وضعیت ساختمان محل کار پزشک

2.94

0.784

Q29

میزان استفاده از تجهیزات و فناوری‌های جدید برای درمان

3.27

0.731

Q30

در مجموع چقدر وضعیت ظاهری مرکز درمانی و همچنین پزشک، مورد تایید شما بوده است؟

3.16

0.69

با در نظر گرفتن هر دو مقادیر میانگین و انحراف معیار به‌دست‌آمده از پاسخ هر سوال توسط پاسخ‌دهندگان، برای مطلوب‌ترین و نامطلوب‌ترین ویژگی‌ها، نتایجی از قبیل موارد زیر استخراج می‌گردد:

در بُعد پاسخ‌گویی، اکثر افراد اعتقاد دارند پزشک با آنها به زبان ساده و عامیانه صحبت می‌کند (سوال5) و آنها را از نتیجه و عوارض جراحی بینی‌شان مطلع می‌کند (سوال 1) و پزشک در فرایند درمان از آنها نظرخواهی نکرده است (سوال 3).

در بُعد تضمین، اکثر افراد، پزشک خود را در عمل زیبایی بینی، بامهارت می‌دانند (سوال 7) و امکان مشاهده گواهینامه‌های تخصصی پزشک برای آنها وجود نداشته است (سوال 9).

در بُعد قابلیت اطمینان، اکثر افراد پزشک را در پیش‌بینی مدت زمان درمان، دقیق می‌دانند (سوال 17) و می‌گویند پزشک، تلاشی به منظور صرف‌نظر کردن آنها از عمل جراحی زیبایی بینی و یا ارائه پیشنهادی مبنی بر استفاده از سایر روش‌های درمانی نکرده است (سوال 14).

در بُعد هم‌دلی، اکثر پاسخ‌دهندگان می‌گویند پزشک برای ایجاد حس اعتماد به نفس، با لحن صمیمانه با آنها صحبت می‌کند (سوال 23)، ولی پزشک را وقت‌شناس نمی‌دانند (سوال 20).

در بُعد عوامل محسوس، اکثر افراد، میزان شهرت پزشک خود را مطلوب و خوش‌نامی او را معیاری مناسب برای انتخاب پزشک می‌دانند (سوال 25)، ولی مناسب بودن ظاهر پزشک، مقدار کمی ارزیابی می‌شود (سوال 26).

در بخش آخر پرسش‌نامه، سوال نهایی در مورد میزان رضایت‌مندی افراد از پزشک خود، میانگین و انحراف معیار پاسخ‌های افراد محاسبه گردید. اطلاعات مربوط به این نتایج پاسخ‌های افراد به سوال بخش جمع‌بندی در جدول 4 آمده است. با توجه به نتایج جدول 4، میزان رضایت افراد از پزشک، 78.2 درصد ارزیابی گردید.

4-3- يافته هاي حاصل از الگوریتم‌ها

هر یک از الگوریتم‌های درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی برای ساخت 7 مدل، اجرا شدند. در این بخش، برای هر حالت، کارایی این روش‌ها را بر روی داده‌ها نشان دادیم.

4-3-1- حالت الف

در حالت الف، الگوریتم‌ها برای مدل‌سازی، از تمامی سوالات که همان ویژگی‌ها هستند، به عنوان ورودی و رضایت‌مندی به عنوان خروجی مطلوب استفاده کردند. در شکل 8 مشاهده می‌شود الگوریتم‌ها در حالت الف، به خوبی عمل نمی‌کنند و دقت آنها چندان مناسب نیست. مهم‌ترین دلیل این امر می‌تواند وجود 25 ویژگی به عنوان ورودی که بسیار زیاد است، ذکر شود، چرا که دسته‌بندی در این فضای پیچیده بسیار دشوار است.

برای مقایسه جداسازهای الگوریتم‌های درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی در حالت الف، با اطمینان 90%، کران پایین و بالای صحت، برای این الگوریتم‌ها محاسبه شده و در شکل 9 قابل مشاهده است.

