أكثر

توضيح بشأن إجابة سابقة لمؤشر تداخل توزيع الاستخدام (UDOI)

توضيح بشأن إجابة سابقة لمؤشر تداخل توزيع الاستخدام (UDOI)


أنا أكافح حقًا لحساب مؤشر تداخل توزيع الاستخدام (UDOI) ويمكن حقًا استخدام بعض التوضيح للإجابة السابقة.

يوجد دليل شامل لما أحاول تحقيقه هنا:

كيف يتم حساب مؤشر تداخل توزيع الاستخدام (UDOI) في ArcGIS Desktop؟

لقد اتبعت التعليمات من خلال حساب Integrand لكنني عالق حقًا في محاولة حساب مجاميع المنطقة. هذا هو المكان الذي عليّ أن:

"هذا هو التكامل. لدمجها ، لاحظ أنه نظرًا لأن الشبكة التي تستخدمها بها مستطيلات بنفس الحجم ، فإن dx dy لا يتغير أبدًا. وهذا يتيح لنا تحليلها ، وتركنا نقوم فقط بحساب المجموع. وهذا يعني ، المجموع النطاقي لشبكة المنتج باستخدام مضلع التقاطع كمنطقة ، يتم ضرب هذا في dx (حجم الخلايا x) وفي dy (حجم الخلايا y ، عادةً ما يساوي حجم الخلايا x). على سبيل المثال ، أحصل على قيمة 0.183814 ".

  1. أولاً هل يمكنني توضيح أن الرابط في النقطة 5 من ملخص Whuber في أسفل الإجابة هو للأداة الصحيحة؟ ينقلك الرابط إلى تعليمات Focal Stats عندما كنت أفكر في أنه يجب أن تذهب إلى Zonal Stats في مربع أدوات Zonal؟
  2. في مثال Whuber ، يكون أول مجموع منطقي له هو 0.183814. يصل منجم إلى أكثر من 9000 ، لذا أفترض أنني أقوم بشيء خاطئ. هل يمكن لشخص ما أن يؤكد أنني أبحث عن رقم في الترتيب 0. شيء من ماج؟
  3. حيث تقول "يتم ضرب هذا في dx (حجم الخلايا x) وفي dy (حجم الخلايا y ، عادةً ما يكون مساويًا لحجم الخلايا x". هل هذا يشرح ما تقوم به العملية الحسابية أو يعطيني تعليمات؟

أريد أن أوضح أنني لا أنتقد منشور Whuber لأنني وجدته مفيدًا للغاية ، ولكني لا أفهمه بشكل كافٍ لإكمال الحساب.


توضيح بشأن إجابة سابقة لمؤشر تداخل توزيع الاستخدام (UDOI) - نظم المعلومات الجغرافية

نبذة مختصرة
في السوق الطبي سريع التغير اليوم ، لا تعد خطط الرعاية المدارة الكيانات الوحيدة التي تتحمل مخاطر رعاية المسجلين من خلال رأس المال. على نحو متزايد ، تقوم خطط الرعاية المدارة بنقل هذا الخطر إلى الرعاية الأولية والأطباء المتخصصين من خلال الدفع لهم على أساس الاستسلام كليًا أو جزئيًا. على الرغم من أن الحصول على رأس المال يوفر حافزًا قويًا للأطباء لتقديم رعاية فعالة من حيث التكلفة ، إلا أن هناك مخاوف من أن يضع حد للرأس بعض الأطباء في خطر مالي كبير. هدفنا هو تعريف الأطباء بالمشكلات التي يريدون أخذها في الاعتبار عند تقييمهم لخيارات رأس المال والأساليب المتاحة لتقليل مخاطرهم المالية. على وجه التحديد ، نقوم بتحليل 3 قضايا: نطاق الخدمات التي يتم الاستسلام لها ، ومن يقبل المخاطرة ، وحجم مجموعة المرضى. نختتم بمناقشة 3 طرق لتقليل أو الحد من المخاطر & # 151 إعادة التأمين ، "اقتطاع" ، وتعديل المخاطر.

من الناحية النظرية ، يمكن أن يؤدي تحديد الأسعار على مستوى المزود إلى خفض تكاليف الرعاية الصحية عن طريق إنشاء حوافز مالية للأطباء لتقليل حجم الخدمات من خلال إدارة أكثر فعالية لاستخدام الرعاية الصحية. بموجب ترتيبات الاستسلام ، يتلقى الأطباء مبلغًا ثابتًا لكل منتسب تحت رعايتهم ، بغض النظر عن مقدار الخدمات المقدمة بالفعل. عادة ما تستند معدلات الاقتباس على متوسط ​​التكلفة المتوقعة للمجموعة المسجلة ، ربما مع تعديلات للخصائص الديموغرافية (على سبيل المثال ، العمر والجنس). عادة ، لا يتم تعديل معدلات الحد الأقصى للحالة الصحية للأفراد المحددين الذين يخضعون لرعاية الطبيب.

على الرغم من أن الحد الأقصى للرأس يوفر حافزًا ماليًا قويًا للأطباء لتقديم رعاية فعالة من حيث التكلفة وقد يتيح للأطباء قدرًا أكبر من المرونة في تقديم أو ترتيب الخدمات التي لا تغطيها عادةً خطط الرسوم مقابل الخدمة ، إلا أن هناك مخاوف من أن تضع حدود رأس المال بعض الأطباء في وضع مالي كبير. خطر وأن هذا قد يؤثر على جودة الرعاية المقدمة. 3-6 على سبيل المثال ، قد لا تكون المدفوعات للأطباء الذين يعانون من المرض باستمرار من المتوسط ​​غير كافية إذا لم يتم تعديل معدلات الحد الأقصى لتعكس التكاليف الأعلى من المتوسط ​​لهذه الفئة من السكان. بالإضافة إلى ذلك ، قد يشكل عدد قليل من الأفراد الذين يتكبدون تكاليف باهظة للغاية في عام واحد أيضًا مخاطر مالية على الأطباء الأفراد والمجموعات الصغيرة من الأطباء المستسلمين.

نظرًا لأن نسبة مئوية أكبر من دخل الأطباء يتم توليدها من رأس المال ، فمن الأهمية بمكان بالنسبة لهم فهم المخاطر التي يقبلونها في ظل تحديد رؤوس الأموال على مستوى الخطة والمزود. ومع ذلك ، وجدت دراسة استقصائية حديثة أن معظم الأطباء لا يدركون هذه المخاطر عندما يقبلون الحصول على رؤوس أموال في عقد رعاية مُدارة. 1 هدفنا هو تعريف الأطباء بثلاث قضايا يمكن أن يكون لها تأثير على مقدار المخاطر التي يتحملونها في ظل نظام رأس المال ومناقشة طرق تقليل المخاطر المالية في بيئة يسودها الاستسلام بشكل متزايد. يتم توجيه مقالنا إلى أطباء الرعاية الأولية في الممارسة الفردية أو الجماعية الذين يفكرون في قبول الحصول على رؤوس أموال مقابل خدماتهم. ومع ذلك ، سوف نناقش بإيجاز رؤوس أموال الأطباء المتخصصين.

في ظل السداد الكامل ، يتم تحويل جميع المخاطر تقريبًا ، بما في ذلك الاستشفاء ، من خطة الرعاية المُدارة إلى الأطباء ، جنبًا إلى جنب مع حوالي 80٪ إلى 90٪ من قسط الدولار. يتحمل الأطباء المستسلمون بالكامل مخاطر المجموعة الكاملة من الخدمات التي تغطيها خطة الرعاية المُدارة ، مثل المستشفى ، والطبيب ، والرعاية الصحية المنزلية ، والمعدات الطبية المعمرة ، وغيرها من الخدمات. في معظم الحالات ، يفترض الطبيب (الأطباء) أيضًا الوظائف الإدارية (على سبيل المثال ، الإذن بالإحالات أو رفضها ، ومراقبة استخدام الخدمات) بموجب ترتيبات المخاطر الكاملة. 7 عادةً ما يتم حجز الحد الأقصى لرأس المال لمجموعات كبيرة من الأطباء (أي جمعيات الممارسة المستقلة أو ، مؤخرًا ، المجموعات الطبية) بدلاً من الأطباء الفرديين ، بسبب المخاطر المالية الكبيرة التي ينطوي عليها الأمر. 7

قد تكون ترتيبات الحصص الكاملة مفيدة للطرفين للأطباء والمرضى حيث يتحمل الأطباء المستسلمون بالكامل مزيدًا من المسؤولية لاتخاذ القرارات الطبية. ومع ذلك ، يجب أن يواجه الأطباء المستسلمون قرارات مماثلة لقرارات الخطط الصحية ، من حيث تقرير الاستخدام المناسب لخدمات الرعاية الصحية ومعدلات الدفع لمجموعة واسعة من الخدمات. وقد أثيرت مخاوف من أن الأطباء المستسلمين قد يكونون في خطر كبير على الخدمات التي ليس لديهم سيطرة مباشرة عليها ، وعندما يواجهون عجزًا ، قد يحجبون الخدمات عن وعي أو لا شعوريًا. 5 ، 8 الأطباء المستسلمون تمامًا يحتاجون أيضًا إلى أنظمة معلومات تسمح لهم بمراقبة استخدام خدمات الرعاية الصحية والحالة الصحية. قد يكون تطوير مثل هذه القدرات المعلوماتية مكلفًا ويستغرق وقتًا طويلاً. قد لا يمتلك الأطباء الأفراد أو المجموعات الصغيرة من الأطباء رأس المال المطلوب للاستثمار في أنظمة إدارة البيانات هذه. 9

