1402 6 2 21 158

مطالعه شاخص‌های سنجش عدالت در تأمین مالی سلامت و کاربرد آنها در ایران The Study of Indicators of Equity in Health Care Financing and Their Applications in Iran 1 1 تأمین مالی عادلانه یک هدف مهم نظام‌های سلامت و حفاظت از مخاطرات مالی مراقبت‌های بهداشتی و درمانی است. همچنین تأمین مالی عادلانه سلامت هم برای بهبود وضعیت سیستم‌های سلامت و هم برای رسیدن به پوشش همگانی سلامت (UHC) مهم است. در این مطالعه با مرور جامع به معرفی شاخص‌های عدالت در سلامت پرداخته شده و نتایج شاخص‌های این حوزه در کشور مورد بررسی قرار گرفته است. جستجوی مقاله‌ها در مطالعه حاضر از نوع مروری است که از طریق جستجو در موتورهای جستجوگر و پایگاه اطلاعاتی در محدوده سال‌های ۲۰۰۲ تا ۲۰۲۲ صورت گرفته است. برای شناسایی مزایا و معایب شاخص‌های نشان‌دهنده عدالت در تأمین مالی سلامت از جمله شاخص‌های پرداخت از جیب، شاخص هزینه‌های کمرشکن، شاخص کاکوانی، شاخص تمرکز و شاخص مشارکت مالی منصفانه از مرور مطالعات استفاده شد و محدودیت‌ها و مزایای هر یک از شاخص‌ها استخراج شده و مورد مقایسه قرار گرفت. نتایج این مطالعه نشان داد از نظر شاخص عدالت در سلامت، شاخص هزینه‌های کمرشکن سلامت بیشترین بسامد را در مطالعات انجام شده داشته است. هرکدام از شاخص‌ها مزایا و مشکلاتی داشتند. همچنین باتوجه به مطالعات متعدد محاسبه شاخص عدالت در سلامت، وجود دیده‌بان نظام سلامت برای رصد این شاخص‌ها ضروری است. 2 Equitable financing is an important goal of health systems and protecting the financial risks of health care. Also, equitable financing of health is important both for improving the state of health systems and for achieving universal health coverage (UHC). In this study, with an overview has introduced the indicators of justice in health and the results of the indicators in this field have been examined in the country. The search for articles in the present study is of a review type that was conducted through search engines and databases within the range of 2002-2022. In order to identify the advantages and disadvantages of indicators showing justice in health financing, including out-of-pocket payment indicators, catastrophic health expenditures index, Kakwani index, concentration index and fair financial contribution index, a review of studies was used and the limitations and advantages of each index were extracted and compared. The results of this study showed that in terms of health equity index, the index of back-breaking health costs had the highest frequency in the studies. Each of the indicators had advantages and problems. Also, according to the numerous studies on the calculation of the health justice index, the existence of a health watchdog is necessary to monitor these indicators. 77 90 2023/07/8 1402/4/17 2023/11/9 1402/8/18 صبا کریمی Saba Karimi گروه مدیریت، سیاستگذاری و اقتصاد سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران sabakarimi1112@gmail.com علی اکبری‌ساری َAli Akbari Sari گروه مدیریت، سیاستگذاری و اقتصاد سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران akbarisari@tums.ac.ir علی‌اکبر فضائلی Ali Akbar Fazaeli گروه مدیریت، سیاستگذاری و اقتصاد سلامت، دانشکده بهداشت، دانشگاه علوم پزشکی تهران، تهران، ایران afazaeli83@gmail.com امیرعباس فضائلی Amir Abbas Fazaeli معاونت درمان، سازمان تأمین اجتماعی، تهران، ایران amirfazayeli@yahoo.com Health Financing Equity UHC تأمین مالی سلامت عدالت پوشش همگانی سلامت ## ##

چت‌بات هوش مصنوعی در سازمان بیمه سلامت ایران: تحولی در ارائه خدمات Artificial Intelligence Chatbot in Iran Health Insurance Organization: A New Era in Service Providing 1 1 چت‌بات هوش مصنوعی یکی از مباحث مهم روز در پردازش زبان طبیعی و هوش ‌مصنوعی است که قادر است با استفاده از زبان طبیعی با انسان ارتباط برقرار کند. هدف چت‌بات هوش مصنوعی تسهیل تعامل کاربران با خدمات، محصولات یا شرکت‌ها ست. هدف از این مطالعه بررسی کاربردهای چت‌بات هوش مصنوعی در نظام سلامت و بیمه سلامت ایران و ارائه خدمات از این طریق به افراد است که شامل بررسی چت‌بات هوش مصنوعی و نیاز آن در ارئه مراقبت‌های بهداشتی، مطالعه ابعاد قابل توجه جریان کار چت‌بات هوش مصنوعی برای مراقبت‌های بهداشتی، ویژگی‌های چت‌بات هوش مصنوعی در حوزه بهداشت و درمان، و شناسایی کاربردها و محدودیت‌های قابل توجه چت‌بات هوش مصنوعی برای ارائه مراقبت‌های بهداشتی است. ارائه خدمات آنلاین چت‌بات هوش مصنوعی به عموم بیمه‌شدگان از جمله ارائه اطلاعات اعتبار بیمه‌ای و همچنین ارائه پیشنهاد مراکز طرف قرارداد بیمه سلامت نیز از مزایای چت‌بات هوش مصنوعی در بیمه سلامت ایران است. 2 Artificial Intelligence Chatbots (AIC), nowadays, are one of the most important topics in natural language processing which is able to communicate with humans using natural language. The purpose of using AIC is to facilitate user interaction with services, products or companies. The purpose of this study is to investigate the applications of AIC in Iran’s health system generally and Iran Health Insurance Organization in particular and to provide services to people in this way, including the investigation of AIC and its need in the provision of health care, the study of the significant aspects of the workflow of AIC for healthcare, the AIC features in this field, and identifying the significant applications and limitations of artificial intelligence chatbot for providing healthcare services. Purveying AIC services to individuals, such as insurance credit information as well as offering contracting party centers are some of benefits of AIC application in Iran Health Insurance Organization. 91 102 2023/07/82023/06/25 1402/4/4 2023/11/92023/09/5 1402/6/14 فاطمه حاجی علی‌عسگری Fatemeh Hajialiasgari گروه سلامت الکترونیک، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران hajialiasgari@ihio.gov.ir احمد خان‌احمدی Ahmad Khanahmadi گروه زبان‌های خارجی، کالج بین‌الملل، دانشگاه علوم پزشکی تهران، تهران، ایران ahmad.khanahmadi@gmail.com علیرضا آتشی Alireza Atashi گروه سلامت الکترونیک، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران aratashi@sina.tums.ac.ir Artificial Intelligence Artificial Intelligence Chatbots Health Services هوش مصنوعی چت‌بات هوش مصنوعی مراقبت‌های بهداشتی 1. Cascella M, Schiavo D, Cuomo A, Ottaiano A, Perri F, Patrone R, et al. Artificial Intelligence for Automatic Pain Assessment: Research Methods and Perspectives. Pain Research and Management.##2023;2023:6018736.##2. Ram B, Pratima Verma PV. Artificial intelligence AI-based Chatbot study of ChatGPT, Google AI Bard and Baidu AI. World Journal of Advanced Engineering Technology and Sciences. 2023;8(01):258-61.##3. Aydın Ö, Karaarslan E. OpenAI ChatGPT generated literature review: Digital twin in healthcare. Available at SSRN 4308687. 2022.##4. Patel SB, Lam K. ChatGPT: the future of discharge summaries? The Lancet Digital Health. 2023;5(3):e107-e8.##5. Shen Y, Heacock L, Elias J, Hentel KD, Reig B, Shih G, et al. ChatGPT and other large language models are double-edged swords. Radiological Society of North America; 2023. p. e230163.##6. DiGiorgio AM, Ehrenfeld JM. Artificial intelligence in medicine & ChatGPT: de-tether the physician. Journal of Medical Systems. 2023;47(1):32.##7. Johnson SB, King AJ, Warner EL, Aneja S, Kann BH, Bylund CL. Using ChatGPT to evaluate cancer myths and misconceptions: artificial intelligence and cancer information. JNCI cancer spectrum.##2023;7(2):pkad015.##8. Grünebaum A, Chervenak J, Pollet SL, Katz A, Chervenak FA. The exciting potential for ChatGPT in obstetrics and gynecology. American Journal of Obstetrics and Gynecology. 2023;228(6):696-705.##9. Aljanabi M. ChatGPT: Future directions and open possibilities. Mesopotamian journal of Cybersecurity. 2023;2023:16-7.##10. Mijwil M, Aljanabi M, Ali AH. Chatgpt: Exploring the role of cybersecurity in the protection of medical information. Mesopotamian journal of cybersecurity. 2023;2023:18-21.