4-3-2- حالت ب

در حالت ب، الگوریتم‌ها برای مدل‌سازی، از سوالات اصلی هر بعد (سوالات 6، 13، 18، 24و30)، به عنوان ورودی و رضایت‌مندی به عنوان خروجی استفاده کردند. در شکل 9 مشاهده می‌شود الگوریتم شبکه عصبی در خروجی پرسش‌نامه بهترین کارایی را نسبت به دو روش دیگر دارد.

جدول 4 – نتایج توصیفی پاسخ‌های افراد به سوال نهایی پرسش‌نامه.

سوال‌ نهایی	سوال	میانگین پاسخ‌ها	انحراف معیار
Q31	میزان رضایت کلی شما از پزشکتان چقدر است؟	3.91	0.91

شکل 8- مقایسه کارآیی الگوریتم یادگری ماشین در حالت الف بر اساس صحت

شکل 9- مقایسه کار آیی الگوریتم یادگیری ماشین در حالت ب بر اساس صحت

$Description: H:\MSc Dissertation\Main Dissertation File\My Code\FinalVersion\921018 pooyan\6_13_18_24_30.tif$

شکل10 - مقایسه کارایی الگوریتم‌های یادگیری ماشین در حالت ج بر اساس صحت

جدول 5 - مقایسه کارایی جداسازهای الگوریتم‌ها با 90% اطمینان برای حالت الف.

خروجی‌های

شبکه عصبی

درخت تصمیم

ماشین بردار پشتیبان

شبکه عصبی

کران پایین اطمینان

کران بالای اطمینان

کران پایین اطمینان

کران بالای اطمینان

کران پایین اطمینان

کران بالای اطمینان

رضایت از پزشک













جدول 6 - مقایسه کارایی جداسازهای الگوریتم‌ها با 90% اطمینان برای حالت ب.

خروجی‌های

شبکه عصبی

درخت تصمیم

ماشین بردار پشتیبان

شبکه عصبی

کران پایین اطمینان

کران بالای اطمینان

کران پایین اطمینان

کران بالای اطمینان

کران پایین اطمینان

کران بالای اطمینان

رضایت از پزشک













جدول 7 - مقایسه کارایی جداسازهای الگوریتم‌ها با 90% اطمینان برای حالت ج.

خروجی‌های شبکه عصبی	درخت تصمیم		ماشین بردار پشتیبان		شبکه عصبی
خروجی‌های شبکه عصبی	کران پایین اطمینان	کران بالای اطمینان	کران پایین اطمینان	کران بالای اطمینان	کران پایین اطمینان	کران بالای اطمینان
پاسخ‌گویی						
تضمین						
قابلیت اطمینان						
هم‌دلی						
عوامل محسوس						

برای مقایسه جداسازهای الگوریتم‌های درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی در حالت ب، با اطمینان 90%، کران پایین و بالای صحت، برای این الگوریتم‌ها محاسبه شده است که در جدول 6 قابل مشاهده است.

4-3-3- حالت ج

در حالت ج، الگوریتم‌ها برای مدل‌سازی بر روی هر یک از ابعاد پاسخ‌گويي، تضمين، قابلیت اطمینان، هم‌دلي و عوامل محسوس به عنوان ورودی و سوال متناظرشان به عنوان خروجی مطلوب، به کار گرفته شدند. در شکل 10 مشاهده می‌شود الگوریتم شبکه عصبی در تمام موارد، بهترین کارایی را نسبت به دو روش دیگر دارد و پس از آن الگوریتم ماشین بردار پشتیبان، به جز یک مورد، کارایی بهتری را نسبت به روش درخت تصمیم نشان می‌دهد.

همچنین برای مقایسه جداسازهای الگوریتم‌های درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی در حالت ج، با اطمینان 90%، کران پایین و بالای صحت، برای این الگوریتم‌ها محاسبه شده است که در جدول 7 قابل مشاهده است.

4-4- انتخاب الگوریتم برای تعیین عوامل مؤثر

در این پژوهش، پس از مقایسه الگوریتم‌های درخت تصمیم‌گیری، ماشین بردار پشتیبان و شبکه عصبی به ازای 7 مدل ساخته شده در بخش قبل، مشاهده شد که الگوریتم شبکه عصبی نسبت به دو روش دیگر، کارایی نسبتا بهتری دارد. در نتیجه الگوریتم شبکه عصبی در ادامه برای تعیین اهمیت ویژگی‌های موثر در ارتباط بیمار و پزشک به کار گرفته می‌شود.