يعرض الجدول 1 توزيع الإنفاق ، حسب فئة الخدمة ، لجميع الأطفال الذين تتراوح أعمارهم بين 0 و 18 عامًا المسجلين في برنامج ولاية واشنطن ميديكيد في 1992-1993 والأطفال الذين يعانون من حالات مزمنة مختارة. النفقات عبارة عن مدفوعات فعلية قام بها برنامج Medicaid خلال هذه الفترة. إنه يوضح الخدمات التي سيتحملها الطبيب المستسلم بالكامل وحجم الإنفاق لكل خدمة مغطاة. يشير الجدول 1 إلى أن خدمات غير الأطباء يمكن أن تمثل جزءًا كبيرًا من إجمالي الإنفاق الفردي. تشير المقارنة مع الإنفاق العام على الرعاية الصحية في الولايات المتحدة إلى أن هذا التوزيع مشابه لتوزيع الإنفاق لدى السكان الآخرين. 10

الأطباء المستسلمون جزئياً مسؤولون عن نطاق أضيق من الخدمات ، مثل جميع خدمات الأطباء ، بدلاً من النطاق الكامل للخدمات (على سبيل المثال ، مستشفى المرضى الداخليين ، الخدمات الإضافية) التي تغطيها الخطة الصحية. على الرغم من أن الأطباء المستسلمين جزئيًا قد يكونون معرضين فقط لمجموعة محدودة من الخدمات ، إلا أنهم يتحملون عمومًا المخاطر بالنسبة لجميع الخدمات سواء كانوا (أو مجموعتهم) يقدمون الخدمات بشكل مباشر أم لا. على سبيل المثال ، طبيب الرعاية الأولية الذي يُستسلم جزئيًا لجميع خدمات الطبيب يتلقى مبلغًا محددًا من المال شهريًا لتغطية خدمات الرعاية الأولية التي يقدمها الطبيب وأي خدمات يقدمها الأطباء المتخصصون. على الرغم من أن طبيب الرعاية الأولية الذي يتلقى مدفوعات رأس المال قد لا يقدم خدمات متخصصة بشكل مباشر ، فإن هذا الطبيب مسؤول عن دفع الأخصائي من هذا المبلغ الفردي.

على الرغم من أن الأطباء المستسلمين جزئيًا يتلقون جزءًا أصغر من قسط الدولار ، فإن الأطباء معرضون لمخاطر مالية بسبب نطاق أصغر من الخدمات. قد يكون هذا أكثر قابلية للإدارة وأقل خطورة بالنسبة للأطباء ، على الأقل في المدى القصير ، مقارنة بالرأس الكامل. ومع ذلك ، يجب أن يظل الأطباء على دراية بالخدمات المحددة المدرجة تحت الحصص الجزئي.

أخيرًا ، قد تختار الخطط الاستعانة بالأطباء مقابل الخدمات التي يتحملون مسؤوليتها فعلاً بشكل مباشر. على سبيل المثال ، سيكون أطباء الرعاية الأولية مسؤولين فقط عن خدمات الرعاية الأولية التي يقدمونها بشكل مباشر. الميزة الواضحة لهذا النهج هي أن الأطباء يقبلون مخاطر الخدمات التي يمكنهم التحكم فيها بشكل مباشر. العيب الرئيسي هو أن أطباء الرعاية الأولية ليس لديهم حافز مالي لإدارة الإحالات إلى المتخصصين ولن يتم مكافأتهم مالياً إذا قدموا رعاية أولية عالية الجودة وفعالة من حيث التكلفة.

هناك مزايا وعيوب لقبول المخاطر ، اعتمادًا على ما إذا كان الشخص طبيب رعاية أولية أو متخصصًا. من وجهة نظر طبيب الرعاية الأولية ، قد يتيح تحديد الرؤوس مرونة أكبر في إدارة رعاية المرضى. على سبيل المثال ، قد يوفر نظام الدفع الرأسي فرصة للتركيز على تقديم المشورة للمرضى ضد السلوكيات عالية الخطورة ، مثل التدخين ، وهو أمر لا يكافأ بالضرورة في نظام الرسوم مقابل الخدمة. ومع ذلك ، قد يجد أطباء الرعاية الأولية أن رأس المال غير مواتٍ إذا كان لديهم مريض واحد أو مريضان يحتاجان إلى رعاية طبية مكثفة خلال عام معين أو لديهم باستمرار مجموعة مرضى مقارنة بأطباء الرعاية الأولية الآخرين.

ومع ذلك ، فإن عددًا كبيرًا من الأفراد في اللوحة لن يكون كافيًا لحماية الأطباء إذا لم يكن لدى اللجنة مزيج متوسط ​​من الأفراد الأصحاء والمرضى. قد يكون هذا مصدر قلق خاص للأطباء المعروفين بخبرتهم في علاج حالات معينة. على سبيل المثال ، سيحتاج الأطباء الذين تضم لجانهم نسبة كبيرة من الأشخاص المصابين بأمراض مزمنة إلى تلقي مدفوعات أعلى للفرد ليتمكنوا من توفير الرعاية الطبية المناسبة. وفقًا لـ Hoffman et al ، 11 كانت تكاليف الرعاية الطبية السنوية للفرد في عام 1987 للأفراد الذين يعانون من أكثر من مرض مزمن واحد 4672 دولارًا أمريكيًا مقارنة بـ 1829 دولارًا للأفراد المصابين بمرض مزمن واحد فقط و 817 دولارًا للأفراد الذين يعانون من حالات حادة فقط. حتى إذا كان الأطباء قادرين على تقديم رعاية فعالة للمرضى المصابين بأمراض مزمنة ، فقد يحتاج كل مريض إلى مزيد من الوقت للتقييم والعلاج والإدارة المناسبين أكثر من مجموعة من المرضى الذين يتمتعون بصحة جيدة نسبيًا أو يعانون من حالات أقل تعقيدًا.

أظهرت العديد من الدراسات أنه في أي سنة معينة ، يمثل جزء صغير من السكان جزءًا كبيرًا من نفقات الرعاية الصحية. ينطبق هذا النمط أيضًا على مجموعات سكانية محددة ، على سبيل المثال ، المسجلين في برنامج Medicare ، و 12-13 من المسجلين في Medicaid ، و 14 من السكان العاملين ، و 15 ومجموعات أخرى من الأفراد. يوضح الشكل 1 توزيع النفقات لجميع الأطفال الذين تقل أعمارهم عن 18 عامًا المسجلين في برنامج الرعاية الطبية لولاية واشنطن خلال السنة المالية 1993 وللأطفال الذين يعانون من حالات مزمنة مختارة. نسبة صغيرة نسبيًا من المسجلين في برنامج Medicaid هي المسؤولة عن نسبة كبيرة من الإنفاق. على سبيل المثال ، كانت أغلى 10 ٪ من جميع الأطفال في برنامج Medicaid لولاية واشنطن مسؤولة عن حوالي 70 ٪ من الإنفاق في 1992-1993. هذا يعني أن 90٪ من الأطفال في برنامج المعونة الطبية لولاية واشنطن يمثلون 30٪ فقط من جميع النفقات في نفس الفترة. ومع ذلك ، فإن الأمر الأكثر إثارة للدهشة هو أن توزيع الإنفاق مشابه لأمراض مزمنة مختارة. أغلى 10٪ من الأطفال المصابين بالسكري أو الربو ، على سبيل المثال ، استحوذوا على ما يقرب من 67٪ من إجمالي الإنفاق على الأطفال الذين يعانون من أي من هذه الحالات.

إحدى الآليات التي يمكن للأطباء المستسلمين استخدامها لحماية أنفسهم من الخسائر الكبيرة ، لا سيما الخسائر التي لديهم سيطرة محدودة عليها أو ليس لديهم سيطرة عليها ، هي من خلال شراء إعادة التأمين أو إدراج أحكام وقف الخسارة في عقودهم. 1 ، 3 كما هو مبين في الشكل 1 ، هناك تباين كبير في توزيع نفقات الرعاية الصحية. تم تصميم إعادة التأمين بشكل أساسي لحماية الأطباء الأفراد أو مجموعات الأطباء من الاختلافات العشوائية أو غير المتوقعة في نفقات الرعاية الصحية. وفقًا للأدبيات ، فإن ما يقدر بنحو 20٪ إلى 25٪ من التباين الإجمالي في نفقات الرعاية الصحية على أساس فردي يمكن التنبؤ به ، والباقي عشوائي. 16

الشكل الأكثر شيوعًا لإعادة التأمين هو إعادة التأمين الفردي ، أو تغطية وقف الخسارة الفردية ، حيث يكون الطبيب مسؤولاً عن تكاليف الرعاية الصحية للفرد حتى حد معين من الدولارات لفترة زمنية معينة. معيد التأمين مسؤول جزئيًا أو كليًا عن التكاليف المتكبدة التي تتجاوز هذا المبلغ. غالبًا ما تعتمد عتبات الدولار المحددة على حجم المجموعة. يمكن للمجموعات الأصغر أن تنشر الخطر عبر عدد أقل من الناس ، وبالتالي فهي معرضة لمخاطر مالية أكبر حتى من مرض كارثي واحد. كثيرًا ما يتم تغطية الأطباء الأفراد أو المجموعات الصغيرة من الأطباء المستسلمين كليًا أو جزئيًا من خلال إعادة تأمين فردي لوقف الخسارة بحد أدنى سنوي قدره 5000 دولار أمريكي أو أقل. الخطط الصحية الكبيرة ومجموعات الأطباء الكبيرة لديها عتبات أعلى ، أي 100،000 دولار في السنة أو أعلى. 17

مع انخفاض عتبة الدولار ، تزداد تكاليف إعادة التأمين بشكل كبير. تعكس الأقساط المرتفعة الجزء الأكبر من المخاطر الذي يتم تحويله إلى شركة إعادة التأمين عند عتبات منخفضة. في الممارسة العملية ، تحجب معظم خطط الرعاية المدارة جزءًا من الحد الأقصى للرسوم الأساسية للطبيب لتمويل قسط إعادة التأمين ، أو تشتري مجموعة الأطباء إعادة التأمين من شركة إعادة التأمين التجارية. لذلك ، يمكن أن يترجم انخفاض عتبات إعادة التأمين إلى مدفوعات الحد الأدنى الأساسي.

