-بهینه سازی مصرف گلبول قرمز خون با استفاده از فرآیند تصمیم گیری مارکوف (مطالعه موردی: بانک خون پایگاه انتقال خون استان زنجان) | ||
| مدیریت مهندسی و رایانش نرم | ||
| مقاله 5، دوره 8، شماره 1 - شماره پیاپی 14، فروردین 1401، صفحه 71-84 اصل مقاله (909.68 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22091/jemsc.2019.1296 | ||
| نویسندگان | ||
| مهدی یوسفی نژاد عطاری* 1؛ مهران خیاط رسولی2؛ زهره خلیل پور2 | ||
| 1دانشگاه آزاد اسلامی بناب | ||
| 2گروه مهندسی صنایع | ||
| چکیده | ||
| در این تحقیق روشی برای بهینه‌‌سازی هزینه‌‌های مرتبط با موجودی زنجیره تأمین محصولات خونی با عمر مفید کوتاه انتخاب شده است که نسبت به سایر روش‌‌های موجود متفاوت است. با توجه به جدید بودن این روش و عدم آشنایی با مشکلات این روش، مقیاس‌گذاری صورت گرفته است تا فضای وضعیت مسئله کوچکتر گردد که این مقیاس‌گذاری‌‌ها ممکن است دقت جواب مسئله را کمتر نماید. از سوی دیگر با توجه به ابعاد حل مسئله تعداد تکرار‌‌های حل محدود شده است. در نهایت پس از حل مشکلات ذکر شده، داده‌‌های جمع‌‌آوری شده با قرار دادن در فرمولاسیون فرآیند تصمیم‌‌گیری مارکوف و با روش تقریب متوالی حل شده است که جواب این حل برای تصمیم‌‌گیری انتخاب یکی از سیاست‌‌هایLIFO-LIFO) )،FIFO-FIFO) ) و LIFO,FIFO)) به تصمیم‌گیرنده کمک می‌‌کند. با بررسی انواع هزینه و مقایسه انواع سیاست‌‌های (LIFO-LIFO) ، (FIFO-FIFO) و(LIFO-FIFO) می‌‌توان در طول تکرار به این نتیجه دست پیدا کرد که سیاست‌‌های (LIFO-LIFO) و(LIFO-FIFO) به نسبت سیاست (FIFO-FIFO) بهتر عمل می‌‌کنند و هزینه به مراتب کمتری را در طولانی‌مدت به همراه دارند. | ||
| کلیدواژه‌ها | ||
| گلبول قرمز خون؛ خون تازه؛ مصرف بهینه | ||
| عنوان مقاله [English] | ||
| Optimizing Red Blood Cell Consumption Using Markov's Decision-Making Process (Case study: Blood Bank of Zanjan Province Blood Transfusion Center) | ||
| نویسندگان [English] | ||
| Mahdi Yousefi Nejad1؛ Mehran Khayat Rasouli2؛ Zohreh Khalilpour2 | ||
| 1bonab | ||
| 2bonab | ||
| چکیده [English] | ||
| In this research, a novel method is proposed to optimize the costs associated with the supply chain of short-lived blood products, which is different from other existing methods. According to the novelty of this approach and the lack of familiarity with its difficulties, a scaling is applied in order to reduce the size of problem space, which can lower the accuracy of the solution. On the other hand, with regard to the problem solving dimensions, the number of solution iterations would be limited. Ultimately, after solving the above problems, the collected data are entered into the formulation of Markov’s decision-making process and solved using the successive approximation approach. The solution of this approach helps the decision-maker to choose one of (LIFO-LIFO), (FIFO-FIFO), and (LIFO, FIFO) policies. By investigating different costs and comparing various (LIFO-LIFO), (FIFO-FIFO), and (LIFO, FIFO) policies, it can be concluded over iterations that policies (LIFO-LIFO) and (LIFO -FIFO) policies have better performances than the (FIFO-FIFO) policy, and will cost much less in the long run. | ||
| کلیدواژه‌ها [English] | ||
| Fresh Blood, Optimal Consumption, Red Blood Cells | ||
| مراجع | ||
|
Blake, J. T., & Hardy, M. (2014). A generic modelling framework to evaluate network blood management policies: The Canadian Blood Services experience. Operations Research for Health Care, 3(3), 116–128. DOI:10.1016/j.orhc.2014.05.002 Brodheim, E., Derman, C., & Prastacos, G. (1975). On the Evaluation of a Class of Inventory Policies for Perishable Products Such as Blood. Management Science, 21(11), 1320–1325. Doi: 10.1111/poms.13058 Duan, Q., & Liao, T. W. (2014). Optimization of blood supply chain with shortened shelf lives and ABO compatibility. International Journal of Production Economics, 153, 113–129. Doi: 10.1016/j.ijpe.2014.02.012 Erickson, M. L., Champion, M. H., Klein, R., Ross, R. L., Neal, Z. M., & Snyder, E. L. (2008). Management of blood shortages in a tertiary care academic medical center: the Yale-New Haven Hospital frozen blood reserve. Transfusion, 48(10), 2252–2263. DOI:10.1111/j.1537-2995.2008.01816.x Frank, S. M., Abazyan, B., Ono, M., Hogue, C. W., Cohen, D. B., Berkowitz, D. E., … Barodka, V. M. (2013). Decreased Erythrocyte Deformability After Transfusion and the Effects of Erythrocyte Storage Duration. Anesthesia & Analgesia, 116(5), 975–981. DOI: 10.1213/ANE.0b013e31828843e6 Gunpinar, S. (2013). Supply Chain Optimization of Blood Products. Graduate Theses and Dissertations. DOI: 10.1213/ANE.0b013e31828843e6 Gunpinar, S., & Centeno, G. (2015). Stochastic integer programming models for reducing wastages and shortages of blood products at hospitals. Computers & Operations Research, 54(C), 129–141. Doi: 10.1016/j.cor.2014.08.017 Katsaliaki, K., & Brailsford, S. C. (2007). Using Simulation to Improve the Blood Supply Chain. The Journal of the Operational Research Society. Palgrave Macmillan JournalsOperational Research Society. DOI:10.1057/palgrave.jors.2602195 Koch, F., Jourquin, F., Ferrier, P., & Andrau, J.-C. (2008). Genome-wide RNA polymerase II: not genes only! Trends in Biochemical Sciences, 33(6), 265–73. DOI: 10.1016/j.tibs.2008.04.006 Pegels, C. C., & Jelmert, A. E. (1970). An Evaluation of Blood-Inventory Policies: A Markov Chain Application. Operations Research, 18(6), 1087–1098. DOI:10.1287/opre.18.6.1087 Seifried, E., H. Klueter, C. Weidmann, T. Staudenmaier, H. Schrezenmeier, R. Henschler, A. Greinacher, and M. M. M. (2011). How Much Blood is Needed? Vox Sanguinis, 100(1), 10–21. DOI: 10.1111/vox.13103 | ||
|
آمار تعداد مشاهده مقاله: 927 تعداد دریافت فایل اصل مقاله: 565 |
||