اکنون با کمک روش شبکه عصبی، ابعاد و ویژگی‌های موثر در رضایت‌مندی افراد نسبت به پزشک را از طریق ‌روش‌ انتخاب ویژگی رَپِر تعیین می‌کنیم.

4-4-1- تعیین اهمیت ابعاد موثر در رضایت‌مندی افراد

برای تعیین اولویت اهمیت ابعاد، با توجه به تعداد کم ورودی‌ها از روش انتخاب پیش‌رو ترتیبی استفاده می‌شود. با این کار در هر انتخاب، مهم‌ترین بُعد انتخاب می‌شود.

جدول 8 پارامترهای مناسب به دست آمده برای این شبکه را نشان می‌دهد.

جدول 8 –پارامترهاي شبكه عصبي برای تعیین اهمیت ابعاد موثر در رضایت‌مندی افراد نسبت به پزشک.

خروجی نهایی	ورودی‌های شبکه	خروجی شبکه	تعداد نرون‌های لایه مخفی	تابع فعالیت لایه مخفی	تابع فعالیت لایه خروجی
رضایت از پزشک	Q6،Q13،Q18،Q24،Q30	Q31	35	tansig	purelin

شکل 11 – اهمیت ابعاد موثر بر «رضایت از پزشک» با روش انتخاب پیش‌رو ترتیبی.

جدول 9 – ترتیب اهمیت ابعاد بر اساس رضایت‌مندی افراد با روش انتخاب پیش‌رو ترتیبی.

جایگاه اهمیت	رضایت از پزشک
اول	تضمین
دوم	پاسخ‌گویی
سوم	هم‌دلی
چهارم	قابلیت اطمینان
پنجم	عوامل محسوس

با انجام روش انتخاب پیش‌رو ترتیبی در شبکه عصبی مربوط به «رضایت از پزشک»، در گام اول، از بین تمام ابعاد، بهترین کارایی بر اساس معیار صحت، برای Q13 به میزان 66 درصد به دست آمد که نشان می‌دهد «تضمین» مهم‌ترین بُعد در «رضایت از پزشک» می‌باشد.

در گام دوم، از بین سایر ابعاد، بهترین کارایی برای Q6 به همراه Q13 که در گام اول انتخاب گردید، با میزان 70.8 درصد صحت به دست آمد که نشان می‌دهد «پاسخ‌گویی» دومین بُعد مهم در «رضایت از پزشک» می‌باشد. در گام سوم، از بین سایر ابعاد، بهترین کارایی برای Q24 به همراه Q13 و Q6 که از قبل انتخاب شدند، با میزان 77.5 درصد صحت به دست آمد که نشان می‌دهد «هم‌دلی» سومین بُعد مهم در «رضایت از پزشک» می‌باشد.

در گام چهارم، از بین ابعاد باقی‌مانده، بهترین کارایی برای Q18 به همراه Q13، Q6 و Q24 که از قبل انتخاب شدند، با میزان 79.3 درصد صحت به دست آمد که نشان می‌دهد «قابلیت اطمینان» چهارمین بُعد مهم در «رضایت از پزشک» می‌باشد. در نهایت، به ازای Q30 که تنها بُعد باقی‌مانده است و سایر ابعاد انتخاب‌شده در گام‌های قبل، میزان 82.4 درصد صحت به دست آمد که نشان می‌دهد «عوامل محسوس» کم‌اهمیت‌ترین بُعد در «رضایت از پزشک» است. ترتیب انتخاب مهم‌ترین ابعاد بر اساس «رضایت از پزشک»، در

شکل نشان داده شده است. اولویت اهمیت ابعاد مختلف به ازای خروجی رضایت از پزشک در جدول 9 نشان داده شده است. برای تعیین ترتیب اهمیت ویژگی‌ها، بر اساس سوال نهایی، با توجه به اینکه تعداد ورودی‌ها زیاد است، از روش انتخاب پس‌رو ترتیبی استفاده می‌شود. با این کار در هر انتخاب، کم‌اهمیت‌ترین ویژگی، از مجموعه، حذف می‌شود.