تتمثل القوة الرئيسية لإعادة التأمين في قدرتها على حماية مقدمي الخدمات المستسلمين ، وخاصة المجموعات الصغيرة ، من الخسائر الناجمة عن الأمراض أو الأحداث الكارثية. هذا هو مصدر قلق بشكل خاص لمقدمي الخدمة المستسلمين كليًا أو جزئيًا والذين يقبلون المسؤولية عن نطاق واسع من الخدمات. وقد دفعت المخاوف من أن نطاق بعض ترتيبات الحد الأقصى لرأس الأطباء بعض الولايات والحكومة الفيدرالية إلى مطالبة الخطط الصحية بشراء إعادة التأمين للأطباء الذين يعتبرون في خطر مالي كبير ، خاصة بالنسبة للخدمات التي لا يقدمونها بشكل مباشر. تتطلب إدارة تمويل الرعاية الصحية ، على سبيل المثال ، من منظمات الرعاية المُدارة التي لديها عقود مخاطر برنامج Medicare تزويد الأطباء أو مجموعات الأطباء بإعادة التأمين ومراقبة وصول المسجلين إلى الرعاية ورضاهم عنها إذا كانت الخطة تضع الطبيب أو مجموعة الأطباء في خطر مالي كبير بسبب الخدمات التي لا يقدمونها بشكل مباشر. تعتبر إدارة تمويل الرعاية الصحية أن الأطباء المستسلمين أو مجموعات الأطباء معرضون لخطر مالي كبير إذا كان لديهم أقل من 25000 مريض وإذا كان أكثر من 25٪ من دخل المجموعة يأتي من الاقتطاع أو المكافآت. 18

على الرغم من الأهمية المحتملة لإعادة التأمين كوسيلة للحد من المخاطر بالنسبة للأطباء المستسلمين ، إلا أن هناك أدلة على أن العديد من الأطباء ذوي العقود المنزلة لا يفهمون مبادئ إعادة التأمين أو حتى ما إذا كانوا مشمولين بإعادة التأمين. استنادًا إلى الردود الواردة من مسح الأطباء الذي أجرته الجمعية الطبية الأمريكية عام 1995 ، قرر سايمون وإيمونز 1 أن 56٪ من أطباء الرعاية الأولية الذين لديهم عقد واحد على الأقل مستسلم لا يعرفون ما إذا كان لديهم إعادة تأمين. وربما كان الأمر الأكثر إثارة للاهتمام هو اكتشاف أن الأطباء الذين لديهم حصة أكبر من عائدات رؤوس الأموال لم يكونوا أكثر عرضة للإبلاغ عن وجود مخصصات إعادة التأمين. 1

الاقتطاعات هي طريقة أخرى لتقليل المخاطر على الأطباء المستسلمين. يمكن "اقتطاع" بعض الخدمات أو الشروط أو السكان من مدفوعات رأس المال ودفع ثمنها بشكل منفصل. في الآونة الأخيرة ، على سبيل المثال ، كان هناك اتجاه نحو اقتطاع بعض خدمات الرعاية الصحية الوقائية ، مثل التطعيمات ، من مدفوعات الحد الأقصى لأطباء الرعاية الأولية وسداد هذه الخدمات على أساس الرسوم مقابل الخدمة. 3

يمكن أيضًا إزالة بعض الشروط عالية التكلفة باستمرار من مدفوعات الامتياز وتسديدها بشكل منفصل عن طريق إنشاء مبلغ منفصل أو ترتيب معدل للرسوم مقابل الخدمة. 19 تشمل الأمثلة على الحالات التي تم تحديدها من قبل الدول أو المنظمات الأخرى أنواعًا معينة من عمليات زرع الأعضاء ، وأوزان المواليد المنخفضة جدًا عند الرضع ، ومرض فيروس نقص المناعة البشرية المتقدم ، وضمور العضلات. 20-21 الأطباء الذين لديهم مرضى يعانون من حالة الانقطاع يتلقون عادة مبلغًا ثابتًا أو مقطوعًا أو دفعة شهرية مستحقة على أساس التكلفة المتوقعة لعلاج شخص مصاب بهذه الحالة المحددة. قد لا تحمي شروط الاستقطاع الأطباء المستسلمين من التكلفة العالية لظروف معينة فحسب ، بل قد تزيد أيضًا من الوصول إلى الرعاية للأفراد الذين يعانون من هذه الظروف على سبيل المثال ، قد يكون الأطباء أكثر ميلًا لقبول مريض مصاب بمتلازمة نقص المناعة المكتسب في فريقهم إذا علموا أنهم سيحصلون على متوسط ​​تكلفة علاج مثل هذا المريض بدلاً من متوسط ​​تكلفة علاج جميع الملتحقين.

قد تعمل المنحنيات بشكل جيد لمجموعات الأطباء الذين يقبلون الرؤوس وقد يكون لديهم نسبة أعلى من المرضى الذين يعانون من ظروف معينة أو الذين يتخصصون في نوع واحد من المرض ، بافتراض أن معدلات الحد الأقصى كافية. ومع ذلك ، قد لا تكون المنحنيات وحدها مجدية لحماية الأطباء الذين يعتنون بأفراد يعانون من مجموعة واسعة من الأمراض. أولاً ، تم تطبيقها على نطاق ضيق من الحالات الطبية. 20-21 ثانيًا ، قد يكون تنفيذها والمحافظة عليها مرهقًا. وهي تتطلب من بعض الكيانات تحديد الشروط المناسبة للاقتطاع وتحديد مبالغ الدفع المناسبة لكل منها. ثالثًا ، قد يكون لدى الأطباء حافز لتحديد المرضى الذين يعانون من حالات الانقطاع ، إذا كانت لديهم حرية التصرف للقيام بذلك. لمنع هذا "التلاعب" بالنظام ، يمكن جمع البيانات على المستوى الفردي للتحقق من أن الأفراد في الواقع لديهم حالة استقطاع. ومع ذلك ، فهذه البيانات غالبًا ما تكون حساسة وتثير مخاوف بشأن حماية سرية المريض. نظرًا لأنه من المحتمل أن يكون هناك تباين كبير في تكاليف علاج الأفراد الذين يعانون من شروط الاستبعاد (الشكل 1) ، فقد يكون هناك حافز مالي لتحديد واجتذاب الأفراد الأقل خطورة (تكلفة) الذين يعانون من هذه الحالة.للقضاء على هذه المشكلة ، قد يكون من الممكن تحديد المضاعفات و / أو الأمراض المصاحبة المرتبطة ببعض الحالات المزمنة التي يمكن استخدامها لتحديد الأفراد الأكثر تكلفة الذين يعانون من هذه الحالة. سيؤدي هذا إلى تحسين حالة الاقتطاع لتحقيق المزيد من المجموعات المتجانسة. 19

الطريقة الثالثة التي يمكن استخدامها لتقليل المخاطر المالية للأطباء المستسلمين هي تعديل الدفع المستسلم بناءً على التكاليف المتوقعة لفريق الطبيب من المرضى. معدلات الحد الأقصى التي لم يتم تعديلها لتعكس الاختلافات في الحالة الصحية لفرق من المرضى ستعاقب ، في الواقع ، مثل هذا الطبيب لجذب مزيج من المرضى الذين يعانون من مرض أكثر من المتوسط. 22-23

تم اقتراح مجموعة متنوعة من الأساليب للتكيف مع المخاطر المرتبطة بمجموعة كاملة من الأفراد المسجلين. تم اقتراح العوامل الديموغرافية ، والحالة الصحية الوظيفية ، والحالة الصحية المبلغ عنها ذاتيًا ، والاستخدام السابق لخدمات الرعاية الصحية ، والمؤشرات السريرية لتعديل معدلات السداد المخصصة. 14 ، 24 تم تقييم الطرق المقترحة وفقًا لمعايير عديدة ، بما في ذلك الدقة التنبؤية ، وقابلية التلاعب ، وسرية المريض ، والحوافز للرعاية المناسبة ، والجدوى الإدارية. 14

يأخذ الضبطون الديموغرافيون في الاعتبار خصائص مثل العمر والجنس للتنبؤ بنفقات الرعاية الصحية المستقبلية. انتقد الباحثون مرارًا وتكرارًا قدرة العوامل الديموغرافية على التنبؤ بالاستخدام المستقبلي لخدمات الرعاية الصحية على المستوى الفردي. 25-26 من المتوقع ، على سبيل المثال ، أن تكلفة رجل يبلغ من العمر 20 عامًا مصابًا بمتلازمة نقص المناعة المكتسب أعلى من تكلفة الرجل الذي يبلغ من العمر 20 عامًا بصحة جيدة. على الرغم من عدم قدرتهم على التكيف مع هذا النوع من الاختلاف في تكاليف الرعاية الصحية المتوقعة ، فإن أدوات ضبط المخاطر الديموغرافية هي أكثر أدوات ضبط المخاطر المحتملة شيوعًا المستخدمة اليوم.