##11. Abdullah M, Madain A, Jararweh Y, editors. ChatGPT: Fundamentals, applications and social impacts. 2022 Ninth International Conference on Social Networks Analysis, Management and Security (SNAMS); 2022: IEEE.##12. Javaid M, Haleem A, Singh RP. ChatGPT for healthcare services: An emerging stage for an innovative perspective. BenchCouncil Transactions on Benchmarks, Standards and Evaluations. 2023;3(1):100105.##13. Gunawan J. Exploring the future of nursing: Insights from the ChatGPT model. Belitung Nursing Journal. 2023;9(1):1-5.##14. Biswas S. ChatGPT and the future of medical writing. Radiological Society of North America; 2023. p. e223312.##15. Lecler A, Duron L, Soyer P. Revolutionizing radiology with GPT-based models: Current applications, future possibilities and limitations of ChatGPT. Diagnostic and Interventional Imaging. 2023;104(6):269-74.##16. Haleem A, Javaid M, Singh RP. An era of ChatGPT as a significant futuristic support tool: A study on features, abilities, and challenges. BenchCouncil transactions on benchmarks, standards and evaluations. 2022;2(4):100089.##17. Arora A, Arora A. The promise of large language models in health care. The Lancet. 2023;401(10377):641.##18. Mbakwe A, Lourentzou I, Celi L, Mechanic O, Dagan A. ChatGPT passing USMLE shines a spotlight on the flaws of medical education. PLOS Digit Health 2 (2): e0000205. 2023.##19. Mann DL. Artificial intelligence discusses the role of artificial intelligence in translational medicine: a JACC: basic to translational science interview with ChatGPT. Basic to Translational Science. 2023;8(2):221-3.##20. Iftikhar L. Docgpt: Impact of chatgpt-3 on health services as a virtual doctor. EC Paediatrics. 2023;12(1):45-55.##21. Lee H. The rise of ChatGPT: Exploring its potential in medical education. Anatomical Sciences Education. 2023.##22. van Schalkwyk G. Artificial intelligence in pediatric behavioral health. BioMed Central; 2023. p. 1-2.##23. Xue VW, Lei P, Cho WC. The potential impact of ChatGPT in clinical and translational medicine. Clinical and Translational Medicine. 2023;13(3).##24. Gordijn B, Have Ht. ChatGPT: evolution or revolution? Medicine, Health Care and Philosophy. 2023;26(1):1-2.##25. Eysenbach G. The role of ChatGPT, generative language models, and artificial intelligence in medical education: a conversation with ChatGPT and a call for papers. JMIR Medical Education. 2023;9(1):e46885.##26. George AS, George A. A review of ChatGPT AI’s impact on several business sectors. Partners Universal International Innovation Journal, 1 (1), 9–23. 2023.##27. Dahmen J, Kayaalp ME, Ollivier M, Pareek A, Hirschmann MT, Karlsson J, et al. Artificial intelligence bot ChatGPT in medical research: the potential game changer as a double-edged sword. Knee Surgery, Sports Traumatology, Arthroscopy. 2023;31(4):1187-9.##28. Sinha RK, Roy AD, Kumar N, Mondal H, Sinha R. Applicability of ChatGPT in assisting to solve higher order problems in pathology. Cureus. 2023;15(2).##29. D'Amico RS, White TG, Shah HA, Langer DJ. I asked a ChatGPT to write an editorial about how we can incorporate chatbots into neurosurgical research and patient care…. LWW; 2022. p. 10.1227.##30. Singh OP. Artificial intelligence in the era of ChatGPT-Opportunities and challenges in mental health care. Indian Journal of Psychiatry. 2023;65(3):297.##31. King MR, ChatGPT. A conversation on artificial intelligence, chatbots, and plagiarism in higher education. Cellular and Molecular Bioengineering. 2023;16(1):1-2.##32. Ufuk F. The role and limitations of large language models such as ChatGPT in clinical settings and medical journalism. Radiology. 2023;307(3):e230276.##33. Sun GH, Hoelscher SH. The ChatGPT storm and what faculty can do. Nurse Educator. 2023;48(3):119-24.##34. Arif TB, Munaf U, Ul-Haque I. The future of medical education and research: Is ChatGPT a blessing or blight in disguise? : Taylor & Francis; 2023. p. 2181052.##35. Baidoo-Anu D, Owusu Ansah L. Education in the era of generative artificial intelligence (AI): Understanding the potential benefits of ChatGPT in promoting teaching and learning. Available at SSRN 4337484. 2023.##36. Sng GGR, Tung JYM, Lim DYZ, Bee YM. Potential and pitfalls of ChatGPT and natural-language artificial intelligence models for diabetes education. Diabetes Care. 2023;46(5):e103-e5.##37. Ollivier M, Pareek A, Dahmen J, Kayaalp ME, Winkler PW, Hirschmann MT, et al. A deeper dive into ChatGPT: History, use and future perspectives for orthopaedic research. Knee Surgery, Sports Traumatology, Arthroscopy. 2023;31(4):1190-2.##38. Taecharungroj V. “What Can ChatGPT Do?” Analyzing Early Reactions to the Innovative AI Chatbot on Twitter. Big Data and Cognitive Computing. 2023;7(1):35.##39. Chen T-J. ChatGPT and other artificial intelligence applications speed up scientific writing. Journal of the Chinese Medical Association. 2023;86(4):351-3.##40. King MR. The future of AI in medicine: a perspective from a Chatbot. Annals of Biomedical Engineering. 2023;51(2):291-5.##41. Rathore B. Future of textile: Sustainable manufacturing & prediction via chatgpt. Eduzone: International Peer Reviewed/Refereed Multidisciplinary Journal. 2023;12(1):52-62.##42. Sok S, Heng K. ChatGPT for education and research: A review of benefits and risks. SSRN. 2023.##43. Oviedo-Trespalacios O, Peden A, Cole-Hunter T, Costantini A, Haghani M, Kelly S, et al. The risks of using ChatGPT to obtain common safety-related information and advice, 2023. Available At SSRN.4346827.##44. Oviedo-Trespalacios O, Peden AE, Cole-Hunter T, Costantini A, Haghani M, Rod J, et al. The risks of using chatgpt to obtain common safety-related information and advice. Safety Science. 2023;167:106244.##45. Nastasi AJ, Courtright KR, Halpern SD, Weissman GE. Does ChatGPT provide appropriate and equitable medical advice?: A vignette-based, clinical evaluation across care contexts. medRxiv. 2023:2023.02. 25.23286451.##46. Rahaman MS. Can chatgpt be your friend? emergence of entrepreneurial research. Emergence of Entrepreneurial Research (February 18, 2023). 2023.##47. Dwivedi YK, Kshetri N, Hughes L, Slade EL, Jeyaraj A, Kar AK, et al. “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management. 2023;71:102642.##48. Kung TH, Cheatham M, Medenilla A, Sillos C, De Leon L, Elepaño C, et al. Performance of ChatGPT on USMLE: Potential for AI-assisted medical education using large language models. PLoS digital health. 2023;2(2):e0000198.##49. Antaki F, Touma S, Milad D, El-Khoury J, Duval R. Evaluating the performance of chatgpt in ophthalmology: An analysis of its successes and shortcomings. Ophthalmology Science. 2023:100324.##50. Alkaissi H, McFarlane SI. Artificial hallucinations in ChatGPT: implications in scientific writing. Cureus. 2023;15(2).##51. Megahed FM, Chen Y-J, Ferris JA, Knoth S, Jones-Farmer LA. How generative ai models such as chatgpt can be (mis) used in spc practice, education, and research? an exploratory study. Quality Engineering. 2023:1-29.##52. Makridakis S. The forthcoming Artificial Intelligence (AI) revolution: Its impact on society and firms. Futures. 2017;90:46-60.## ##