4-4-2- تعیین اهمیت ویژگی‌های موثر در رضایت‌مندی افراد

روش انتخاب ویژگی پس‌رو ترتیبی، بر روی یک شبکه عصبی که تمام 25 ویژگی به عنوان ورودی آن و رضایت به عنوان خروجی شبکه می‌باشد، انجام گردید. جدول 10 پارامترهای مناسب به دست آمده برای این شبکه را نشان می‌دهد. پس از انجام الگوریتم شبکه عصبی برای تعیین میزان اهمیت ویژگی‌ها بر اساس خروجی‌ رضایت‌مندی افراد از پزشک، کارایی الگوریتم بر اساس معیار صحت و کران پایین و بالا با اطمینان 90%، محاسبه گردید.

جدول 11، این مقادیر را در حالت‌های قبل و بعد از کاهش ویژگی، برای هر خروجی نشان می‌دهد.

يافته هاي نهایی( موثرترین عوامل رضایت‌مندی بیمار از پزشک)، در جدول 12 آمده است. پزشک باید اطلاعاتی که بیمار نیاز دارد بداند، در اختیارش قرار دهد و به سوالات او پاسخ دهد. این عامل، مهم‌ترین ویژگی در رضایت‌مندی بیمار شناخته گردید. در مطالعات حرازی [24] و هملین[26] نیز توجه به مشکل بیمار و پاسخ به سوالات او، سومین ویژگی مهم شناخته شد. می‌توان نتیجه گرفت که این عامل بسیار مهم است و در مورد عمل جراحی زیبایی بینی، به طور خاص افراد خواهان دریافت اطلاعات دقیق هستند. مهارت و تخصص پزشک در عمل جراحی زیبایی بینی، دومین ویژگی مهم در رضایت‌مندی بیماران شناخته شد. در مطالعه حرازی [24]، دانش و مهارت پزشک، مهم‌ترین ویژگی در ارتباط بین بیمار و پزشک و در مطالعه هملین [26]، تخصص پزشک، ششمین ویژگی موثر در رضایت بیمار از پزشک بوده است. لذا نتیجه میگیریم در حوزه عمل جراحی زیبایی، تاثیر مهارت و تخصص پزشک در رضایتمندی بیماران زیاد است و اولویت بالاتری نسبت به شهرت پزشک دارد.

سومین ویژگی مهم در رضایت‌مندی افراد، خوش‌رویی و شوخ‌طبعی پزشک شناخته شده است. چهارمین ویژگی مهم در رضایت‌مندی افراد، استفاده از تجهیزات و فناوری‌های به‌روزتوسط پزشک شناخته شده است. عدم وجود عوارض عمل جراحی بینی، پنجمین ویژگی موثر در رضایت‌مندی بیماران نسبت به پزشک، شناخته شده است که نشان از اهمیت این عامل در حوزه این پژوهش دارد.

اطمینان دادن پزشک در مورد فرم ظاهری بینی بعد از عمل، ششمین ویژگی موثر در رضایت‌مندی افراد از پزشک شناخته شد. هملین [26] نیز در مطالعه خود، بیان کردن تمام حقایق در مورد فرایند درمانی بیمار توسط پزشک را مهم‌ترین ویژگی شناخته شده بود. نتیجه می‌گیریم اطمینان یافتن بیماران از خروجی فرایند درمانی، رضایت آنها را جلب می‌کند.

ایجاد حس اعتماد به نفس در بیماران به وسیله لحن صمیمانه پزشک، هفتمین ویژگی مهم در رضایت‌مندی افراد از پزشک شناخته شد که نشان‌دهنده اهمیت این ویژگی در حوزه عمل جراحی زیبایی بینی است.

جدول 10 –پارامترهاي شبكه عصبي برای تعیین اهمیت ویژگی‌ها بر اساس خروجی رضایت‌مندی.

