23624

طراحي شبكه جمع‌آوري نمونه‌هاي آزمايشگاهي در شبكه آزمايشگاه‌هاي تشخيص طبي

كارشناسي ارشد

مهندسي صنايع

1396

1399/08/28

دكتر سيد جعفر سجادي

دكتر محمدرضا رسولي

مهندسي صنايع

در اين تحقيق به مسئله جمع‌آوري نمونه‌هاي آزمايشگاهي پرداخته شده است. در فرآيند جمع‌آوري نمونه كلينيكي ضروري است تا همه‌ي نمونه‌ها در روز جمع‌آوري تست شوند كه اين امر با فرآيند جمع‌آوري خون اهداء شده در تضاد است و نگهداري مجاز نيست. بنابراين چالش اصلي در فرآيند جمع‌آوري نمونه كلينيكي اين است كه نمونه‌هاي جمع‌آوري شده را در يك ظرف زماني مشخص بعد از جمع‌آوري جهت تست به آزمايشگاه مركزي تحويل دهند. به طور مشخص اين مسئله مي‌تواند به صورت مسئله مسيريابي وسيله نقليه باز ظرفيت‌دار و با محدوديت زماني تعريف ‌شود. لازم به ذكر است با توجه به اين‌كه در اين مسئله هيچ‌گونه هزينه‌اي براي احداث يا بستن هاب وجود ندارد بنابراين از انعطاف‌پذيري و پويايي بالايي برخوردار است. در اين تحقيق يك مدل برنامه عدد صحيح مختلط دوهدفه توسعه داده شده است. توابع هدف در نظر گرفته شده براي اين مسئله كمينه‌سازي هزينه‌هاي انتقال نمونه‌ها و كمينه‌سازي ميزان گاز كربن‌دي‌اكسيد منتشر شده است. از روش برنامه‌ريزي آرماني براي تبديل دو تابع هدف به يك تابع هدف واحد استفاده شده است. در اين تحقيق فرض شده است كه مدت زمان سفر، هزينه سفر، ضريب تبديل گاز كربن دي اكسيد منتشر شده و ميزان تقاضاي آزمايشگاه‌‌ها غيرقطعي است. به اين منظور از رويكرد استوارسازي برتسيماس و سيم براي مواجه با عدم‌قطعيت پارامترهاي مدت زمان سفر، هزينه سفر، ضريب تبديل گاز كربن دي اكسيد منتشر شده بهره گرفته شده است. از طرفي با توجه به در اختيار بودن داده‌هاي تاريخي ميزان تقاضاي آزمايشگاه‌ها، 4 الگوريتم يادگيري نظارتي كه يكي از شاخه‌هاي اصلي علم يادگيري ماشين است به منظور پيش‌بيني ميزان تقاضا در محيط نرم‌افزار پايتون به كار گرفته شد. در نهايت الگوريتم‌هاي درخت تصميم و جنگل تصادفي با دقّتي در حدود 96 درصد، بالاترين دقّت را در بين الگوريتم‌ها داشتند. پس از پيش‌بيني ميزان تقاضاي آزمايشگاه‌ها براي هر شيفت و روز كاري معين، مدل رياضي مسئله در محيط نرم‌افزار گمز كدنويسي شده و با كمك حل‌كننده سي‌‌پلكس حل شده است. با به كارگيري برنامه‌‌ريزي آرماني از تركيب‌هاي وزني مختلف اهداف استفاده شد و مجموعه جواب‌هاي بهينه پارتويي به دست آمد. اين مجموعه جواب‌هاي نامغلوب در اختيار مديران شبكه آزمايشگاه‌هاي تشخيص طبي قرار گرفت تا از ميان آن‌ها يكي را انتخاب كنند. تركيب وزني منتخب مديران شبكه براي توابع هدف اول و دوم به ترتيب 0.5 و 0.5 بود. در نهايت با در نظر گرفتن اين تركيب وزني در تابع هدف، اعتبارسنجي مدل رياضي انجام شد و با تغيير ميزان پارامترهاي سطح حفاظت براي پارامترهاي غيرقطعي، تحليل حساسيت نتايج نيز انجام گرفت.

1400/02/19

Design of laboratory specimens collection network in the network of medical diagnostic laboratories

1/1/1900 12:00:00 AM

In this research, the issue of collecting laboratory samples has been addressed. In the clinical specimen collection process, it is essential that all specimens be tested on the day of collection, which is inconsistent with the donated blood collection process and storage is not permitted. Therefore, the main challenge in the clinical sample collection process is to deliver the collected samples to the central laboratory for testing within a specified time after collection. Specifically, this problem can be defined as open vehicle routing problem with capacity and time constraints. It should be noted that there is no cost to build or close the hub in this issue, so it has a high degree of flexibility and dynamism. In this research, a bi-objective mixed integer programming model has been developed. The objective functions considered for this problem are minimization of sample transfer costs and minimization of carbon dioxide emissions. The goal programming method is used to convert two objective functions into a single objective function. In this study, it is assumed that travel time, travel cost, carbon dioxide conversion factor and the demand of laboratories are uncertain. For this purpose, the Bertsimas and Sim robust approach has been used to deal with the uncertainty of the parameters of travel time, travel cost, and carbon dioxide emission conversion factor. On the other hand, due to the availability of historical data on the demand of laboratories, 4 supervised learning algorithms, which is one of the main branches of machine learning science, were used to predict the amount of demand in the Python software environment. Finally, decision tree and random forest algorithms with the highest accuracy of about 96% had the highest accuracy among the algorithms. After predicting the demand of laboratories for each given shift and working day, the mathematical model of the problem is coded in the GAMS software environment and solved with the help of CPLEX solver. By Using goal programming method different weight combinations of objectives were used and a set of Pareto optimal solutions were obtained. This set of Nondominated solutions were provided to the managers of the network of medical diagnostic laboratories to choose from. The weighted compositions selected by network administrators for the first and second objective functions were 0.5 and 0.5, respectively. Finally, by considering this weight combination in the objective function, the mathematical model was validated and by changing the amount of protection level parameters for uncertain parameters, the sensitivity analysis of the results was performed.

مسئله جمع‌آوري نمونه خون , مسيريابي وسيله نقليه باز , الگوريتم‌هاي يادگيري نظارتي , روباست برتسيماس و سيم , برنامه‌ريزي آرماني

blood sample collection problem(BSCP) , open vehicle routing problem(OVRP) , Supervised Learning Algorithms , Robust Bertsimas and Sim , Goal programming(GP)