بررسی عملکرد نمایندگی‌ها و دفاتر پیشخوان طرف قرارداد سازمان بیمه سلامت استان ایلام با رویکرد تحلیل پوششی داده‌ها Investigating the Performance of Agencies and Counter Offices of the Contracting Party of the Iran Health Insurance Organization in Ilam Province With the Method of Data Envelopment ‎Analysis 1 1 مقدمه: «ارزیابی» عملکرد مبنای بسیاری از تصمیم‌گیری‌ها و برنامه‌ریزی‌هاست که می‌تواند به موفقیت سازمان منجر شود و «کارآیی» معیار بسیار مناسبی برای ارزیابی عملکرد شرکت‌ها و سازمان‌ها به‌شمار می‌رود. بر این اساس، هدف این پژوهش بررسی عملکرد نمایندگی‌ها و دفاتر پیشخوان طرف قرارداد سازمان بیمه سلامت از طریق سنجش کارآیی با استفاده از تکنیک روش تحلیل پوششی داده‌هاست. روش‌ بررسی: در این مطالعه داده‌های نمایندگی‌ها و شعب پیشخوان دولت طرف قرارداد سازمان بیمه سلامت ایران در استان ایلام در سه ماهه دوم سال ۱۴۰۰ مورد بررسی قرار گرفت. برای تحلیل داده ها از مدل غیرشعاعی تحلیل پوششی داده‌ها استفاده شد که در آن شاخص های ارزیابی با استفاده از روش تحلیل عاملی تأییدی و با به‌کارگیری نرم‌افزار Smart PLS انتخاب شده است. برای تعیین کارآیی از مدل SBM و در نهایت برای رتبه بندی واحدهای کارآمد نیز از روش Super-SBM استفاده شد. یافته‌ها: نتایج پژوهش نشان داد که از بین واحدهای مورد بررسی، در دوره ارزیابی، ۴ واحد دارای عملکرد کارآمد و ۱۲ واحد ناکارآمد عمل کرده‌اند. در ضمن از بین واحدهای کارآمد، واحدی که دارای بهترین عملکرد بود مشخص شد و از بین واحدهای ناکارآمد نیز واحدی که بدترین عملکرد را داشت تعیین شد. نتیجه‌گیری: در دوره  ارزیابی، تعداد واحدهای ناکارآمد در مقابل واحدهای کارآمد بیشتر بود. به همین دلیل توصیه می‌شود کارآیی و بهره‌وری نمایندگی‌ها و شعبه‌های دفاتر پیشخوان طرف قرارداد بیمه سلامت در شهرهای مختلف ایران، به‌ویژه مراکز استان، به صورت سالانه ارزیابی شود تا با ارائه راهکارهای کاربردی، بتوان وضعیت نمایندگی‌ها و دفاتر را رونق بخشید. همچنین لازم است نسبت به انتظاراتی که از آنها وجود دارد آگاهی کامل پیدا کنند و نسبت به ارباب رجوع خود پاسخگویی مطلوب‌تری داشته باشند. 2 Introduction: Performance evaluation is the basis of many decisions and plans that can lead to the success of the organization, and efficiency is considered a very suitable criterion for evaluating the performance of companies and organizations. Based on this, the purpose of this research is to investigate the performance of agencies and counter offices of the contracting party of the Health Insurance Organization by measuring efficiency using the technique of data envelopment analysis. Methods: In this study, the data of the representative offices and counter branches of the contracting government of Iran Health Insurance Organization in Ilam province, Iran in the third quarter of 2021 were analyzed. For data analysis, non-radial data envelopment analysis model was used, in which evaluation indicators were selected using confirmatory factor analysis method and using Smart PLS software. The SBM model was used to determine the efficiency, and finally, the Super-SBM method was used to rank the efficient units. Results: The research showed that among the examined units, during the evaluation period, 4 units had efficient performance and 12 ineffective units, among the efficient units, the unit with the best performance was determined and among the inefficient units, the unit with the worst performance was determined. Conclusion: In the evaluation period, the number of inefficient units was more compared to efficient units. It is recommended to measure the efficiency and productivity of the counter offices and branches of health insurance contracting parties in different cities of Iran, especially the provincial centers, on an annual basis, so that by providing practical solutions, the situation of the agencies and offices can be improved. It is also necessary for them to be fully aware of their expectations and to be more responsive to their clients. 103 112 2023/07/82023/06/252023/02/13 1401/11/24 2023/11/92023/09/52023/08/6 1402/5/15 سهراب استا Sohrab Osta گروه حسابداری، دانشگاه ایلام، ایلام، ایران s.osta@ilam.ac.ir بهروز بادپا Behrooz Badpa گروه حسابداری، دانشگاه ایلام، ایلام، ایران b.badpa@ilam.ac.ir Employee Performance Appraisal Efficiency Health Insurance ارزیابی عملکرد کارکنان کارآیی بیمه سلامت Behrey, M.H., and Patron, R.A. (2008). " Performance appraisal – cultural fit and organizational outcomes within the U.A.E. ", Journal of American Academy of Business, Vol. 13, No. 1, pp. 166-176.##Campisi, D., Mancuso, P., Luigi Mastrodonato, S., Morea, D. (2019). Efficiency assessment of knowledge intensive business services industry in Italy: data envelopment analysis (DEA) and financial ratio analysis, Measuring Business Excellence, 23: 484-495.##Chen ,Yu-Chuan., Yung-Ho Chiu, Chin-Wei Huang, Chien Heng Tu. (2013). " The analysis of bank business performance and market risk—Applying Fuzzy DEA ". Economic Modelling 32 . 225–232.##Curtis, G., Hanias, M., Kourtis, E., Kourtis, M. (2020). Data Envelopment Analysis (DEA) and Financial Ratios: Α Pro-Stakeholders’ View of Performance Measurement for Sustainable Value Creation of the Wind Energy, International Journal of Economics and Business Administration, 2: 326-350.##Emrouznejad, A., & Yang, G. L. (2018). A survey and analysis of the first 40 years of scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences, 61, 4-8.##Huang, M. H., & Chen, D. Z. (2017). How can academic innovation performance in university–industry collaboration be improved?. Technological Forecasting and Social Change, 123, 210-215.##Liu, S. T. (2014). Fuzzy Efficiency Ranking in Fuzzy Two-Stage Data Envelopment Analysis. Optimization Letters, 8(2), 633-652.##Stewart, G. B. (1991). The quest for value: The EVA management guide. New York: Harper Business.##Tavana, M., Khanjani Shiraz, R., Hatami-Marbini, A. (2014).A New Chance-Constrained DEA Model with Birandom Input and Output Data. Journal of the operational research society, 27.##Wanke, P., Abul Kalam Azad, M., Emrouznejad, A. & Antunes, J. (2019). A dynamic network DEA model for accounting and financial indicators: A case of efficiency in MENA banking, International Review of Economics and Finance, 61: 52-68.##ابویی، فاطمه، میردهقان اشکذری، سیدمحمد، شفیعی رودپیشی، میثم (1390). ارزیابی کارای شرکت‌ها بیمه در ایران، فصلنامه اقصاد و تجارت نوین،‌ شماره های 27 و 28، صص 218-201.##پورکاظمی، محمد حسین، صمصامی، حسین، ابراهیمی قوام آبادی، خدیجه (1390). اندازه گیری کارایی و بهره وری شرکتهای بیمه خصوصی، پژوهشنامه بیمه، شماره 104.##جاویدی، علیرضا (1393). ارزیابی عملکرد شرکتهای سرمایه گذاری بورس اوراق بهادار با رویکرد مدل ترکیبی تحلیل پوششی داده ها و برنامه‌ریزی آرمانی، پایان نامه کارشناسی ارشد، دانشکده مدیریت و حسابداری دانشگاه علامه طباطبایی.##خلیلی دامغانی، کاوه (1391)، توسعه رویکردی ترکیبی مبتنی بر تحلیل پوششی داده های شبکه ای- فازی و شبیه سازی جهت سنجش کارایی چابکی در فرآیندهای زنجیره تأمین. رساله دکتری، مدیریت صنعتی، گرایش مدیریت تولید و عملیات، دانشگاه علامه طباطبایی.##خواجوی، شکراله، فتاحی نافچی، حسن و محمد حسین قدیریان (1394)، رتبه بندی و ارزیابی عملکرد مالی شرکت های صنایع منتخب بورس اوراق بهادار تهران با استفاده از مدل ترکیبی فازی – AHP- ویکور، مجله دانش حسابرسی، 15 (60).##دانشور، مریم، آذر، عادل، زالی، محمد رضا (1385). طراحی مدل ارزیابی عملکرد شعب بیمه با استفاده از روش تحلیل پوششی داده ها، پژوهشنامه علوم انسانی، شماره 23.##دعایی،‌حبیب اله (1376). مدیریت منابع انسانی با نگرش کاربردی،‌انتشارات دانشگاه تهران.##رضایی، علی (1392). تحلیل کارایی و بهره وری شرکتهای توزیع برق ایران، رویکرد مدل مازاد مبنا، فصلنامه تحقیقات مدلسازی اقتصادی، شماره 13.##رهنمای رودپشتی، فریدون، نیکومرام، هاشم، طلوعی، عباس، لطفی و مرضیه بیات (1394)، بررسی کارایی بهینه سازی پرتفوی بر اساس مدل پایدار با بهینه سازی کلاسیک در پیش بینی ریسک و بازده پرتفوی، مجله مهندسی مالی و مدیریت اوراق بهادار، شماره 22.##زارعی محمودآبادی، محمد، مشبکی، اصغر (1392). طراحی مدل ارزیابی کارآمدی نظریه های سازمان و مدیریت در ایران با رویکرد تحلیل پوششی داده های آرمانی، مجله تحقیق در عملیات و کاربردهای آن، شماره 37.##شاهبندرزاده، حمید؛ بهروزی، زهرا. (1400). ارائه مدلی جهت ارزیابی عملکرد زنجیره تامین شعب بانک ملی تحت یک فرآیند دو مرحله ای به کمک تحلیل پوششی داده ها، فصلنامه مدیریت زنجیره تامین، 23(71)، 47-59.