خروجی نهایی	ورودی‌های شبکه	خروجی شبکه	تعداد نرون‌های لایه مخفی1	تابع فعالیت لایه مخفی1	تعداد نرون‌های لایه مخفی2	تابع فعالیت لایه مخفی2	تابع فعالیت لایه خروجی
رضایت از پزشک	تمام سوالات	Q31	6	tansig	10	tansig	purelin

جدول 11 - مقایسه کارایی الگوریتم‌ها با 90% اطمینان برای تعیین اهمیت ویژگی‌ها بر اساس خروجی رضایت‌مندی

خروجی‌های

شبکه عصبی

قبل از کاهش ویژگی

پس از کاهش ویژگی

کارایی بر اساس صحت

کران پایین اطمینان

کران بالای اطمینان

کارایی بر اساس صحت

کران پایین اطمینان

کران بالای اطمینان

رضایت از پزشک













جدول 12 – ترتیب اهمیت ویژگی‌های موثر بر رضایت‌مندی افراد با روش انتخاب پس‌رو ترتیبی

جایگاه اهمیت	رضایت از پزشک
اول	Q2
دوم	Q7
سوم	Q19
چهارم	Q29
پنجم	Q12
ششم	Q8
هفتم	Q23

5. نتیجه‌گیری

پژوهش حاضر، با هدف مدل‌سازی رضایت‌مندی بیمار از پزشک با روش‌های یادگیری ماشین انجام شد. در اين پژوهش از رويكرد مدل سروكوال استفاده شد و با استفاده از ادبيات حوزه سلامت پرسشنامه اي براي رضايت بيمار از خدمات و رفتار پزشك مبتني بر پنج‌ بعد پاسخ‌گويي، تضمين، قابلیت اطمینان، هم‌دلي و عوامل محسوس از يك سو و تناسب آن با توجه به مرور مطالعات انجام شده در حوزه سلامت از سوي ديگر طراحي و روايي و پايايي آن به تاييد رسيد. این پرسش‌نامه مي تواند در تحقيقات بعدي براي پژوهشگران اين حوزه مورد استفاده قرار گيرد.

براي تحلیل نتايج از سه روش پرکاربرد درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی استفاده و ملاحظه شد شبکه‌هاي عصبی به عنوان یک ابزار قدرت‌مند در تحلیل اطلاعات غیرخطی، در حالت‌های مختلف نتایج بهتری را نسبت به سایر روش‌ها نشان داد.

با این ابزار، ویژگی‌های موثر در ارتباط بیمار و پزشک استخراج شد و اولویت‌بندی اهمیت آنها نشان داده شد.در نهایت، نتایج با مطالعات مرتبط، مقایسه و ملاحظه شد که برخی از نتایج آن مطالعات را تایید می‌کنند و بخشی از یافته‌ها نیز با توجه به حوزه این پژوهش، جدید بوده‌اند.

اين تحقيق مي تواند براي سیاست‌گذاری‎‌های کلان وزارت بهداشت به عنوان مهم‌ترین عنصر تصمیم‌گیری سلامت کشور، از منظر شاخص انتخاب پزشكان بخصوص پزشك خانواده مفيد باشد.

همچنین دانشگاه‌های علوم پزشکی از ویژگی‌های موثر استخراج‌شده این پژوهش برای آموزش دانشجویان

پزشکی در قالب دروسی مانند اخلاق پزشکی و مهارت‌های ارتباطی پزشک با بیمار می‌توانند بهره‌مند گردند.

اطلاعات به دست آمده در اين تحقيق در حوزه جراحي زيبايي كه براي اولين بار در ايران در اين حوزه با روش يادگيري ماشين انجام گرفته است، مي‌تواند در كارهاي آتي با روش‌هاي ديگري نيز تحليل و تفسير شده و نتايج ديگري نيز محقق شود. به عنوان مثال با استفاده از مجموعه داده تهيه شده در اين تحقيق ميداني مي‌توان ارتباط بين وضعيت مالي افراد با انتخاب پزشك و جراحي‌هاي زيبايي را مطالعه نمود. يا نقش سن افراد و ارتباط بين اين عامل با جراحي بيني را ملاحظه نمود.

نقش تحصيلات، جنسيت، شغل فرد، سلایق افراد و ساير موارد آمار توصيفي جمع آوري شده نيز مي‌تواند با عمل جراحي بيني به دست آيد. از طرفی می‌توان این مدل را در سایر شهرهای ایران نیز بررسی کرد و در صورت مناسب بودن، تعمیم داد.

همچنین مي‌توان اين تحقيق را به جاي عمل جراحی زيبايي روي عمل‌هاي مرتبط با سرطان و شيمي‌درماني و ساير موارد انجام داد و نتايج را با عمل جراحي زيبايي بيني مقايسه كرد.

