پیش بینی تقاضای فرآورده های بانک خون به تفکیک گروه های خونی با استفاده از شبکه های عصبی (مطالعه موردی: شبکه انتقال خون استان زنجان)

نوع مقاله : ترویجی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران

2 استادیار، گروه مهندسی صنایع، واحد بناب، دانشگاه آزاد اسلامی، بناب، ایران

چکیده

مدیریت و برنامه‌ریزی زنجیره تامین خون باتوجه به وجود عدم قطعیت در عرضه و تقاضای آن، دارای پیچیدگی‌هایی است که عدم قطعیت در عرضه، نشات گرفته از رفتار غیرقابل پیش‌بینی و نامنظم انسان‌ها در اهدای خون، به عنوان تنها منبع تامین و همچنین تقاضای اغلب تصادفی می باشد. به علاوه، فسادپذیر و کوتاه بودن عمر خون و فرآورده‌‌های آن، از جمله مواردی هستند که باید به آن‌ها نیز توجه داشت. تامین خون سالم و کافی، نقش اساسی در سیستم‌های سلامت ایفا می‌کند. بنابراین، پیش‌بینی تقاضا جهت جلوگیری از کمبود موجودی و به خطر افتادن سلامت بیماران و از طرف دیگر افزایش موجودی و در نتیجه افزایش ضایعات و هزینه‌های دولت‌ها، توجه محققان را به خود جلب کرده‌است. بر همین اساس هدف این تحقیق پیش‌بینی تقاضای فرآورده‌های بانک خون با استفاده از شبکه‌های عصبی می‌باشد. شبکه‌های عصبی این قابلیت را دارند که با تنظیم مناسب برخی پارامترها، از روندهای گذشته پیش‌بینی مناسبی در جهت آینده داشته باشند. در این تحقیق به منظور جمع‌آوری داده‌ها از آمار و بانک‌های اطلاعاتی و شبکه‌های کامپیوتری، شبکه انتقال خون استان زنجان بهره گرفته شده و برای تجزیه و تحلیل داده‌ها، از امکانات و توابع موجود نرم‌افزار MATLAB، استفاده گردیده است. یافته‌های پژوهش بر اساس تقاضاهای قبلی فرآورده‌های خونی نشان می‌دهد که بهترین مدل شبکه عصبی به منظور پیش‌بینی تقاضا، دارای دو تأخیر و پنج نورون در لایه پنهان می‌باشد. همچنین نتایج نشان می‌دهد که مقدار خطا در هر سه فرآورده خونی نزدیک به هم بوده ولی دارای مقادیر متفاوت می‌باشند.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

The Prediction of Demand for Blood Bank Products for Each Blood Group Using Neural Networks (Case Study:Blood Transfusion Network of Zanjan Province)

نویسندگان [English]

  • Ali Asghar Moslemi Birami 1
  • Mahdi Yousefi Nejad Attari 2
1 Assistant Professor, Department of industrial engineering, Bonab branch, Islamic Azad University, Bonab, Iran
2 Assistant Professor, Department of industrial engineering, Bonab branch, Islamic Azad University, Bonab, Iran
چکیده [English]

The supply and demand management and planning of the blood supply chain have complexities considering the uncertainty in demand and supply. The supply uncertainty often results from the random demand as well as unpredictable and irregular behavior of the people involved in blood donation as the only source of blood supply.  In addition, the perishability and short lifespan of blood and blood products are the problems that should be considered.  Adequate and healthy blood supply plays an essential role in health systems.  Therefore, the prediction of demand to prevent endangering the patients’ health due to the inventory shortages on one hand, and increasing inventory which increases wastages and government expenses on the other hand, have attracted the attention of researchers.  Accordingly, the aim of the present study is to predict the demand for blood bank products using neural networks.  Neural networks have the ability to properly predict the future based on certain trends of the past by adjusting some parameters.  To collect the necessary data for this research, the statistics, databases and computer networks of the blood transfusion network of Zanjan province have been selected. For data analysis, the existing facilities and functions of the MATLAB software have been used. Based on previous demands of blood products, the research findings demonstrate that the best neural network model to predict demand has two delays and five neurons in the hidden layer.  The results also show that the error values in all three blood products are close to each other but have different values.