##شمس، شادی (1392). استفاده از مدل تحلیل پوششی داده ها به منظور ارزیابی شرکتهای بیمه ایرانی، پایان نامه کارشناسی ارشد، پردیس ارس دانشگاه تهران.##صفایی قادیکلانی، عبدالحمید و دیگران (۱۳۸۶)، اندازه گیری کارایی شرکت های سرمایه - گذاری، استفاده از تحلیل پوششی داده‌ها در سازمان بورس اوراق بهادار تهران، پژوهشنامه مدیریت اجرایی، دوره 7، ش ۲۵، ص ۹۷-۱۲۰.##فبوزی، فرانک و مودگیلیانی، فرانکو و فری، مایکل (1390)، مبانی بازارها و نهادهای مالی، ترجمه حسین عبده تبریزی، انتشارت آگاه، چاپ اول، جلد اول، ص 233.##گرجی، محمد باقر، صیامی، (1387)، " شناسایی معیارهای ارزیابی عملکرد اعضای هیات علمی دانشگاه آزاد اسلامی"، فصلنامه مدیریت، سال پنجم، شماره 11، صفحات 10- 19.##معماریانی، عزیزاله (1383)، سیستم ارزیابی عملکرد بر اساس DEA، کنفرانس بین المللی مهندسی صنایع، دلنشگاه صنعتی امیرکبیر.##مهرگان، محمدرضا (1383)، الگوهای کمی در ارزیابی عملکرد سازمان (تحلیل پوششی داده ها)، انتشارات دانشکده مدیریت دانشگاه تهران، ص 33- 87.##محمدی، فرزانه؛ خمسه، الهه؛ احدزاده، مهناز. (1398). ارزیابی عملکرد شعب بانک با استفاده از رویکرد کنترل وزن در تحلیل پوششی داده ها، فصلنامه مهندسی مالی و مدیریت اوراق بهادار، 10(40)، 1-28.##میرغفوری، حبیب اله، میر فخر الدینی، حیدر، طحاری میرجردی، محمد حسین، بابایی، حمید (1390). بهبود سنجش ارزیابی گروههای آمئزش مدیریت مراکز آموزش عالی کشور در مدل تحلیل پوششی داده های آرمانی، دو فصلنامه انجمن آموزش عالی ایران، سال چهارم، شماره اول.##میرفخرالدینی، سید حیدر، رنجبرچی، سید محمود، عزیزی، فاطمه (1391). چارچوب پایش عملکرد شرکتهای فناور پارک علم و فناوری یزد با رویکرد ترکیبی، بهبود مدیریت، سال ششم، شماره 2.##یزدانی، فائزه؛ اهدایی، سعید. (1395). ارزیابی عملکرد بانک ها و موسسات اعتباری پذیرفته شده در بورس اوراق بهادار تهران با استفاده از تحلیل پوششی داده‌ها. غیر دولتی - مؤسسه‌های آموزش عالی غیردولتی‌ـ‌غیرانتفاعی - دانشگاه علم و فرهنگ تهران - دانشکده ادبیات و علوم انسانی ##

پیش‌بینی شیوع بیماری کووید-19 با استفاده از سری‌های زمانی در شهرستان مهریز Forecasting the Spread of COVID-19 Using Time Series in Mehriz City, Iran 1 1 مقدمه: بیماری کووید-۱۹ یک بیماری تنفسی است که در اثر سندرم تنفسی حاد کرونا ویروس-۲ ایجاد می‌شود. پیش‌بینی تعداد موارد جدید و مرگ‌و‌میر می‌تواند گام مفیدی در راستای پیش‌بینی هزینه‌ها و امکانات مورد نیاز در آینده باشد. هدف از این مطالعه مدل‌سازی، مقایسه عملکرد مدل‌ها و پیش‌بینی موارد جدید و مرگ‌ومیر در آینده نزدیک است. روش بررسی: در این مقاله ۹ تکنیک پیش‌بینی بر روی داده‌های کووید-۱۹ شهرستان مهریز به‌عنوان یک مطالعه موردی از تاریخ ۰۷/۱۲/۱۳۹۸ الی ۲۸/۰۹/۱۴۰۰ تحت آزمایش قرار گرفت و با استفاده از معیارهای ارزیابی میانگین مربعات خطا (MSE)، جذر میانگین مربعات خطا (RMSE)، میانگین قدر مطلق خطا (MAE) و میانگین درصد قدر مطلق خطا (MAPE) در مدل‌ها با هم مقایسه شدند. یافته‌ها: برای موارد تجمعی بستری مدل‌های ARIMA، نمایی، هولت-وینترز و STL عملکرد بهتر و شبکه‌های عصبی اتورگرسیو، تتا و رگرسیون KNN عملکرد نامناسبی را از خود نشان دادند. همچنین برای موارد تجمعی مرگ‌ومیر، مدل‌های رگرسیون KNN، نمایی و تتا دارای عملکرد بهتری در پیش‌بینی موارد تجمعی مرگ‌ومیر هستند و شبکه‌های عصبی اتورگرسیو، ARIMA و هموارسازی اسپلاین مکعبی عملکرد نامناسبی از خود نشان دادند. نتیجه‌گیری: بهترین مدل با توجه به معیارهای ارزیابی مذکور برای پیش‌بینی موارد تجمعی بستری کووید-۱۹ مدل STL و برای موارد تجمعی فوت مدل رگرسیون KNN است. همچنین مدل شبکه‌های عصبی اتورگرسیو دارای بدترین عملکرد در میان دیگر مدل‌ها، برای موارد بستری و هم موارد فوت است. نکته حائز اهمیت این است که باید داده‌ها در زمان واقعی به‌روز شوند. 2 Introduction: Coronavirus disease 2019 or COVID-19, which is also called acute respiratory disease NCAV-2019 or commonly called corona, is a respiratory disease caused by acute respiratory syndrome coronavirus-2. Forecasting the number of new cases and deaths today can be a useful step in predicting the costs and facilities needed in the future. This study aims to model and predict new cases and deaths efficiently in the future. Methods: In this article, 9 forecasting techniques were tested on the data of COVID-19 of Mehriz city, Iran as a case study from 2020/02/26 to 2021/12/19 and using the evaluation criteria of mean square error (MSE), root mean square error (RMSE), mean absolute error (MAE) and mean absolute percentage error (MAPE) of the models were compared. Results: For cumulative cases of hospitalization, ARIMA, Exponential, Holt-Winters, and STL models performed better and autoregressive neural networks, Theta, and KNN regression showed poor performance. Also, for cumulative mortality cases, KNN regression, Exponential and Theta models have better performance in predicting cumulative mortality cases, and autoregressive neural networks, ARIMA, and cubic spline smoothing showed poor performance. Conclusion: the best model according to the mentioned evaluation criteria for predicting cumulative cases of hospitalization of COVID-19 is STL model and for cumulative cases of death is the KNN regression model. Also, the autoregressive neural network model has the worst performance among other models, both for hospitalization and death cases. Also, the important point is that the data should be updated in real-time. 113 122 2023/07/82023/06/252023/02/132023/04/5 1402/1/16 2023/11/92023/09/52023/08/62023/07/30 1402/5/8 محمدحسین کریمی زارچی Mohammad Hossei Karimizarchi گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد karimizarchi.ie@yahoo.com داود شیشه‌بری Davood Shishebori گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه یزد، یزد shishebori@yazd.ac.ir COVID-19 SARS-CoV-2 Virus Disease Pneumonia کووید-19 کروناویروس سندرم حاد تنفسی-2 ذاتالریه بیماری ویروسی ## ##

بررسی تغییرات تعداد عمل‌های جراحی مغز و اعصاب قبل، حین و بعد از شیوع کووید-19 Ascertain Changes in the Volume of Neurosurgical Procedures Carried Out Before, During, and After the COVID-19 Pandemic 1 1 مقدمه: همه‌گیری کرونا ویروس (کووید-۱۹) اثرات شدیدی را بر مراقبت‌های بهداشتی جهانی داشته است. هدف از این مطالعه تعیین تغییرات تعداد عمل‌های جراحی مغز و اعصاب قبل، حین و بعد از شیوع کووید-۱۹ در بیمارستان‌های شهر اصفهان بود. روش بررسی: این مطالعه گذشته‌نگر در سه بیمارستان شهر اصفهان انجام شد. داده‌های مرتبط با بیماران جراحی مغز و اعصاب (اعم از الکتیو و غیرالکتیو) تحت درمان، از سال ۱۳۹۶ تا سال ۱۴۰۲ جمع‌آوری شد. بنابراین سه دوره ایجاد شد: قبل از شیوع کووید-۱۹ (اسفندماه سال ۱۳۹۶ تا اسفندماه ۱۳۹۸)‌، حین شیوع (اسفندماه سال ۱۳۹۸ تا اسفندماه ۱۴۰۰) و دوران پساکووید-۱۹ (اسفندماه سال ۱۴۰۰ تا اسفندماه ۱۴۰۱). داده‌های جمع‌آوری شده در نرم‌افزار SPSS ویرایش ۱۶ مورد بررسی قرار گرفت. یافته ها: ۳۰۴۵۶ مورد پذیرش برای جراحی مغز و اعصاب در حین کووید-۱۹ در مقایسه با ۴۲۳۰۰ پذیرش قبل از همه‌گیری مورد بررسی قرار گرفت. همچنین در دوران پساکووید (۱۴۰۰-۱۴۰۲) ۱۷۳۴۱ نفر پذیرش شده بودند. پیش از همه‌گیری، میانگین تعداد ارجاعات ۴۶ مورد در ۲۴ ساعت بود که در حین شیوع کووید-۱۹ به ۳۳ روز کاهش یافت. در دوران پساکووید به ۳۷ مورد در ۲۴ ساعت رسید. در دوران پساکرونا تفاوت معناداری در تعداد کل بیماران پذیرش شده، تعداد کل اعمال جراحی انجام شده و اعمال جراحی الکتیو انجام شده نسبت به دوران قبل از شیوع کووید-۱۹ و حین شیوع آن مشاهده شد (۰.۰۵>P). همچنین تفاوت معناداری از نظر مشکلات ستون فقرات بین دوران پساکرونا با حین شیوع آن وجود داشت (۰.