تستخدم نماذج الحالة الصحية الوظيفية مقاييس لقدرة الفرد على أداء أنشطة الحياة اليومية ، مثل الاستحمام وارتداء الملابس ، لتحديد معدلات الدفع. 27 يتم جمع هذه المعلومات عادةً من خلال استبيانات يديرها طبيب أو يديرها المريض ذاتيًا. تستخدم نماذج الحالة الصحية المبلغ عنها ذاتيًا مقاييس الحالة الصحية المتصورة ، مثل المسح الصحي قصير النموذج المكون من 36 عنصرًا ، للتنبؤ بنفقات الرعاية الصحية المستقبلية. تم استخدام نماذج الحالة الصحية الوظيفية والتي تم الإبلاغ عنها ذاتيًا في المقام الأول لأغراض توضيحية ولم يتم اعتمادها على نطاق واسع لدفع رسوم الخطط الصحية أو الأطباء.

يمكن استخدام المعلومات المتعلقة بالإنفاق السابق على الرعاية الصحية للفرد واستخدام خدمات الرعاية الصحية في العام السابق لقياس الحالة الصحية بشكل غير مباشر والتنبؤ بالنفقات المستقبلية. تعد معرفة الاستخدام الحالي للفرد مؤشرًا جيدًا على الاستخدام المستقبلي ، وبالتالي تميل نماذج الاستخدام السابق إلى تحقيق نتائج جيدة نسبيًا في الدقة التنبؤية. 24 ومع ذلك ، فإنهم يسجلون درجات ضعيفة في قابلية التلاعب والحوافز لمعايير الرعاية المناسبة ، لأن الدفع في السنوات المقبلة يعتمد على النفقات في السنوات الحالية والماضية. 24

ركز الباحثون معظم جهودهم على تطوير نماذج رأس المال المعدلة حسب المخاطر التي تستخدم المؤشرات السريرية لتحديد المعدلات. تستخدم نماذج المؤشرات السريرية معلومات تشخيصية عن الفرد لتحديد معدلات الحد الأقصى. تم تطوير العديد من نماذج تعديل مخاطر المؤشرات السريرية ، بما في ذلك مجموعات الرعاية المتنقلة ، وظروف التعايش الهرمي ، ونظام دفع العجز. 27 ، 30-31 الاختلاف الرئيسي بين النماذج الثلاثة هو كيفية تنظيم المعلومات السريرية للفرد لتحديد معدل الدفع. على الرغم من أن العديد من نماذج المؤشرات السريرية الحالية قد تم تطويرها باستخدام بيانات Medicare ، فقد تم تطبيقها على غير المسجلين في برنامج Medicare & # 150. تستخدم نماذج المؤشرات السريرية عادةً المعلومات التي تم الحصول عليها من المطالبات أو بيانات المواجهة للتنبؤ باستخدام خدمات الرعاية الصحية والتكلفة في العام التالي. يتم الاحتفاظ بهذه المعلومات بشكل روتيني من قبل الخطط الصحية ، وبالتالي فهي أقل عبئًا إداريًا من خيارات تحديد المعدلات المحتملة الأخرى التي تعتمد على جمع البيانات الأولية. الدقة التنبؤية للنماذج المستندة إلى المؤشرات السريرية مساوية أو أفضل من النماذج المستقبلية الأخرى. 22-23 ، 32

يوضح الجدول 2 مثالاً لكيفية استخدام نموذج مؤشر سريري واحد في الممارسة العملية. وهو يستخدم إصدارًا جديدًا من مجموعات الرعاية المتنقلة ، ومجموعة التشخيص المتنقل ونموذج مجموعة التكلفة التشخيصية رقم 150 (ADG-MDC) ، لتحديد معدلات الحصص. لثلاثة أفراد مختلفين. 33 في هذا المثال ، يتم معايرة النموذج على المستفيدين من برنامج Medicare المسنين ويستخدم بيانات من عام 1991 لتأسيس مدفوعات عام 1992. تتم مقارنة المدفوعات التي سيتم دفعها بموجب نموذج ADG-MDC مع نظام Medicare الحالي ، والذي يستخدم الخصائص الديموغرافية وحالة الرفاهية والحالة المؤسسية لتعديل معدلات الدفع. للحفاظ على المثال بسيطًا ، يتم استخدام رجل يبلغ من العمر 65 عامًا لا يتلقى الرعاية الاجتماعية ولا يتم وضعه في مؤسسات في كل مثال ، ولا يتم تعديل معدلات الدفع وفقًا للموقع الجغرافي. يوضح الجدول 2 أن صيغة Medicare الحالية ستدفع نفس المبلغ بغض النظر عن الحالة الصحية للفرد. ومع ذلك ، فإن نموذج ADG-MDC سيعدل الدفع بناءً على الحالة الصحية للفرد. قد يرتبط الفرد الذي لا يعاني من مشاكل صحية ظاهرة (الفرد 1) بدفع أقل بكثير من الفرد الذي يعاني من مشاكل صحية متعددة (الفرد 3). وبهذه الطريقة ، فإن الطبيب الذي يهتم بنسبة عالية من المسجلين المصابين بمرض مزمن سيحصل على عدد أكبر بكثير من كل منتسب. سيحصل الطبيب الذي يقدم الرعاية للأفراد الأصحاء في الغالب على نسبة أقل لكل منتسب بموجب نظام يتكيف مع الحالة الصحية للمنتسب.

تتمثل القوة الرئيسية لجميع أنواع أدوات ضبط المخاطر في أنهم يستخدمون معلومات حول الأفراد لقياس المخاطر التي يمكن التنبؤ بها وتحديد المدفوعات مستقبلاً في بداية العام. 20 هذا يمكن أن يحد من خسائر الأطباء بسبب المرض أكثر من متوسط ​​السكان ويقلل من الحوافز للأطباء لتجنب هؤلاء السكان مع الحفاظ على حوافز الكفاءة.

مثل جميع طرق الحد من المخاطر ، فإن لضبط المخاطر حدودها. أولاً ، قد يؤدي استخدام أدوات الضبط هذه وحدها إلى جعل الأطباء عرضة للخسائر الناجمة عن المخاطر غير المتوقعة. ثانيًا ، مقارنةً بإعادة التأمين والمقتطع ، قد تتطلب أدوات ضبط المخاطر هذه جهدًا أكبر لتنفيذها وصيانتها. سيختلف مقدار الجهد وفقًا لنوع أداة ضبط المخاطر المستخدمة. ثالثًا ، قد تكون طرق تعديل المخاطر أكثر عرضة للتلاعب من إعادة التأمين والمقتطعات.

تم دعم هذا العمل بمنحة 95-2016 من مؤسسة ديفيد ولوسيل باكارد ، لوس ألتوس ، كاليفورنيا ، ومنحة 96169 من صندوق الكومنولث ، نيويورك ، نيويورك.

المؤلف المراسل: Gerard F. Anderson ، دكتوراه ، مركز تمويل وإدارة المستشفيات ، جامعة جونز هوبكنز ، 624 N Broadway، Baltimore، MD 21205 (البريد الإلكتروني: gandersojhsph.edu).

من مركز جونز هوبكنز لتمويل وإدارة المستشفيات ، بالتيمور ، ماريلاند.

أرشيف برنامج التعليم الطبي المستمر في طب الأسرة
قوس فام ميد. 19998 (2): 107-109.

وقد تم الاستشهاد بهذه المادة من قبل مواد أخرى

الأطفال الذين لديهم احتياجات رعاية صحية خاصة والمسجلين في برنامج التأمين الصحي للأطفال (SCHIP): خصائص المريض واحتياجات الرعاية الصحية
Szilagyi et al.
طب الأطفال 2003112: e508-520.


ملخص

في بعض النماذج ، يقوم WAP المنتشر في بيئة لاسلكية بقياس مدى استخدامه باستمرار. يحصل WAP على قياسات لواحد أو أكثر من مقاييس الاستخدام التي تشير إلى مدى استخدام WAP. قد تشمل مقاييس الاستخدام ، على سبيل المثال ، قياس حركة المرور على القناة التي يستخدمها WAP ، وقياس النطاق الترددي المتاح على تلك القناة ، وعدد أجهزة العميل المتصلة بـ WAP ، وعدد الحزم أو الإطارات المرسلة بواسطة WAP ضمن فترة زمنية محددة مسبقًا ، وحجم البيانات المرسلة بواسطة WAP خلال فترة زمنية محددة مسبقًا. قد يحصل WAP على قياسات مقاييس الاستخدام على فترات منتظمة ، على سبيل المثال ، كل عشر دقائق.

في بعض النماذج ، يخزن WAP قياسات الاستخدام المترية التي تم الحصول عليها في تاريخ استخدام القياسات المترية. قد يتضمن تاريخ استخدام القياسات المترية ، لكل فترة زمنية تم خلالها قياس استخدام WAP ، مجموعة من قياسات قياس الاستخدام. قد تحدد كل مجموعة من قياسات قياس الاستخدام القناة التي يستخدمها WAP خلال فترة القياس. قد يحلل WAP أيضًا تاريخ استخدام القياسات المترية لتحديد الارتباطات بين واحد أو أكثر من معلمات تشغيل WAP (على سبيل المثال ، القناة المستخدمة) والأطر الزمنية المختلفة ، على سبيل المثال ، أوقات اليوم ، أيام الأسبوع ، نطاقات التاريخ ، وما شابه ذلك. بالإضافة إلى ذلك أو بدلاً من ذلك ، قد ينقل WAP تاريخ استخدام القياسات المترية إلى خادم مركزي يتلقى ويخزن سجلات متعددة لاستخدام القياسات المترية المستلمة على التوالي من عدة WAPs. قد يقوم هذا الخادم المركزي أيضًا بتحليل تواريخ استخدام القياسات المترية لتحديد الارتباطات بين مقياس الاستخدام والأطر الزمنية المختلفة. كما هو موضح أدناه ، قد يأخذ الخادم المركزي أيضًا في الاعتبار المعلومات الواردة من الأنظمة والأجهزة والخدمات الأخرى التي تعمل في نفس البيئات اللاسلكية مثل WAP والتي قد تشير إلى مدى استخدام WAP أو من المتوقع أن يتم استخدامه.