اين امر نشان خواهد داد وقتي واقعا جان بيمار در معرض خطر باشد چگونه نسبت به انتخاب پزشك خود حساسيت نشان مي دهد و وقتي زيبايي مد نظر باشد و جانش در خطر نباشد چگونه تصميم مي‌گيرد. نتايج جمع بندي موارد مشابه مي توان در ايجاد يك سيستم پشتيبان تصميم براي تحليل رفتار مردم و يا يك سيستم خبره مورد استفاده قرار گيرد.

منابع

1. Deng, W. J., Chen, W. C., & Pei, W. Back-propagation neural network based importance–performance analysis for determining critical service attributes. Expert Systems with Applications, 2008, 34(2), 1115-1125.

2. Seibold, D. R., Cantrill, J. G., & Meyers, R. A. Communication and interpersonal influence. Handbook of interpersonal communication, 1985, 551-611.

3. Shannon, C. E., & Weaver, W. The mathematical theory of communication (Urbana, IL. University of Illinois Press, 1949.

4. Myers, G. The social construction of two biologists' proposals. Written Communication, 1985, 2(3), 219-245.

5. Barnlund, D. C. Communication: The context of change. Basic readings in communication theory, 2008, 6-25.

6. Loewy, E. H., & Loewy, R. S. (2004). Textbook of healthcare ethics. Springer. New York, 96-105.

7. Ganesh, K. Patient-doctor relationship: Changing perspectives and medical litigation. Indian journal of urology: IJU: journal of the Urological Society of India, 2009, 25(3), 356.

8. Silverman, J., Kurtz, S. M., Draper, J., van Dalen, J., & Platt, F. W. Skills for communicating with patients. Oxford, UK: Radcliffe Pub, 2005.

9. Drossman, D. A. David Sun Lecture: Helping Your Patient by Helping Yourself—How to Improve the Patient–Physician Relationship by Optimizing Communication Skills. The American journal of gastroenterology, 2013.

10.

Parasuraman, A., Zeithaml, V. A., & Berry, L. L. A conceptual model of service quality and its implications for future research. The Journal of Marketing, 1985, 41-50.

11. Thomas, L. H., & Bond, S. Measuring patients' satisfaction with nursing: 1990–1994. Journal of Advanced Nursing, 1996, 23(4), 747-756.

12. Parasuraman, A., Zeithaml, V. A., & Berry, L.L. Servqual. Journal of retailing,1988, 64(1), 12-40.

13. Najafi, S., Saati, S., Kazem Bighami, M., & Abdi, F. How do customers evaluate hotel service quality? An empirical study in Tehran hotels.Management Science Letters, 2013, 3(12), 3019-3030.

14. Babakus, E., & Mangold, W. G. Adapting the SERVQUAL scale to hospital services: an empirical investigation. Health services research, 1992, 26(6), 767.

15. Zifko-Baliga, G. M., & Krampf, R. F. Managing perceptions of hospital quality. Negative emotional evaluations can undermine even the best clinical quality. Marketing Health Services, 1997, 17(1), 28-35.

16. Tucker, J. L., & Adams, S. R. Incorporating patients’ assessments of satisfaction and quality: an integrative model of patients’ evaluations of their care. Managing Service Quality, 2001, 11(4), 272-287.

17. Sohail, MS. Service quality in hospitals: more favorable than you might think. Managing Service Quality, 2003, 13(3), 197-206

18. Elleuch, A. Patient satisfaction in Japan. International Journal of Health Care Quality Assurance, 2008, 21(7), 692-705.

19. Behara, R. S., Fisher, W. W., & Lemmink, J. G. Modelling and evaluating service quality measurement using neural networks. International journal of operations & production management, 2002, 22(10), 1162-1185.

20. Shih, Y. Y., & Fang, K. Customer defections analysis: an examination of online bookstores. The TQM Magazine, 2005, 17(5), 425-439.

21. McKinley, R. K., & Roberts, C. Patient satisfaction with out of hour’s primary medical care. Quality in Health Care, 2001, 10(1), 23-28.

22. Harazi, M. A., & Askari, J. Assessment of the most important factors influencing physician choice. Hakim research journal, 2007, 10(3), 22-27 , (In Persian).