۰۵>P). نتیجه‌گیری: ظرفیت درمان ایمن، برای بیمارانی که نیاز به مراقبت‌های الکتیو و غیرالکتیو جراحی مغز و اعصاب داشتند، در حین همه‌گیری کووید-۱۹ حفظ شد. همچنین پس از اتمام همه‌گیری تعداد عمل‌های جراحی نسبت به دوران قبل از آن کاهش داشت. 2 Introduction: The novel severe acute respiratory syndrome coronavirus 2 (COVID-19) pandemic has had drastic effects on global healthcare. This study aimed to ascertain changes in the volume of neurosurgical procedures carried out before, during, and after the COVID-19 pandemic in Isfahan city hospitals, Iran. Methods: This retrospective cohort study was conducted at the three Hospitals of Isfahan. Data of the neurosurgical patients (both urgent and nonurgent) treated from the February in 2017 to 2022 were collected. Two groups were thus created (COVID-19 (2020-2022), pre-COVID-19 (2017-2X019) and Post-COVID (2022-2023). Results: We treated 30456 admissions under neurosurgery during the COVID-19 (2020-2022) compared with 42300 admissions in pre-COVID-19 (2017-2019). Pre-COVID-19, the median number of referrals was 46 per 24 hour. During COVID-19, this decreased to 33 per day. During the post-COVID era, there was an admission of 17,341 patients, which escalated to 37 cases within a 24-hour timeframe during the post-COVID period. A noteworthy disparity was evident in the overall count of admitted patients, the aggregate of surgical procedures executed, and the elective surgical procedures performed during the post-COVID phase when juxtaposed with the pre-COVID and the COVID-19 pandemic periods (P<0.05). Additionally, there was a marked contrast in spinal column issues between the post-COVID period and the pandemic period (P<0.05). Conclusion: The capacity to safely treat patients requiring urgent or emergency neurosurgical care was maintained at COVID-19 pandemic. Moreover, following the conclusion of the pandemic, there was a decline in the number of surgical procedures in contrast to the pre-pandemic period. 123 130 2023/07/82023/06/252023/02/132023/04/52023/06/2 1402/3/12 2023/11/92023/09/52023/08/62023/07/302023/09/2 1402/6/11 بهرام امین‌منصور Bahram Aminmansour گروه جراحی مغز و اعصاب، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران aminmansour@med.mui.ac.ir سجاد پرور Sajad Parvar دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران sajadparvar@gmail.com محمدمهدی فخر Mohammadmehdi Fakhr دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران mehdifakhr996@gmail.com امیر مهابادی Amir Mahabadi گروه جراحی مغز و اعصاب، دانشکده پزشکی، دانشگاه علوم پزشکی اصفهان، اصفهان، ایران amirmahabadi@med.mui.ac.ir Neurosurgery COVID-19 Pandemic Elective Neurosurgery Emergency Neurosurgery جراحی مغز و اعصاب کووید-19 پاندمی اعمال الکتیو اعمال غیرالکتیو 1. Sun Y., Mao Y. Editorial. Response to COVID-19 in Chinese neurosurgery and beyond. J Neurosurg. 2020:1–2. ##2. Burke J, Chan AK, Mummaneni V, Dean C, et al. The coronavirus disease 2019 global pandemic: a neurosurgical treatment algorithm. Neurosurgery.2020; 87(1): E50-E56##3. Aminmansour B, Mahmoodkhani M, Shafiei M, Mokhtari A, Hematzadeh M, Sheibani Tehrani D. Medical Tourism Challenges After the Prevalence of COVID-19: The Neurosurgery Field. The International Journal of Travel Medicine and Global Health. 2022; 10 (2): 83-87.##4. Aminmansour B, Shafiei M, Sabouri M, Mahmoodkhani M, Hematzadeh M, Sheibani Tehrani D. Managing Neurosurgery in the COVID-19 Pandemic. Hospital Practices and Research. 2022; 7 (3): 97-104.##5. Diaz Adrian. Elective surgery in the time of COVID-19. Am J Surg. 2020 Jun; 219(6): 900–902.##6. Gupta P., Muthukumar N., Rajshekhar V., Tripathi M., Thomas S., Gupta S.K. Neurosurgery and neurology practices during the Novel COVID-19 pandemic: A consensus statement from India. Neurology India. 2020; 68:246.##7. Ashkan K, Jung J, Maria Velicu A, et all. Neurosurgery and coronavirus: impact and challenges—lessons learnt from the first wave of a global pandemic. Acta Neurochir (Wien). 2021; 163(2): 317–329.##8. Alimohammadi E, Eden S, Kumar Anand S. The impact of coronavirus 2019 (COVID-19) on neurosurgical practice and training: a review article. Br J Neurosurg. 2022;36(5):569-573.##9. Tavanaei R, Ahmadi P, Oraii Yazdani K. The Impact of the Coronavirus Disease 2019 Pandemic on Neurosurgical Practice and Feasibility of Safe Resumption of Elective Procedures During this Era in a Large Referral Center in Tehran, Iran: An Unmatched Case-Control Study. World Neurosurg. 2021; 154: e370–e381.##10. Farahbakhsh F, Rostami M, Khoshnevisan A. The Management and Outcomes of Coronavirus Disease 2019 Infection in a Series of Neurosurgical Patients. Asian J Neurosurg. 2021;16(1):78-83.##11. Zoia C, Bongetta D, Veiceschi P. Neurosurgery during the COVID-19 pandemic: update from Lombardy, northern Italy. Acta Neurochir (Wien). 2020; 162(6): 1221–1222.##12. Almufarriji Razan M., Alobaid Abdullah O. Saudi neurosurgery residency and COVID-19: How are we coping? Neurosciences (Riyadh). 2020; 25(5): 343–344.##13. Tosi U, Chidambaram S, Schwarz J. The World of Neurosurgery Reimagined Post COVID-19. World Neurosurg. 2021; 148: 251–255.##14. Dash C, Venkataram T, Goyal N, Chaturvedi J, Raheja A, Singla R, et al. Neurosurgery training in India during COVID-19 pandemic: straight from the horse’s mouth. Neurosurgical Focus 2020; Focus 20-537##15. Roshanzadeh M, jamalinik M, hasheminik M, Tajabadi A. Stigma of Covid - 19: The Basic Challenge in Health Economics. ioh 2020; 17 (S1) :137-141##16. Guiroy A, Gagliardi M, Coombes N. COVID-19 Impact Among Spine Surgeons in Latin America. Global Spine J. 2021; 11(6): 859–865.##17. Sharma R, Garg K, Katiyar V. Analysis of Neurosurgical Cases Before and During the Coronavirus Disease 2019 Pandemic from a Tertiary-Care Centre in India. World Neurosurg. 2021; 152: e635–e644.##18. Sinha S, Zayar Toe K. The impact of COVID-19 on neurosurgical head trauma referrals and admission at a tertiary neurosurgical center. J Clin Neurosci. 2021; 87: 50–54.##19. Singh R, Sahu A, Singh K. Impact of COVID-19 Pandemic on Neurosurgical Practice in a Tertiary Care Center in India. J Neurosci Rural Pract. 2021; 12(1): 24–32.##20. ElGhamry A, Jayakumar N, Youssef M. COVID-19 and Changes in Neurosurgical Workload in the United Kingdom. World Neurosurg. 2021; 148: e689–e694.##1. Sun Y., Mao Y. Editorial. Response to COVID-19 in Chinese neurosurgery and beyond. J Neurosurg. 2020:1–2. ##2. Burke J, Chan AK, Mummaneni V, Dean C, et al. The coronavirus disease 2019 global pandemic: a neurosurgical treatment algorithm. Neurosurgery.2020; 87(1): E50-E56##3. Aminmansour B, Mahmoodkhani M, Shafiei M, Mokhtari A, Hematzadeh M, Sheibani Tehrani D. Medical Tourism Challenges After the Prevalence of COVID-19: The Neurosurgery Field. The International Journal of Travel Medicine and Global Health. 2022; 10 (2): 83-87.##4. Aminmansour B, Shafiei M, Sabouri M, Mahmoodkhani M, Hematzadeh M, Sheibani Tehrani D. Managing Neurosurgery in the COVID-19 Pandemic. Hospital Practices and Research. 2022; 7 (3): 97-104.##5. Diaz Adrian. Elective surgery in the time of COVID-19. Am J Surg. 2020 Jun; 219(6): 900–902.##6. Gupta P., Muthukumar N., Rajshekhar V., Tripathi M., Thomas S., Gupta S.K. Neurosurgery and neurology practices during the Novel COVID-19 pandemic: A consensus statement from India. Neurology India. 2020; 68:246.##7. Ashkan K, Jung J, Maria Velicu A, et all. Neurosurgery and coronavirus: impact and challenges—lessons learnt from the first wave of a global pandemic. Acta Neurochir (Wien). 2021; 163(2): 317–329.##8. Alimohammadi E, Eden S, Kumar Anand S. The impact of coronavirus 2019 (COVID-19) on neurosurgical practice and training: a review article. Br J Neurosurg. 2022;36(5):569-573.##9. Tavanaei R, Ahmadi P, Oraii Yazdani K. The Impact of the Coronavirus Disease 2019 Pandemic on Neurosurgical Practice and Feasibility of Safe Resumption of Elective Procedures During this Era in a Large Referral Center in Tehran, Iran: An Unmatched Case-Control Study. World Neurosurg. 2021; 154: e370–e381.