يمكن أيضًا تكوين WAP لإرسال قياسات الاستخدام الخاصة به إلى WAPs المجاورة وتلقي معلومات الاستخدام من WAPs المجاورة. كما هو مذكور أعلاه ، يمكن نشر العديد من WAPs في نفس الموقع بحيث تكون تلك WAPs ضمن نطاق الإرسال لبعضها البعض. وبالتالي ، قد تتبادل WAPs قياسات قياس الاستخدام التي يحصل عليها كل منها على التوالي من أجل زيادة تحسين اختيار معلمات التشغيل المختلفة الخاصة بها. كما هو موضح بمزيد من التفصيل أدناه ، قد يقوم WAP بتحليل قياسات قياس الاستخدام ذات الصلة التي يحصل عليها بالإضافة إلى معلومات الاستخدام الواردة من WAP آخر وتحديد معلمات التشغيل الخاصة به بناءً على هذا التحليل. على سبيل المثال ، قد يتلقى WAP معلومات استخدام من WAP آخر يشير إلى استخدام مرتفع نسبيًا لذلك WAP على القناة رقم 1 بين الساعة 5:00 مساءً و 8:00 مساءً. من أجل تجنب التداخل مع WAP الآخر أو تخفيفه على الأقل ، يجوز لـ WAP ضبط قناة التشغيل الخاصة به على القناة 11 خلال تلك الساعات. سيتم تقدير الأمثلة الإضافية مع الاستفادة من الإفصاحات الإضافية الواردة هنا. في بعض الأمثلة على التطبيقات ، قد يستخدم WAP ميزة المرشد الخاصة به لنقل معلومات الاستخدام إلى برامج WAP الأخرى. وبناءً على ذلك ، قد يتم تضمين بعض القياسات المترية للاستخدام التي تم الحصول عليها بواسطة WAP في منارة يتم إرسالها إلى البيئة اللاسلكية المحيطة والتي بدورها يمكن أن تستقبلها WAPs المجاورة.

قد يتلقى WAP أيضًا معلومات الحالة من الأنظمة أو الأجهزة التي تعمل داخل الموقع الذي يتم فيه نشر WAP. قد تشمل هذه الأنظمة والأجهزة ، على سبيل المثال ، أنظمة وأجهزة أمن المباني ، وأنظمة وأجهزة التحكم في الإضاءة ، وأنظمة وأجهزة التحكم في درجة الحرارة ، وأنظمة وأجهزة إدارة الطاقة ، وما شابه ذلك. الميزة الشائعة التي تشترك فيها هذه الأنواع من الأنظمة والأجهزة هي أن حالتها قد تشير إلى ما إذا كان من المحتمل استخدام WAP. على سبيل المثال ، قد يشير تنشيط نظام أمان المبنى إلى أن المبنى غير مأهول ، وبالتالي ، من غير المحتمل استخدام WAP الذي يوفر خدمات لاسلكية لشاغلي هذا المبنى. من ناحية أخرى ، قد يشير إلغاء تنشيط نظام أمان المبنى إلى أن المبنى مشغول وبالتالي من المحتمل استخدام WAP. سيتم تقدير الأمثلة الإضافية مع الاستفادة من الإفصاحات الإضافية الموضحة هنا. قد يتلقى WAP معلومات الحالة من هذه الأنظمة والأجهزة وكذلك تحديد واحد أو أكثر من معلمات التشغيل الخاصة به بناءً على معلومات الحالة هذه ، جزئيًا على الأقل. استمرارًا للمثال أعلاه ، قد يقلل WAP المنتشر في المبنى من قدرة الإرسال الخاصة به استجابة لاستلام معلومات الحالة التي تشير إلى تنشيط نظام أمان المبنى. مرة أخرى سيتم تقدير أمثلة إضافية مع الاستفادة من هذا الكشف.

استنادًا إلى سجل قياس الاستخدام الذي تم الحصول عليه والارتباطات المحددة ، قد يختار WAP واحدًا أو أكثر من معلمات التشغيل ويعيد تكوين نفسه لاستخدام معلمات التشغيل المحددة هذه. تتضمن معلمات التشغيل ، على سبيل المثال ، نطاق تردد لاسلكي معين وقناة معينة للإرسال عليها ، وقدرة إرسال معينة ، ومعيار معين للشبكات اللاسلكية لاستخدامه. قد يختار WAP أيضًا ، استنادًا إلى سجل قياس الاستخدام الذي تم الحصول عليه والارتباطات المحددة ، سلسلة من معلمات التشغيل لسلسلة من الأطر الزمنية ، أي معلمات تشغيل مختلفة لاستخدامها في أوقات مختلفة على مدار اليوم لتجنب التداخل المتوقع في الشبكة اللاسلكية البيئة خلال تلك الأطر الزمنية. بالإضافة إلى ذلك أو بدلاً من ذلك ، قد يرسل الخادم المركزي إلى تعليمات اختيار معلمة WAP التي تحدد معلمة تشغيل واحدة أو أكثر للاستفادة منها. قد يرسل الخادم المركزي أيضًا تعليمات اختيار المعلمات التي تتضمن تسلسل معلمات التشغيل لاستخدامها في أوقات مختلفة على مدار اليوم.

كما هو مذكور أعلاه ، قد يختار WAP معلمات التشغيل الخاصة به بناءً على سجله الخاص لقياسات قياس الاستخدام ، ومعلومات الاستخدام الواردة من WAPs الأخرى ، ومعلومات الحالة المستلمة من الأنظمة أو الأجهزة البعيدة التي تعمل داخل الموقع الذي يتم فيه نشر WAP. وبالتالي سيكون موضع تقدير من خلال الاستفادة من هذا الكشف ، أن WAP قد تختار معلمات التشغيل الخاصة بها بناءً على مجموعات مختلفة من المعلومات الواردة أعلاه. على سبيل المثال ، قد يختار WAP معلمات التشغيل الخاصة به 1) استنادًا فقط إلى تاريخه الخاص لقياسات قياس الاستخدام وارتباطات الاستخدام المحددة من ذلك ، 2) استنادًا فقط إلى معلومات الاستخدام الواردة من برامج WAP الأخرى وارتباطات الاستخدام المحددة منها ، أو 3) استنادًا إلى فقط على معلومات الحالة الواردة من الأنظمة أو الأجهزة البعيدة والارتباطات المحددة منها. فيما يتعلق بمعلومات الحالة المستلمة ، قد يختار WAP ، في بعض أمثلة عمليات التنفيذ ، معلمات التشغيل الخاصة به بناءً على معلومات الحالة المستلمة فقط دون تحديد أي ارتباطات مرتبطة بمعلومات الحالة هذه. قد تختار WAP أيضًا معلمات التشغيل الخاصة بها بناءً على 1) مجموعة من تاريخها الخاص لقياسات قياس الاستخدام ، ومعلومات الاستخدام الواردة من WAPs الأخرى ، وارتباطات الاستخدام المحددة منها ، 2) مزيج من تاريخها الخاص لاستخدام القياسات المترية ، والحالة المعلومات الواردة من الأنظمة أو الأجهزة البعيدة ، وعلاقات الاستخدام المحددة منها ، 3) مزيج من معلومات الاستخدام المستلمة من WAPs الأخرى ، ومعلومات الحالة المستلمة من الأنظمة أو الأجهزة البعيدة ، وارتباطات الاستخدام المحددة منها ، أو 4) مزيج من تاريخها الخاص استخدام القياسات المترية ، ومعلومات الاستخدام الواردة من WAPs الأخرى ، ومعلومات الحالة المستلمة من الأنظمة أو الأجهزة البعيدة ، وعلاقات الاستخدام المحددة منها. يمكن لخادم التحكم في WAP أيضًا تحديد معلمات التشغيل لـ WAPs المنتشرة في موقع بناءً على هذه المعلومات والتوليفات منها.

قد تتلقى أيضًا أجهزة العميل التي تعمل في بيئة لاسلكية عمليات إرسال من WAPs تتضمن معلومات الاستخدام وتحديد WAP الذي سيتم الاتصال به بناءً على تحليل معلومات الاستخدام هذه. على سبيل المثال ، قد يكون لدى جهاز عميل يعمل داخل موقع يتم فيه نشر جهازي WAP خيار WAP للاتصال به. قد يتلقى جهاز العميل إرسالًا خاصًا به من كل من WAPs ويحدد ، بناءً على معلومات الاستخدام المدرجة فيه ، أي WAP له استخدام أعلى نسبيًا (على سبيل المثال ، مقدار أكبر من عرض النطاق الترددي المستخدم) وأي WAP لديه استخدام أقل نسبيًا ( على سبيل المثال ، استخدام مقدار أقل من النطاق الترددي). بناءً على معلومات الاستخدام الواردة ، قد يتصل جهاز العميل بـ WAP باستخدام أقل نسبيًا. إذا كان لكل من WAPs ، في هذا المثال ، نفس الاستخدام تقريبًا (أو إذا كان الاختلاف في الاستخدام غير كافٍ لينتج عن جودة خدمة مختلفة) ، فقد يتصل جهاز العميل بـ WAP. يمكن استخدام أنظمة مختلفة بشكل انتقائي لتحديد WAP الذي يجب الاتصال به عندما يكون الاختلاف في الاستخدام ضئيلًا ، على سبيل المثال ، الاتصال بـ WAP عشوائيًا ، والاتصال بـ WAP حيث تكون قوة الإشارة أعلى ، وما إلى ذلك ، وفقًا لذلك ، قد يتم تكوين أجهزة العميل مع بروتوكولات اتصال WAP التي تأخذ في الاعتبار معلومات الاستخدام المرسلة من قبل العديد من WAPs لديها خيار الاتصال بها. سيتم أيضًا تقدير الأمثلة الأخرى لتحديد WAP الذي يجب على العميل الاتصال به مع الاستفادة من الإفصاحات الإضافية المنصوص عليها هنا.

