گسترش عملکرد کیفیت (QFD) در ایجاد آینده مطلوب در حوزه پزشکی از راه دور و اینترنت اشیاء به کمک شبکه پیش انتشار فازی
محورهای موضوعی : آینده پژوهی
معصومه امیدوار
1
(دانشجوی دکتری تخصصی مدیریت فن آوری اطلاعات، دانشگاه آزاداسلامی واحد تهران شمال، تهران، ایران)
محمدعلی افشارکاظمی
2
(دانشیار و عضو هیات علمی دانشگاه آزاداسلامی واحدتهران مرکزی)
کلید واژه: پزشکی از راه دور, گسترش عملکرد کیفیت, شبکه پیش انتشار فازی, اینترنت اشیاء,
چکیده مقاله :
زمینه: چالش اصلی شرکتها تحقق خدمات و برآورده کردن انتظارات مشتریان است. استقرار گسترش عملکرد کیفیت (QFD) به استخراج ویژگی های خدمات از خواسته های مشتری کمک می کند. ، هدف: با توجه به کاربرد اینترنت اشیاء در پزشکی از راه دور، این پژوهش دو هدف را دنبال می کند، هدف اول شناسایی پارامترهای موثر بر ادغام دو سیستم اینترنت اشیاء و پزشکی از راه دور با نگرش گسترش عملکرد کیفیت است و در هدف دوم استفاده از شبکه های عصبی مصنوعی در پیشبینی رفتار ماتریس QFD می باشد. روش ها: جهت نیل به هدف اول از روش تحلیل مهندسی ارزش و نمودار FAST مشتری گرا استفاده شد و پس از بدست آمدن پارامتر ها شامل ندای مشتری، ویژگی خدمت و الزامات عملیات، جهت هدف دوم از شبکه پیش انتشار فازی استفاده گردید. یافته ها: پس از بدست آوردن پارامترهای موثر بر ادغام دو سیستم اینترنت اشیاء و پزشکی از راه دور با نگرش گسترش عملکرد کیفیت، تعداد 50 ماتریس QFD جمع آوری و داده های آن در شبکه پیش انتشار فازی معرفی شد. که از این میزان 80 درصد برای آموزش شبکه ، 15 درصد برای آزمایش و 5 درصد برای اعتبارسنجی نتایج پیش بینی شده استفاده شد. در نهایت مقدار میانگین مربعات خطا (MSE) برای بخش اعتبار سنجی MSE = 0.015584 بدست آمد. نتیجه گیری: نتایج نشان داد که روش شبکه پیش انتشار فازی مناسب برای پیش بینی گسترش عملکرد کیفیت در ادغام دو سیستم اینترنت اشیاء و پزشکی از راه دور می باشد.
Background: The main challenge of companies is to fulfill services and meet customer expectations. Quality Function Deployment (QFD) helps to extract service features from customer requirements. Objective: Due to the use of the Internet of Things in telemedicine, this research has two objectives, the first purpose is to identify the parameters affecting the integration of IoT and telemedicine systems with the view of improving quality performance and the second purpose is to investigate the possibility of using artificial neural networks to predict the behavior of the QFD matrix. Methods: For the first purpose, value-oriented engineering analysis method and customer-oriented Function Analysis System Technique (FAST) diagram were used, and after obtaining the parameters, including customer call, service characteristics and operation requirements, for the second purpose, Fuzzy Back-Propagation Network was used. Findings: After obtaining identify the parameters affecting the integration of IoT and telemedicine systems with the view of improving quality performance, a total of 50 QFD matrices were collected and their data were introduced in a Fuzzy Back-Propagation Network. 80% of this amount has been used for network training, 15% for testing and 5% for validation of predicted results. The mean square error (MSE) for the validation section is MSE = 0.015584. Conclusion: the results showed that the Fuzzy Back-Propagation Network method is suitable for predicting the expansion of QFD in the integration of IoT and telemedicine systems.
.
_||_.