##10. Farahbakhsh F, Rostami M, Khoshnevisan A. The Management and Outcomes of Coronavirus Disease 2019 Infection in a Series of Neurosurgical Patients. Asian J Neurosurg. 2021;16(1):78-83.##11. Zoia C, Bongetta D, Veiceschi P. Neurosurgery during the COVID-19 pandemic: update from Lombardy, northern Italy. Acta Neurochir (Wien). 2020; 162(6): 1221–1222.##12. Almufarriji Razan M., Alobaid Abdullah O. Saudi neurosurgery residency and COVID-19: How are we coping? Neurosciences (Riyadh). 2020; 25(5): 343–344.##13. Tosi U, Chidambaram S, Schwarz J. The World of Neurosurgery Reimagined Post COVID-19. World Neurosurg. 2021; 148: 251–255.##14. Dash C, Venkataram T, Goyal N, Chaturvedi J, Raheja A, Singla R, et al. Neurosurgery training in India during COVID-19 pandemic: straight from the horse’s mouth. Neurosurgical Focus 2020; Focus 20-537##15. Roshanzadeh M, jamalinik M, hasheminik M, Tajabadi A. Stigma of Covid - 19: The Basic Challenge in Health Economics. ioh 2020; 17 (S1) :137-141##16. Guiroy A, Gagliardi M, Coombes N. COVID-19 Impact Among Spine Surgeons in Latin America. Global Spine J. 2021; 11(6): 859–865.##17. Sharma R, Garg K, Katiyar V. Analysis of Neurosurgical Cases Before and During the Coronavirus Disease 2019 Pandemic from a Tertiary-Care Centre in India. World Neurosurg. 2021; 152: e635–e644.##18. Sinha S, Zayar Toe K. The impact of COVID-19 on neurosurgical head trauma referrals and admission at a tertiary neurosurgical center. J Clin Neurosci. 2021; 87: 50–54.##19. Singh R, Sahu A, Singh K. Impact of COVID-19 Pandemic on Neurosurgical Practice in a Tertiary Care Center in India. J Neurosci Rural Pract. 2021; 12(1): 24–32.##20. ElGhamry A, Jayakumar N, Youssef M. COVID-19 and Changes in Neurosurgical Workload in the United Kingdom. World Neurosurg. 2021; 148: e689–e694. ##

بررسی وضعیت نابرابری در پرداخت درخصوص مراقبت‌های بهداشت دهان و دندان در خانوارهای شهرستان اهواز Investigating the Situation of Inequality in Out-of-Pocket Payments for Oral and Dental Health Care in Ahvaz City Households 1 1 مقدمه: تأمین مالی در نظام سلامت، زمانی عادلانه خواهد بود که هزینه‌های مربوط به مراقبت‌های سلامت برای خانوارها برحسب توان پرداخت آنها، نه براساس خطر بیماری توزیع شده باشد. هدف مطالعه حاضر بررسی وضعیت نابرابری در پرداخت از جیب خانوارها بابت مراقبت‌های بهداشت دهان و دندان در خانوارهای شهرستان اهواز بود. روش بررسی: مطالعه حاضر از نوع توصیفی-تحلیلی و مقطعی بوده که در آن با روش نمونه‌گیری طبقه‌ای-خوشه‌ای ۷۱۵ خانوار ساکن در شهرستان اهواز سال ۱۴۰۱ از نظر نابرابری در پرداخت از جیب بیماران از طریق شاخص کاکوانی مورد مطالعه قرار گرفت. جمع‌آوری اطلاعات مورد نیاز از طریق پرسشنامه انجام شد. برای محاسبه پایایی پرسشنامه، ابزار اندازه‌گیری در بازه زمانی هفت روزه بر روی یک گروه ۱۰ نفره اجرا شد و ضریب همبستگی آنها ۰.۸۹ به دست آمد. برای تحلیل داده‌ها از نرم‌افزار Stata و Excel استفاده شد. یافته‌ها: براساس این مطالعه، سهم مخارج بهداشت دهان و دندان از درآمد خانوارها در پنجک ۱ تا ۵ به ترتیب برابر ۶۹.۴۱، ۴۵.۲۹، ۲۷.۷۷، ۲۵.۳۸ و ۱۷.۷ درصد بود. همچنین ضریب جینی برابر با ۰.۳۸۴ و شاخص تمرکز نیز برابر با ۰.۱۷۴ و شاخص کاکوانی عددی منفی و برابر با ۰.۲۱- است. همچنین میانگین درصد پرداخت از جیب بابت خدمات دندانپزشکی در خانوارهای مورد مطالعه ۹۳.۶۲ درصد بود. نتیجه‌گیری: نسبت پرداخت از جیب بابت مراقبت‌های دندانپزشکی از درآمد خانوارها در پنج‌های درآمدی پایین بیشتر بود و می‌توان گفت که حالت تنازلی در تأمین مالی از طریق پرداخت از جیب بابت مراقبت‌های دهان و دندان وجود دارد. بنابراین مدیران و سیاست‌گذاران سلامت باید با گسترش پوشش بیمه‌ای و حفاظت از اقشار فقیر در برابر مخارج ناخواسته بهداشت دهان و دندان شدت پس روندگی در تأمین مالی را کاهش دهند. 2 Introduction: Financing in the health system will be fair when the costs related to health care for households are distributed according to their ability to pay and not according to the risk of disease. The aim of the present study was to investigate the inequality situation in households’ out-of-pocket payments for oral and dental health care in the Ahvaz, Iran households. Methods: The present study is a cross-sectional study in which 715 households living in Ahvaz city in 2022-2023 were studied with stratified-cluster sampling. The required data was collected through a questionnaire to calculate the reliability, the questionnaire was implemented on a group of 10 households in a seven-day period, and their correlation coefficient was 0.89. Stata and Excel software were used to analyze the data. Results: According to this study, the proportion of oral and dental health expenses from the income of households in quintiles 1 to 5 is 69.41, 45.29, 27.77, 25.38 and 17.7 percent, respectively. Also, the Gini coefficient is equal to 0.384, the concentration index is equal to 0.174, and the Kakwani index is equal to -0.21. Also, the average percentage of out-of-pocket payments for dental services was 93.62%. Conclusion: The out-of-pocket payments share of income for dental care was higher in the poorest quintile and it can be said that there is a downward trend in financing through out-of-pocket payments for oral and dental care. Therefore, health managers and policymakers should reduce the severity of the downward in financing by expanding insurance coverage and protecting the poor against unwanted oral and dental health expenses. 131 140 2023/07/82023/06/252023/02/132023/04/52023/06/22023/07/12 1402/4/21 2023/11/92023/09/52023/08/62023/07/302023/09/22023/09/11 1402/6/20 علی فیضی Ali Feizi گروه اقتصاد، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، اصفهان، ایران feizi.ali355@gmail.com بهار حافظی Bahar Hafezi گروه اقتصاد، واحد خمینی شهر، دانشگاه آزاد اسلامی، خمینی شهر، اصفهان، ایران hafezi@iaukhsh.ac.ir سعید باقری فرادنبه Saeed Bagheri Faradonbeh گروه مدیریت خدمات بهداشتی درمانی، دانشکده بهداشت، دانشگاه علوم پزشکی جندی شاپور اهواز، اهواز، ایران s.bagheri1986@gmail.com Out-of-Pocket Payment Inequality Oral Health پرداخت از جیب نابرابری بهداشت دهان و دندان ## ##

ارائه مدل ارزیابی عملکرد زنجیره تأمین پایدار تجهیزات بیمارستانی با رویکرد کارت امتیازی متوازن و پایدار (BSSC) Presenting the performance evaluation model of the sustainable supply chain of hospital equipment with the sustainable balanced scorecard (BSSC) approach 1 1 مقدمه: آنچه به بهبود عملکرد زنجیره تأمین تجهیزات پزشکی بیمارستانی کمک می‌کند، داشتن مدل مناسبی برای ارزیابی مجموعه خود در راستای اهداف استراتژیک است. هدف از این مطالعه ارائه مدل ارزیابی عملکرد زنجیره تأمین پایدار تجهیزات پزشکی بیمارستانی است. روش بررسی: در این مطالعه اکتشافی و پیمایشی با استفاده از ادبیات و پیشینه‌های موجود و نیز نظر خبرگان، عناصر موثر (ابعاد، مولفه‌ها و شاخص‌ها) بر عملکرد زنجیره تأمین پایدار شناسایی شدند. سپس این عناصر با استفاده از روش دلفی و نظرخواهی از خبرگان نهایی شدند. خبرگان روی ۴ بعد، ۸ مولفه و ۵۴ شاخص به اجماع رسیدند که ۸ شاخص در این بررسی از امتیاز لازم برخوردار نشده و حذف شدند و باقیمانده برای طراحی مدل نهایی مورد استفاده قرارگرفتند. به‌منظور بررسی روابط بین ابعاد و مولفه‌ها از روش معادلات ساختاری تفسیری (ISM) استفاده شد. یافته‌ها: مدل نهایی ارزیابی عملکرد شامل ۴ بعد، ۸ مولفه و ۵۴ شاخص شد که برای ارزیابی عملکرد زنجیره تأمین پایدار تجهیزات پزشکی بیمارستانی با نگاه درون سازمان و بیرون سازمانی کاربرد دارد و با تغییراتی در سازمان‌های دیگر می‌تواند به‌کار رود. ابعاد حاصل شده عبارتند: از پایداری، ذی‌نفعان کلیدی، فرآیندها، رشد و یادگیری. مولفه‌ها عبارتند از: اقتصادی- مالی، یکپارچگی، قابلیت‌های افراد، ناب – چابکی، فرهنگ سازمانی، بالادست/ بازیگران زنجیره تأمین، اجتماعی- محیطی، و پایین‌دست/ مشتریان. نتیجه‌گیری: استفاده از کارت امتیازی متوازن و پایدار ، اهداف سازمانی در زنجیره تأمین تجهیزات بیمارستانی را مورد پایش و ارزیابی قرار می‌دهد و میزان دستیابی به اهداف مشخص می‌شود. استفاده از این مدل سازمان را به‌سوی تعادل و پایداری در