لا يهدف هذا الملخص إلى تحديد الميزات الهامة أو الأساسية للإفصاحات الواردة هنا ، ولكن بدلاً من ذلك يقوم فقط بتلخيص بعض الميزات والاختلافات منها. سيتم أيضًا وصف التفاصيل والميزات الأخرى في الأقسام التالية.


مصادر وجودة البيانات

قبل خمسين عامًا ، كان لا بد من الحصول على بيانات استخدام المريض مباشرة من المرضى أو عن طريق استخراج السجلات الطبية. مثل هذه البيانات غالية الثمن للحصول عليها وذات جودة مشكوك فيها. في أبحاث الخدمات الصحية اليوم ، تُستخدم مثل هذه البيانات في المقام الأول لتكملة المعلومات التي تم الحصول عليها من قواعد البيانات الإدارية الكبيرة. تتضمن أمثلة قواعد البيانات الإدارية قواعد بيانات Medicare و Medicaid الوطنية بالإضافة إلى بعض سجلات الدولة وملفات المطالبات للمرضى المؤمن عليهم بشكل خاص أو أعضاء منشأة صحية معينة. تم إنشاء بعض قواعد البيانات خاصة لبحوث الخدمات الصحية.

البيانات المأخوذة من برنامج Medicare ، الذي تديره هيئة تمويل الرعاية الصحية (HCFA) ، محمية بالسرية ، وجودة البحث ، ومرتبطة طوليًا ، وسجلات على مستوى الشخص تتعقب جميع المواطنين الأمريكيين المسنين تقريبًا من عيد ميلادهم الخامس والستين وما بعده ، من خلال التحركات الجغرافية و التغييرات في مقدمي الخدمات ، حتى الموت. (حوالي 10٪ من المسجلين في برنامج Medicare هم من الأشخاص الأصغر سنًا وذوي الإعاقة والذين يتم تتبعهم من وقت حصولهم على الشهادة.) تشمل البيانات المتاحة أنواع ومقدار الخدمات الصحية المستخدمة (مثل الاستشفاء وزيارات المكاتب والرعاية الصحية المنزلية والعمليات الجراحية والاختبارات التشخيصية. ) ، والمشكلات الطبية التي يتم علاجها (التشخيصات) ، وخصائص مقدم الخدمة (موقع الخدمة وتدريب الأطباء) ، والرسوم. لا تتوفر معلومات عن خدمات الرعاية طويلة الأجل وأدوية العيادات الخارجية التي لا يغطيها HCFA. البيانات الخاصة بأنظمة الرعاية المدارة [HMOs]] غير كاملة حاليًا ، ولكن يجب أن تكون كافية للتحليل بحلول عام 2000.بالإضافة إلى ذلك ، يجمع مسح المستفيدين الحاليين من Medicare بيانات طولية عن جميع أنواع تغطية التأمين الصحي ، والحالة الصحية ، ومصادر الدفع لجميع استخدامات الرعاية الصحية للمستفيدين من برنامج Medicare.

تتوفر أيضًا بيانات حول برامج Medicaid التابعة للولاية ، والتي تقدم تغطية صحية للأشخاص ذوي الدخل المنخفض ، وغالبًا ما تكون النساء ذوات الأطفال. تتفاوت جودة هذه البيانات ، ولأن كل ولاية تدير برنامجها الخاص ، فإن متطلبات الأهلية تكون خاصة بكل ولاية وتتغير بمرور الوقت. بالإضافة إلى ذلك ، ينتقل الأشخاص إلى النظام وخارجه مع تغير أهليتهم ، وقد يظهر نفس الشخص تحت أرقام تعريف مختلفة. تقدم أكثر من 30 ولاية حاليًا بيانات Medicaid على مستوى الأشخاص إلى HCFA ، والتي تراقب جودتها وتبني وتحافظ على ملفات أبحاث Medicaid الموحدة المعروفة باسم نظام المعلومات الإحصائية Medicaid (MSIS).

تم استخدام البيانات حول السكان المؤمَّن عليهم من القطاع الخاص في الولايات المتحدة ، والذين تقل أعمارهم عادةً عن 65 عامًا ، على نطاق واسع في أبحاث الخدمات الصحية. هذه البيانات كاملة بشكل معقول ولكن الأحداث مثل فقدان الوظيفة ، والحركة الجغرافية ، والزواج ، والطلاق ، والتغطية البديلة التي تصبح متاحة (أو مفقودة) للزوج أو الطفل يمكن أن تعطل استمرارية البيانات. قد تُفقد المعلومات المتعلقة بالخدمات إذا تم إرسال فاتورة بالخدمة إلى خطة تأمين مختلفة. غالبًا ما تكون المعلومات المتوفرة حول المُعالين أقل من المعلومات المتوفرة عن صاحب العقد.

تعد جودة بيانات المطالبات كافية للعديد من الأغراض ، ولكن من المهم أن نتذكر أن المطالبات يتم إنشاؤها لتبرير السداد بدلاً من تسهيل البحث. على سبيل المثال ، قد تحتوي فاتورة الاختبارات لاستبعاد السرطان على رمز تشخيصي لـ "السرطان" حتى لو كانت الاختبارات سلبية. قليل من الأنظمة الإدارية تلتقط الاستخدام الخارجي أو "من الجيب" ، مثل شراء الأدوية غير الموصوفة واستخدام الخدمات البديلة أو غير المغطاة.

تحتفظ بعض الولايات بملفات الاستخدام العام لكل خروج من المستشفى. يمكن أن تكون هذه ذات قيمة ، على الرغم من أن كمية المعلومات الإضافية المعروفة عن الشخص محدودة عادة. غالبًا ما يكون من غير الممكن تحديد حالات دخول متعددة لنفس الشخص ، وفي بعض الولايات يتم تضمين المستشفيات المدنية فقط. مجموعة بيانات سكانية ممتازة ، أنشأتها وكالة سياسات وأبحاث الرعاية الصحية والمركز الوطني للإحصاءات الصحية ، هي مسح لوحة النفقات الطبية (MEPS) (5) ، الذي يجمع البيانات من عدة مصادر لتقديم صورة كاملة الحالة الصحية والاستفادة من الرعاية الصحية لعينة عشوائية من المواطنين.

يمكن العثور على أوصاف طرق جمع وتحليل بيانات الاستخدام في عدة مراجع (5 ، 19 ، 26).


الغرض من هذه الدراسة هو تطوير والتحقق من صحة نموذج التنبؤ لتحديد كبار السن المعرضين لخطر الاستشفاء الذي يمكن تجنبه (PAHs) باستخدام متغيرات متاحة بسهولة في البيانات الإدارية الصحية التي يتم جمعها بشكل روتيني.

دراسة قائمة على السكان ، بأثر رجعي باستخدام بيانات خدمة التأمين الصحي الوطنية - عينة الفوج الوطنية (NHIS-NSC).

إعدادات الرعاية الأولية في كوريا الجنوبية.

تضمنت العينة 113612 من المستفيدين الأكبر سنًا من NHI في عام 2011 ، من بينهم 2856 كان لديهم واحد أو أكثر من الهيدروكربونات العطرية متعددة الحلقات في 2012.

قمنا بفحص عوامل الخطر متعددة الأبعاد للهيدروكربونات العطرية متعددة الحلقات في سنة الأساس وقمنا بتطوير والتحقق من صحة نماذج التنبؤ بمخاطر الاستشفاء باستخدام العام التالي. تم فحص القدرة التنبؤية للنماذج المطورة من خلال العينات التي تم إنشاؤها بواسطة طريقة التمهيد. تم تقييم أداء النموذج النهائي مع مزيد من إحصاءات الاختبار في عتبات مخاطر مختلفة.

كانت الإحصاء c للنموذج التنبئي النهائي 0.784 (CI: 0.769–0.799). أظهر النموذج النهائي بما في ذلك جميع المتنبئين المختارين أكبر تحسن هامشي (تحسين تمييز متكامل بنسبة 365 ٪) مقارنة بالنموذج الأساسي. كانت القيمة التنبؤية الإيجابية جيدة.

يمكن أن يساعد نموذج التنبؤ الخاص بنا المستند إلى البيانات الإدارية الصحية شركة التأمين والممارسين على التحديد والتدخل بشكل استباقي مع كبار السن المعرضين لخطر الإصابة بالعدوى العامة للإصابة.


الإجراءات التجريبية

اختيار ملحقات الطماطم

قمنا بعمل تنميط وراثي لـ 7000 مُدخل في مشروع EU-SOL (https://www.eu-sol.wur.nl) على أساس 20 سمة وعلامة ، تليها التنميط الجيني الأكثر كثافة لمجموعة فرعية من 1000 مُدخل باستخدام 384 علامة SNP ، واختيار نهائي من 200 مدخلات تغطي التنوع الجيني الكامل للمحصول. قمنا أيضًا بتضمين مجموعة من الأصناف القديمة التي تم اختيارها على أساس تحديد السمات الموثقة مسبقًا لأقارب الطماطم البرية (Grandillo وآخرون., 2011 ).