23. Hill, C. J., & Garner, S. J. Factor’s influencing physician choice. Hospital & health services administration, 1991, 36(4), 491.

24. Harazi, M. A., & Askari, J. Assessment of the most important factors influencing physician choice. Hakim research journal, 2007, 10(3), 22-27, (In Persian).

25. Zolnierek, K. B. H., & DiMatteo, M. R. Physician communication and patient adherence to treatment: a meta-analysis. Medical care, 2009, 47(8), 826-834.

26. Hamelin, N. D., Nikolis, A., Armano, J., Harris, P. G., & Brutus, J. P. Evaluation of factors influencing confidence and trust in the patient-physician relationship: A survey of patient in a hand clinic. Chirurgie de la main, 2012, 31(2), 83-90.

27. Sekaran, U., & Bougie, R. Research Methods for Business: A Skill Building Approach. John Wiley & Sons, 2010.

28. Kalliainen, L. K., & Lichtman, D. M. Current issues in the physician–patient relationship. The Journal of hand surgery,2010, 35(12), 2126-2129.

29. Entwistle, V. A., Carter, S. M., Cribb, A., & McCaffery, K. Supporting patient autonomy: the importance of clinician-patient relationships. Journal of general internal medicine,2010, 25(7), 741-745.

30. Emanuel, E. J., & Emanuel, L. L. Four models of the physician-patient relationship. JAMA: the journal of the American Medical Association, 1992, 267(16), 2221-2226.

31. Kowalski, C., Nitzsche, A., Scheibler, F., Steffen, P., Albert, U. S., & Pfaff, H. Breast cancer patients’ trust in physicians: The impact of patients’ perception of physicians’ communication behaviors and hospital organizational climate. Patient education and counseling, 2009, 77(3), 344-348.

32. Asemani, O. Review of physician-patient models and related challenges. Iranian Journal of Medical Ethics and History of Medicine, 2012, 5(4), 36-50(In Persian).

33. Tubbs, S. L., Moss, S., & Papastefanou, N. Human communication: principles and contexts. McGraw-Hill Higher Education, 2008.

34. Kaba, R., & Sooriakumaran, P. The evolution of the doctor-patient relationship. International Journal of Surgery, 2007, 5(1), 57-65.

35. Loewy, E. H., & Loewy, R. S. Textbook of healthcare ethics. Springer. New York, 2004, 96-105.

36. Hafezi, F., Kouchakzadeh, K., Naghibzadeh, B. History and Status of Nose Surgery. Iranian Journal of Surgery, 2009, 17(2): 88-94(In Persian).

37. Ozar, D. T. Patients' autonomy: Three models of the professional-lay relationship in medicine. Theoretical medicine, 1984, 5(1), 61-68.

38. Craig, R. T. Communication theory as a field. Communication theory, 1999, 9(2), 119-161.

39. Ferguson, W. J., & Candib, L. M. Culture, language, and the doctor-patient relationship. FMCH Publications and Presentations, 2002, 61.

40. Witten, I. H., Frank, E., & Hall, M. A. Data Mining: Practical Machine Learning Tools and Techniques, Elsevier, 2011.

41. Borovicka, T., Jirina Jr, M., Kordik, P., & Jirina, M. Selecting representative data sets. Advances in Data Mining Knowledge Discovery and Applications. Intech, Associate Prof. Adem Karahoca, Available 0n 2012 from: http://www.intechopen.com/books/advances-in-data-mining-knowledge-discovery-and-applications/selecting-representative-data-sets

42. Liu, H., Yu, L., Toward integrating feature selection algorithms for

43. classification and clustering. Knowledge and Data Engineering, IEEE Transactions on , 2005, 17(4), 491-502.

44. Yu, N. Y., Yamauchi, T., Yang, H. F., Chen, Y. L., & Gutierrez‐Osuna, R. Feature selection for inductive generalization. Cognitive science, 2010, 34(8), 1574-1593

شارک

عنوان URL للمقالة

مدل‌سازی بهينۀ رضایتمندی بیمار از پزشک مبتني بر روش¬هاي يادگیری ماشین

رایمگ

الروابط

المراكز ذات الصلة

دعامة

الصفحات الرسمية