اهداف کلان سوق می‌دهد و موجب توجه به جنبه‌های گوناگون مهم داخل و پیرامونی سازمان خواهد شد. 2 Introduction: What helps to improve the performance of the supply chain of hospital medical equipment is having a suitable model to evaluate your collection in line with strategic goals. The purpose of this research is to provide a performance evaluation model for the sustainable supply chain of hospital medical equipment. Methods: This research is exploratory and survey. In this research, using existing literature and backgrounds as well as experts' opinions, effective elements (dimensions, components and indicators) on the performance of sustainable supply chain were identified; Then these elements were finalized using the Delphi method and asking for opinions from experts. The experts reached a consensus on 4 dimensions, 8 components and 54 indicators, that 8 indicators did not receive the necessary points in this review and were removed, and the rest were used to design the final model. Interpretive Structural Equations (ISM) method was used to investigate the relationships between dimensions and components. Results: The final performance evaluation model included 4 dimensions, 8 components and 54 indicators, which is used to evaluate the performance of the sustainable supply chain of hospital medical equipment from an internal and external perspective, and can be used with changes in other organizations. The obtained dimensions (views) include sustainability, key stakeholders, processes, and growth and learning. The components are economic-financial, integration, people capabilities, lean-agility, organizational culture, upstream/supply chain actors, social-environmental and downstream/customers. Conclusion: The use of Balanced and Sustainable Score Card (BSSC) monitors and evaluates organizational goals in the supply chain of hospital equipment, and the extent to which goals are achieved is determined. The use of this model leads the organization towards balance and sustainability in the macro goals and will bring a guarantee to pay attention to various important aspects inside and around the organization. 141 150 2023/07/82023/06/252023/02/132023/04/52023/06/22023/07/122023/02/21 1401/12/2 2023/11/92023/09/52023/08/62023/07/302023/09/22023/09/112023/07/30 1402/5/8 حسن جعفری Hassan Jafari گروه مدیریت صنعتی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران hasjafari@gmail.com حسن فارسیجانی Hassan Farsijani گروه مدیریت صنعتی، دانشگاه شهید بهشتی، تهران، ایران h-farsi@sbu.ac.ir احمد ودادی Ahmad Vedadi گروه مدیریت، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران ahvedadi@gmail.com منصور مومنی Mansour Momeni گروه مدیریت صنعتی، دانشگاه تهران، تهران، ایرن mmomeni@ut.ac.ir Performance Evaluation Supply Chain Sustainable Balanced Scorecard ارزیابی عملکرد زنجیره تأمین کارت امتیازی متوازن پایدار ##[1] Dominique E., Supply Chain Performance and Evaluation Models, First ed. London: ISTE Ltd & John Wiley, Inc.;2014## [2] Lai Kee-Hung, Ngai E. W. T, Cheng T. C. E , Measures for evaluating supply chain performance in transport logistics, Transportation Research Part E: Logistics and Transportation Review, Elsevier science LRtd and Transportation, November 2002;38(6): Pages 439-456 ##[3] Kowalski JC. Needed: a strategic approach to supply chain management: hospital senior financial##executives need to recalculate the strategic significance of the supply chain--and plan accordingly. Healthcare Financial Management. 2009;63(6):90-9.##[4] Dorota LEOŃCZUK ,Categories of supply chain performance indicators: an overview of approaches,2016 ;14(1): 103–115.##[5] Ramezani S.,Rahmati H., Framework for evaluating the inventory management system and spare parts warehouse and providing a roadmap MRO-iREAM , supply chain management, 2021, [Persian] ## [6] Andy Neely, Mike Gregory and Ken Platts , Performance measurement system design A literature review and research agenda; International Journal of Operations & Production Management , 2005; 25 (12), pp. 1228-1263.## [7] Seyed Gholamreza Jalali Naini,Alireza Aliahmadi, Meisam Jafari-Eskandari , Designing a mixed performance measurement system for environmental supply chain management using evolutionary game theory and Balanced Scorecard: A case study of an auto industry supply chain, Resources Conservation and Recycling, April 2011;55(6):593-603.##[8] C. Tyssen et al., Sustainable Supply Chain Management, 2011, pp.17-55. DOI 10.1007/978-3- 642-12023-7_2,## [9] Ramezankhani, M.J., Ali Torabi, S., Vahidi, F., Supply Chain Performance Measurement and Evaluation: A Mixed Sustainability and Resilience Approach, Computers & Industrial Engineering , October 2018, doi:https://doi.org/10.1016/j.cie.2018.09.054##[10] Ismail Erol , Safiye Sencer, Ramazan Sari, A new fuzzy multi-criteria framework for measuring sustainability performance of a supply chain, Ecological Economics ,2011;70 (2011) :1088–1100##[11] Federica Ciccullo, Margherita Pero, Maria Caridi, Jonathan Gosling, Laura Purvis, Integrating the environmental and social sustainability pillars into the Lean and Agile supply chain management paradigms: a literature review and future research directions, Journal of Cleaner Production. 2017, DOI: 10.1016/j.jclepro.2017.11.176 ##[12] Bappy MM, Ali SM, Kabir G, Paul SK, Supply chain sustainability assessment##with Dempster-Shafer evidence theory: Implications in cleaner production, Journal of Cleaner Production##2019; 237(9), doi: https://doi.org/10.1016/j.jclepro.2019.117771.##[13] Beamon, B. M. Measuring supply chain performance, International Journal of Operations & Production Management , 1999,19(3): 275–292. http://dx.doi.org/10.1108/01443579910249714##[14] Elisabete Correia, Helena Carvalho, Susana G. Azevedo and Kannan Govindan##, Maturity Models in Supply Chain Sustainability: A Systematic Literature Review, Sustainability ,2017; 9(1). https://doi.org/10.3390/su9010064##[15] Golrizgashti, S. Supply chain value creation methodology under BSC approach, Journal of Industrial Engineering International, 2014 ;10(67): 1–15. http://dx.doi.org/10.1007/s40092-014-0067-5## [16] Neely, A., Bourne, M. and Kennerley, M. Performance Measurement System Design: Developing and testing a process based approach. International Journal of Operation and Production Management, 2000; 20( 10): pp. 1119-1145.##[17] Sonia Rebai a, Mohamed Naceur Azaiez b , Dhafer Saidane, A multi-attribute utility model for generating a sustainability index in the banking sector, 2016; 8 (11)##[18] Ilona Berková1, Markéta Adamová2, Kristýna Nývltová3, Realtionships between Fiancial and Learning and Growth Perspectives in BSC,2017; 65(6):1841-1850, DOI:10.11118/actaun201765061841.##[19] Hofstede, G. Culture and Organisations: Software of the Mind: Intercultural Cooperation and its importance for Survival. 3rd edition. McGraw-Hill., 2010. ##