عزل الحمض النووي

تم جمع الأوراق الصغيرة من النبات الأول لكل قطعة (ملحقات متوافقة ذاتيًا) أو من متقبل حبوب اللقاح (مدخلات غير متوافقة ذاتيًا) لاستخراج الحمض النووي. تم طحن ما يقرب من 100 مجم من مادة الأوراق المجمدة باستخدام مطحنة خلاط M300 (Retsch ، www.retsch.com). بعد ذلك ، تم استخراج الحمض النووي الجيني بواسطة بروتوكول عزل الحمض النووي القياسي (Van der Beek وآخرون. ، 1992) ، باستخدام محلول تحلل نووي يحتوي على ساركوسيل. تم قياس الحمض النووي باستخدام مقياس التألق Qubit 2.0 (Lifetechnologies ، www.lifetechnologies.com/qubit.html). لكل مدخل ، تم استخدام 1.5-2.0 ميكروغرام من الحمض النووي لبناء المكتبة.

تسلسل وقراءة الخرائط الخاصة بمكتبات Illumina و 454

تم إجراء تسلسل ضحل لإدخالات 500 نقطة أساس باستخدام جهاز التسلسل Illumina HiSeq 2000 لإنشاء مكتبة بنهاية مزدوجة (PE) 100 نقطة أساس بتغطية متوسطة تبلغ 36 ضعفًا. قواعد مع س & lt 20 تم قطعها قبل قراءة الخرائط باستخدام B wa (Li and Durbin، 2009، 2010) مقابل S. lycopersicum السيرة الذاتية. إصدار 2.40 من Heinz بأقصى حجم إدخال 750 نقطة أساس (انحراف بنسبة 50٪) ، مع الأخذ في الاعتبار بحد أقصى 30 زيارة وإزالة نسخ PCR المكررة. Samtools (لي وآخرون. ، 2009) لاستدعاء متغير دون تخطي InDels ، ومسافة فجوة لا تقل عن 5 نقاط أساس ، وجودة محاذاة لا تقل عن 20 ، وعمق أدنى 4 ، والمعلمات الافتراضية بخلاف ذلك. تم استخدام نفس البروتوكول لرسم خريطة للأنواع البرية إلى أقربها من جديد الإصدار 1.0 مجمعة النظير. التلوث الإشريكية القولونية، الإنسان ، الحشرات ، الفأر ، ΦX174 فج ، الخميرة ، جينومات الفيروسات النباتية (Adams and Antoniw ، 2006) تم فحصها باستخدام Bowtie (Langmead وآخرون., 2009 ).

من جديد تجميع جينومات الأنواع البرية الثلاثة وهاينز

ل من جديد تسلسل S. arcanum LA2157 ، S. habrochaites LYC4 و S. pennellii LA0716 ، قمنا بترتيب مكتبة PE متداخلة بحجم إدخال 170 نقطة أساس ، بتغطية 93.2- و 76.4- و 80.8 ضعفًا ، وأعدنا استخدام مكتبة PE بحجم 500 نقطة أساس بتغطية 35.7- و 35.6- و 28.2 ضعفًا ، باستخدام 100 تقرأ bp Illumina HiSeq 2000 ، وتستخدم مكتبة أزواج رفيعة (MP) ذات حجم إدخال 2 كيلو بايت بتغطية 33.8 و 38.0 و 31.2 ضعفًا ، على التوالي. باستخدام نظام 454 FLX ، تم ترتيب مكتبة زوج رفيقة طويلة بحجم إدراج 8 كيلو بايت ومكتبة زوج رفيقة طويلة جدًا بحجم إدراج 20 كيلو بايت في 0.55 ± 0.10- و 0.47 ± 0.07 أضعاف ، على التوالي. ل S. pennellii LA0716 ، قمنا بتسلسل مكتبة أزواج قصيرة إضافية بحجم 3 كيلو بايت في تغطية 0.4 أضعاف. في المتوسط ​​، تحتوي القراءات التي تم إنتاجها من 454 مكتبة على محولات 35 ± 7٪. ل S. lycopersicum السيرة الذاتية. Heinz 1706 ، استخدمنا مجموعة مخفضة من القراءات مع 14.78 ضعفًا 250 PE و 17.54 أضعاف 300 PE و 37.42 أضعاف 500 PE و 6.25 أضعاف 2 كيلو بايت MP و 6.51 أضعاف 3 كيلو بايت MP و 5.94 أضعاف 4 كيلو بايت MP و 6.02 ضعف 5 كيلو بايت MP ، بإجمالي تغطية 69.74 ضعفًا لمكتبات PE ، وتغطية 24.73 ضعفًا لمكتبات MP وتغطية 94.47 ضعفًا بشكل عام.

ال S. pennellii, S. habrochaites و S. lycopersicum تم تجميع البيانات باستخدام AllPaths -LG (إصدار التجميع SL 2.0) كما وصفه Gnerre وآخرون. (2011) مع ploidy من 2 ، بينما S. arcanum تم تجميعها باستخدام منضدة عمل clc genomics الإصدار 7 (CLC Inc. ، www.clcbio.com) بحجم فقاعة 300 ، وطول contig بحد أدنى 200 ، وحجم كلمة 64 (إصدار التجميع 1.0). تبعا، S. arcanum تم تجميعها باستخدام Allpaths -LG (إصدار التجميع 2.0). تم إضافة سقالات AllPaths -LG التي تم إنشاؤها باستخدام بيانات 454 FLX في سقالة Scarpa (Donmez and Brudno ، 2013). ال من جديد تمت مقارنة إحصائيات التجميع مع الجينوم المرجعي للطماطم S. lycopersicum السيرة الذاتية. Heinz إصدار SL 2.40 (جدول S2). يشار إلى مجموعة CLC و AllPaths -LG و AllPaths -LG plus Scarpa بالإصدارات 1.0 و 2.0 و 3.0 على التوالي. S. arcanum الإصدار 1.0 ، S. habrochaites الإصدار 2.0 و S. pennellii تم استخدام الإصدار 2.0 لرسم خرائط لـ 84 مُدخل. تم استخدام الإصدار 3.0 لتقييم أحجام الجينوم وإعادة ترتيب جميع الأنواع.

تنوع التسلسل والعلاقات التطورية لـ 84 مُدخل

لتقييم تنوع التسلسل في جينات FDPG ، تم الحصول على أخصائيو تقويم العظام في 84 مدخلات من أفضل نتائج BLASTN المتبادلة لـ contigs المجمعة CLC وتسلسلات الطماطم itag 2.4 المشروحة (//solgenomics.net/gb2/gbrowse/ITAG2.4_genomic/) ومواءمتها باستخدام العنقودية ث (طومسون وآخرون. ، 1994). ثم تم استدعاء SNPs باستخدام خوارزمية الكشف عن المتغير القائم على الجودة في CLC. تم حساب نماذج الاستبدال المثلى للجينات العنقودية المحاذاة وتسلسل الجينات المتسلسلة باستخدام ميجا 5.1 (Tamura وآخرون. ، 2011). تم استنتاج أشجار الاحتمالية القصوى لكل جين فردي بالإضافة إلى تسلسل الجينات المتسلسلة باستخدام شجرة أولية مرتبطة بالجوار متبوعة بتبادل الجار الأقرب. تم اختبار سلالات التطور باستخدام 1000 جين عشوائي تم فصلها إلى 100 مجموعة من عشرة جينات (الشكل S6). أخيرًا ، تم حساب أشجار الإجماع الصارم للجينات الفردية والجينات المتسلسلة باستخدام قيمة حدية قدرها 50 ٪.

لكل نوع ، استخدمنا تسلسلاً لجميع أشكال تعدد الأشكال متماثلة اللواقح وغير الفريدة (Van Gent وآخرون. ، 2011) بجودة أعلى من 20 ، تم الحصول عليها من ملفات VCF التي تم إنشاؤها باستخدام B wa و Samtools. تم تجاهل تعدد أشكال النوكليوتيدات و InDels بسبب التردد المنخفض وسرعة الاصطفاف المنخفضة. استخدمنا نماذج الجينات الإصدار 2.3 من itag مع برنامج FastTree 2.1.7 (السعر وآخرون. ، 2010) للانضمام إلى الجار الاستكشافي كمدخل لخوارزمية الاحتمالية القصوى ، وبالتالي تقليل عدد الأشجار بمزيج من تبادل أقرب الجيران والشجرة الفرعية-prune-regraft. تم استخدام نموذج Jukes-Cantor المعمم القابل للانعكاس ، والانضمام إلى الجار الموزون ، وإعادة أخذ عينات التمهيد 100 ، وتركيب جاما لاحتمالية الإبلاغ عنها في التحليل.

حاشية مكالمات SNP

تمت معالجة جميع ملفات VCF من الأفراد المعينين باستخدام snpeff 3.4 (Cingolani وآخرون. ، 2012) استنادًا إلى التعليق التوضيحي itag 3.1 والمعلمات الافتراضية. يشرح snpeff توضيحات SNPs في ملفات VCF بناءً على موضعها والتعليق التوضيحي المرجعي ، بما في ذلك تأثيراتها وإحصائيات التقارير مثل معدلات تعدد الأشكال المترادفة وغير المرادفة (الشكلان S2 و S6) ومستويات تغاير الزيجوت (الشكلان 3 و S3) ، عدد SNPs لكل حاوية 1 ميغابت في البوصة (الشكل S4) وموقع SNP (الشكل 4).

تقدير التقديم في S. lycopersicum

لتقدير مستوى الانخراط في S. lycopersicum الأنواع ، استخدمنا إجراء التلميع الوسيط (Mosteller and Tukey ، 1977 Xie وآخرون. ، 2009) على تعداد SNP لكل 1 Mbp bin على طول كل كروموسوم (الشكل S4 ، اللوحة اليسرى) لإزالة التأثيرات الخاصة بالأنواع والحاوية (الأنواع أو الصناديق التي تحتوي بشكل طبيعي على عدد أكبر من SNPs). تم اختبار المخلفات باستخدام أ ض الاختبار ، وصناديق من مدخلات المحاصيل ذات المخلفات تختلف اختلافًا كبيرًا عن المتوسط ​​(ص & lt 0.05) على أنها مقدمة (الشكل S4 ، اللوحة اليمنى). لاحظ ذلك ، في البرية S. lycopersicum، نحن غير قادرين على التمييز بين التباين الطبيعي والتقاطعات بين الأنواع.