کلیدواژه‌ها [English]

  • Blood products
  • Neural network
  • Demand in the supply chain

مراجع

[1] Lin, Y.K. (2009). System reliability evaluation for a multistate supply chain network with failure nodes using minimal paths. IEEE Transactions on Reliability, 58(1): 34-40.##
[2] Uthayakumar, R., and Priyan, S. (2013). Pharmaceutical supply chain and inventory management strategies: Optimization for a pharmaceutical company and a hospital. Operations Research for Health Care, 2(3): 52-64.##
[3] Privett, N., and Gonsalvez, D. (2014). The top ten global health supply chain issues: perspectives from the field. Operations Research for Health Care, 3(4): 226-30.##
[4] Cobain, T.J. (2004). Fresh blood product manufacture, issue, and use: A chain of diminishing returns?. Transfusion medicine reviews, 18(4): 279-92.##
[5] Chapman, J.F., Hyam, C., and Hick, R. (2004). Blood inventory management. Vox sanguinis, 87: 143-5.
[6] Fortsch, S.M., and Khapalova, E.A. (2016). Reducing uncertainty in demand for blood. Operations Research for Health Care, 9:16-28.##
[7] Aqmasheh, S., and Shamsasenjan, K. (2017). The evaluation of blood crossmatches and blood utilization at university hospitals in Tabriz. The Scientific Journal of Iranian Blood Transfusion Organization (Khoon), 13(4).##
[8] Fasola, F.A., and Shokubi, W.A. (2009). Audit of the red cell units supply of a busy hospital blood bank in Nigeria. Nigerian journal of clinical practice, 12(2).##
[9] Williamson, L.M., and Devine, D.V. (2013). Challenges in the management of the blood supply. The Lancet, 381(9880):1866-75.##
[10] Mitra, S.B, Wu, D., and Holmes, B.N. (2003). An application of nanotechnology in advanced dental materials. The Journal of the American Dental Association, 134(10):1382-90.##
[11] Maramazi Ghaflez, B., Kaab Omeir, H., Jalali Far, M., Saki, N., Torabizadeh Maatoghi, J., and Naderpour, M. (2014). Study of rate and causes of blood components discard among Ahwaz's hospital. Sci J Iran Blood Transfus Organ, 11(3):197-206.##
[12] Alajrami, E., Abu-Nasser, B. S., Khalil, A. J., Musleh, M. M., Barhoom, A. M., & Naser, S. A. (2019). Blood Donation Prediction using Artificial Neural Network.##
[13] Dayhoff, J.E. (1990). Neural network architectures: an introduction. Van Nostrand Reinhold Co.##
[14] Khanna, T. (1990). Foundations of neural networks. Reading: Addison Wesley.##
[15] Du, K.L., and Swamy, M.N. (2014). Independent component analysis. In Neural Networks and Statistical Learning, Springer, London, 419-450.##
[16] Pereira, A. (2004). Performance of time‐series methods in forecasting the demand for red blood cell transfusion. Transfusion, 44(5), 739-746.##
 [17] Khaldi, R., El Afia, A., Chiheb, R., & Faizi, R. (2017, March). Artificial neural network based approach for blood demand forecasting: Fez transfusion blood center case study. In Proceedings of the 2nd international Conference on Big Data, Cloud and Applications (pp. 1-6).##
[18] Shih, H., & Rajendran, S. (2019). Comparison of time series methods and machine learning algorithms for forecasting Taiwan Blood Services Foundation’s blood supply. Journal of healthcare engineering, 2019.##
[19] Sadorsky, P. (2006). Modeling and forecasting petroleum futures volatility. Energy Economics, 28(4): 467-88.##

فایل ها

سابقه مقاله

  • تاریخ دریافت: 20 تیر 1399
  • تاریخ بازنگری: 23 مهر 1399
  • تاریخ پذیرش: 22 خرداد 1400
  • تاریخ انتشار: 01 خرداد 1400

هم رسانی

ارجاع به این مقاله

آمار