مقایسه تعداد و هزینه نسخ دارویی قبل و بعد از اجرای طرح دارویار Investigating the Effect of Daroyar Plan on Indicators of the Number and Cost of Drug Prescriptions in Iran 1 1 مقدمه: یکی از اصلی‌ترین هزینه‌های نظام سلامت در حوزه دارو است. بر این اساس کشورهای مختلف سیاست‌های متفاوتی را برای کنترل هزینه دارو اتخاذ کرده اند. طرح دارویار با هدف تنظیم دسترسی عادلانه و پایدار مردم به داروها و افزایش پوشش بیمه‌ای اجرا شد. این مطالعه به بررسی اجرای طرح دارویار بر تعداد نسخ و هزینه سازمان بیمه سلامت در سال ۱۴۰۱ پرداخته است. روش‌ بررسی: این مطالعه، مقطعی گذشته‌نگر است. جامعه پژوهش نسخ سرپایی الکترونیک دارو بیمه‌شدگان بیمه سلامت ایران در کلیه صندوق‌ها بیمه ای در ۶ ماهه دوم سال‌های ۱۴۰۰ و ۱۴۰۱ است. تعداد نسخ پیچیده شده، هزینه پرداختی سازمان بیمه‌ و تعداد داروخانه‌های ارائه‌دهنده خدمت، از داشبوردهای نسخ دارویی سامانه الکترونیک سازمان بیمه سلامت استخراج شده اند. با استفاده از آمار توصیفی، شاخص‌های تمایل مرکزی (میانگین) و فراوانی مورد بررسی قرار گرفتند. یافته ها: تعداد نسخ ۷۱درصد و هزینه‌ها ۲۵۱درصد در سال ۱۴۰۱ افزایش‌ یافت. میانگین ‌هزینه ۱۰۵درصد افزایش داشت اما میانگین نسخ بدون احتساب ارز‌ ترجیحی ۱۲درصد کاهش‌ پیدا‌کرد. سهم ‌ارز‌ترجیحی از کل هزینه پرداختی سازمان بابت نسخ الکترونیک دارو ۵۷‌درصد‌ بود. بیشترین هزینه پرداختی سازمان به استان تهران (۱۳‌درصد) بوده است. مبلغ ارز ترجیحی از مهرماه تا اسفندماه روند صعودی داشته است. نتیجه‌گیری: با توجه به مطالعه انجام شده درباره طرح دارویار، می‌توان نتیجه گرفت که پس از اجرای این طرح تغییراتی نظیر افزایش تعداد نسخه‌های دارویی، هزینه‌ها و میانگین هزینه نسخه‌ها، تعداد داروخانه‌های الکترونیکی و پوشش بیمه‌ای برای دسترسی به داروها دیده شده است. در این مطالعه، تأثیر مستقیم طرح دارویار بر هزینه پرداختی سازمان بیمه مورد بررسی قرار نگرفته است. 2 Introduction: Daroyar project was implemented with the aim of regulating fair and sustainable access of people to medicines and increasing insurance coverage. This study investigated the effect of the plan on the number of prescriptions and the cost of the health insurance organization. Methods: This study is a cross-sectional retrospective study. The research community is the outpatient electronic prescription of drugs of Iranian health insurance organization in the second 6 months of 1400 and 1401. In this study, the number of drug prescriptions, the cost paid by the insurance organization, and the number of service-providing pharmacies were extracted from the prescription dashboards of the Health Insurance Organization's electronic system. Data analysis was done using Excel 2019 software. Results: The number of prescriptions increased by 71% and costs by 251% in 1401. The average cost increased by 105%, but the average number of prescriptions, excluding preferred currency, decreased by 12%. The preferred currency share of the total cost paid by the organization for electronic drug prescription was 57%. The highest cost paid by the organization was to Tehran province (13%). The amount of preferred currency has been increasing from October to March. Conclusion: The Daroyar project has led to the improvement of people's access to pharmaceutical services. The decrease in the average net share of the organization per prescription is a sign of the coverage of cheap drugs. The significant share of the preferred currency indicates the success of the project in providing domestically produced drugs. 151 158 2023/07/82023/06/252023/02/132023/04/52023/06/22023/07/122023/02/212023/07/7 1402/4/16 2023/11/92023/09/52023/08/62023/07/302023/09/22023/09/112023/07/302023/09/6 1402/6/15 لیلا غمخوار Leila Ghamkhar مرکز ملی تحقیقات بیمه سلامت، تهران، ایران lghamkhar@yahoo.com محمد عفت‌پناه Mohammad Effatpanah مرکز ملی تحقیقات بیمه سلامت، تهران، ایران m-effatpanah@tums.ac.ir مهدی رضایی Mehdi Rezaee مرکز ملی تحقیقات بیمه سلامت، تهران، ایران m.rezaee@sina.tums.ac.ir سپیده میرصالحی Sepideh Mirsalehi مرکز ملی تحقیقات بیمه سلامت، تهران، ایران mirsalehi.s@ihio.gov.ir کیوان تاجبخش Keyvan Tajbakhsh مرکز ملی تحقیقات بیمه سلامت، تهران، ایران drkeytaj@yahoo.com فاطمه حاجی علی‌عسگری Fatemeh Hajialiasgari گروه سلامت الکترونیک، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران F-hajialiasgari@tums.ac.ir Preferred Currency Daroyar Number of Prescriptions Cost ارز ترجیحی دارویار تعداد نسخ هزینه 1. Verghese NR, Barrenetxea J, Bhargava Y, Agrawal S, Finkelstein EA. Government pharmaceutical pricing strategies in the Asia-Pacific region: an overview. Journal of market access & health policy. 2019;7(1):1601060.##2. Wirtz VJ, Hogerzeil HV, Gray AL, Bigdeli M, de Joncheere CP, Ewen MA, et al. Essential medicines for universal health coverage. The Lancet. 2017;389(10067):403-76.##3. Ben-Aharon O, Shavit O, Magnezi R. Does drug price-regulation affect healthcare expenditures? The European journal of health economics : HEPAC : health economics in prevention and care. 2017;18(7):859-67.##4. Stadhouders N, Koolman X, Tanke M, Maarse H, Jeurissen P. Policy options to contain healthcare costs: a review and classification. Health policy (Amsterdam, Netherlands). 2016;120(5):486-94.##5. Branning G, Lynch M, Hayes K. Value-based agreements in healthcare: willingness versus ability. American Health & Drug Benefits. 2019;12(5):232-38.##6. The budget law of 1401 of the whole country [Internet]. Available from: https://rc.majlis.ir/fa/law/show/1742795.##7. Rezaee M. Insurance coverage for uninsured people. Health insurance organization.1401;135941##8. B D, S T, N K, P D. Pricing and Reimbursement of Pharmaceuticals in Iran and Selected Countries: A Comparative Study. Journal of Health Administration. 2006;8(2):55-9.##9. Mrazek M. Comparative approaches to pharmaceutical price regulation in the European :union:. Croatian Medical Journal. 2002;43(4):453-61.##10. Barnieh L, Manns B, Harris A, Blom M, Donaldson C, Klarenbach S, et al. A synthesis of drug reimbursement decision-making processes in organisation for economic co-operation and development countries. Value in Health. 2014;17(1):98-108.##11. Vogler S, Habimana K. Pharmaceutical pricing policies in European countries.2014.##12. Aufegger L, Yanar C, Darzi A, Bicknell C. The risk-value trade-off: price and brand information impact consumers’ intentions to purchase OTC drugs. Journal of pharmaceutical policy and practice. 2021;14(1):1-13.##. Verghese NR, Barrenetxea J, Bhargava Y, Agrawal S, Finkelstein EA. Government pharmaceutical pricing strategies in the Asia-Pacific region: an overview. Journal of market access & health policy. 2019;7(1):1601060.##2. Wirtz VJ, Hogerzeil HV, Gray AL, Bigdeli M, de Joncheere CP, Ewen MA, et al. Essential medicines for universal health coverage. The Lancet. 2017;389(10067):403-76.##3. Ben-Aharon O, Shavit O, Magnezi R. Does drug price-regulation affect healthcare expenditures? The European journal of health economics : HEPAC : health economics in prevention and care. 2017;18(7):859-67.##4. Stadhouders N, Koolman X, Tanke M, Maarse H, Jeurissen P. Policy options to contain healthcare costs: a review and classification. Health policy (Amsterdam, Netherlands). 2016;120(5):486-94.##5. Branning G, Lynch M, Hayes K. Value-based agreements in healthcare: willingness versus ability. American Health & Drug Benefits. 2019;12(5):232-38.##6. The budget law of 1401 of the whole country [Internet]. Available from: https://rc.majlis.ir/fa/law/show/1742795.##7. Rezaee M. Insurance coverage for uninsured people. Health insurance organization.1401;135941##8. B D, S T, N K, P D. Pricing and Reimbursement of Pharmaceuticals in Iran and Selected Countries: A Comparative Study. Journal of Health Administration. 2006;8(2):55-9.##9. Mrazek M. Comparative approaches to pharmaceutical price regulation in the European :union:. Croatian Medical Journal. 2002;43(4):453-61.##10. Barnieh L, Manns B, Harris A, Blom M, Donaldson C, Klarenbach S, et al. A synthesis of drug reimbursement decision-making processes in organisation for economic co-operation and development countries. Value in Health. 2014;17(1):98-108.##11. Vogler S, Habimana K. Pharmaceutical pricing policies in European countries.2014.##12. Aufegger L, Yanar C, Darzi A, Bicknell C. The risk-value trade-off: price and brand information impact consumers’ intentions to purchase OTC drugs. Journal of pharmaceutical policy and practice. 2021;14(1):1-13. ##