متصفح متغير

تصفح J 1.10.12 (Skinner وآخرون. ، 2009) لتصور المتغيرات الهيكلية المكتشفة. تم تحميل مجموعة الجينوم SL2.40 وتعليق الجينوم itag 2.31 في متصفح متغير Tomato 100+ ، جنبًا إلى جنب مع ملفات VCF الخاصة بـ 84 عملية إدخال.

مستودع التسلسل

تم إيداع قراءات التسلسل والتحليلات المرتبطة بها في أرشيف النيوكليوتيدات الأوروبي (http://www.ebi.ac.uk/ena/) تحت أرقام الانضمام PRJEB5226 (S. arcanum LA2157) ، PRJEB5227 (S. habrochaites LYC4) ، PREB5228 (S. pennellii LA0716) و PRJEB5235.


الفصل الأول: نظرة عامة على الترقيم

أ. الاستخدام غير الكافي والطلب المتزايد على الأرقام الجديدة في كاليفورنيا يتسبب في انتشار كود المنطقة

تشهد كاليفورنيا حاليًا طلبًا هائلاً على أرقام الهواتف ورموز المناطق. يعود الطلب المتزايد على الأرقام إلى العديد من العوامل ، بما في ذلك المنافسة على خدمة الهاتف المحلية ، فضلاً عن شعبية الفاكسات وأجهزة الاستدعاء والهواتف المحمولة وخدمات الإنترنت وما إلى ذلك. يساهم اقتصاد كاليفورنيا القوي والنمو في عدد سكان الولاية أيضًا في زيادة الطلب على أرقام الهواتف. هذه الزيادة في الطلب معقدة بسبب نظام تخصيص الأرقام الذي يرجع تاريخه إلى الأربعينيات والذي يعتبر غير فعال في السوق التنافسية اليوم.

قبل عام 1997 ، قدمت شركة هاتف واحدة 5 خدمة هاتف محلية لجميع العملاء في منطقة معينة ، وتم فتح رموز منطقة جديدة مع نمو عدد السكان. ارتفع عدد رموز منطقة كاليفورنيا بشكل مطرد من 3 في عام 1947 إلى 13 في عام 1992 ، وظل عند هذا المستوى حتى يناير 1997. جلب قانون الاتصالات لعام 1996 المنافسة إلى خدمة الهاتف المحلية وبدأت شركات الهاتف المحلية التنافسية 6 في دخول السوق ، كل منها تتطلب مخزونها الخاص من الأرقام. لم يتم تصميم النظام التقليدي لتخصيص الأرقام لتوفير أرقام هواتف لأكثر من شركة واحدة.

في الماضي ، عندما احتاجت شركات الاتصالات إلى أرقام هواتف لخدمة عملائها ، كانت تتلقى كتلًا من 10000 رقم ، أي البادئات. نظرًا لأنه تم تخصيص مجموعات مكونة من 10000 رقم للشركات ، فقد يكون قد تم تخصيص أرقام أكثر مما تحتاج إليه. على سبيل المثال ، في ظل هذا النظام ، كانت الشركة التي لديها 500 عميل فقط قد تلقت كتلة رقم 10000 ، وهي نفس الكمية من الأرقام التي كانت ستتلقاها شركة لديها 9500 عميل. وبالتالي ، يتم أخذ الأرقام في هذه الكتل الكبيرة ، مما يخلق طلبًا مصطنعًا على المزيد من الأرقام ، والذي بدوره يغذي الحاجة إلى فتح المزيد من رموز المنطقة. تعد الحاجة إلى تخصيص 10000 رقم ممارسة من الماضي عندما قدمت شركة هاتف واحدة الخدمة لجميع العملاء في أراضيها. اليوم ، مع وجود أكثر من 200 شركة اتصالات في الولاية بحاجة إلى أرقام لخدمة العملاء ، ومع العدد المحدود من الأرقام المتاحة في كل رمز منطقة ، لم تعد هذه العملية وسيلة فعالة لتخصيص الأرقام.

أدى ارتفاع الطلب على الأرقام جنبًا إلى جنب مع نظام التخصيص غير الفعال للأرقام إلى فتح سريع لرموز مناطق جديدة في جميع أنحاء الولاية. منذ عام 1997 ، تضاعف عدد رموز المناطق تقريبًا إلى 25. ما لم تحدث تغييرات كبيرة ، فإن CPUC تتوقع أن 16 رمز منطقة أخرى يجب أن يتم فتحها في كاليفورنيا بحلول عام 2002. مع المزيد والمزيد من الشركات التي تحتاج إلى أرقام خاصة بها ، منطقة جديدة الرموز ليست بالضرورة الحل الأفضل.

B. 909 التاريخ وقرارات CPUC

رمز المنطقة 909 هو مثال كلاسيكي على انتشار رمز المنطقة في كاليفورنيا. تم تنفيذ رمز المنطقة 909 ، الذي يتضمن مدنًا ومجتمعات في أجزاء من مقاطعات ريفرسايد وسان برناردينو ولوس أنجلوس ، في عام 1992 عندما تم فصله جغرافيًا عن رمز المنطقة 714. تم إنشاء رمز المنطقة 714 في عام 1951 ، عندما تم فصله عن رمز المنطقة 213 ، وهو أحد رموز المنطقة الأصلية الثلاثة المخصصة لولاية كاليفورنيا في عام 1948.

على الرغم من حقيقة أن رمز المنطقة 909 عمره ثماني سنوات فقط ، قررت إدارة خطة الترقيم في أمريكا الشمالية (NANPA) في أوائل عام 1998 أن رمز المنطقة 909 كان ينفد من الأرقام. رداً على قرار NANPA بأن CPUC يجب أن يعمل لتوفير أرقام إضافية لاستخدام شركة الهاتف ، في مارس 1999 وافق CPUC على رمز المنطقة 909 على مرحلتين: تقسيم جغرافي وتراكب لاحق. في التراكب ، يتم إنشاء رمز منطقة جديد يغطي نفس المنطقة الجغرافية مثل رمز المنطقة الحالي. بموجب قواعد CPUC ولجنة الاتصالات الفيدرالية (FCC) ، يتعين على جميع العملاء الذين لديهم أرقام سواء في رمز المنطقة الجديد أو القديم الاتصال بالرقم 1 بالإضافة إلى رمز المنطقة بالإضافة إلى الرقم المكون من سبعة أرقام (المعروف باسم الاتصال 1 + 10 أرقام) للوصول أي رقم آخر في أي من رمزي المنطقة. كان من المقرر تنفيذ تقسيم المرحلة الأولى في 16 ديسمبر 2000 ، مع بدء الاتصال الإلزامي 1 + 10 أرقام في 9 سبتمبر 2000. وكان من المقرر تنفيذ تراكب المرحلة الثانية في 10 فبراير 2001 ، مع 1 + 10 إلزامي سيبدأ الاتصال بالأرقام في 4 نوفمبر 2000.

عندما تم تنفيذ التراكب الأول والاتصال المكون من 1 + 10 أرقام في رمز المنطقة 310 (الموجود في منطقة لوس أنجلوس) في أبريل 1999 ، أعرب العملاء عن اعتراضات قوية على التراكب وعلى الطلب المطلوب 1 + 10 أرقام. أوقف CPUC التراكب 310 في سبتمبر 1999. في ديسمبر 1999 ، بموجب القرار 99-12-051 ، علقت CPUC جميع التراكبات المعتمدة مسبقًا ، والتي تضمنت التراكب في رمز المنطقة 909 ، وعلقت تقسيم رمز المنطقة 909 كان هذا قبل 909 تراكب. وفي نفس القرار ، طلبت لجنة حماية المدنيين من العاملين في شعبة الاتصالات السلكية واللاسلكية التابعة لها دراسة استخدام الأرقام لتحديد كمية الأرقام المتاحة غير المستخدمة في رمز المنطقة 909. هذا التقرير يلبي هذا الشرط. 7

1. يخصص اليانصيب الشهري البادئات

في جميع رموز المناطق المعرضة لخطر نفاد الأرقام ، وضعت CPUC عملية يانصيب لتخصيص البادئات المتبقية بشكل عادل بين شركات الهاتف عندما يتجاوز الطلب العرض. بدأ يانصيب البادئة 909 في مارس 1998. حاليًا ، يوزع CPUC بادئتين (بادئة أولية واحدة وبادئة نمو واحدة 8) في اليانصيب الشهري 909. تقدم كل شركة طلبات البادئات الأولية والنمو إلى مسؤول كود NANPA. إذا تم استلام طلبات أكثر مما يمكن استيفاءه في ذلك الشهر ، فسيتم تعيين بادئة للمتقدمين الذين تم اختيارهم عن طريق الرسم العشوائي ، ويتم وضع المتقدمين المتبقين في قائمة الأولويات ويتلقون البادئات في أحد اليانصيب في الأشهر التالية بالترتيب الذي قاموا به تم رسمها. بمجرد أن تتلقى كل شركة تطلب بادئة واحدة ، يتم إجراء رسم جديد وتكون الشركات الإضافية مؤهلة لتلقي البادئات. تم تخصيص 21 بادئة في رمز المنطقة 909 من خلال هذه العملية بين 1 يناير 2000 و 31 أغسطس 2000.

ج. جهود CPUC لحل انتشار كود المنطقة

إدراكًا للأعباء الاجتماعية والاقتصادية الكبيرة المرتبطة بالتغييرات المستمرة في رمز المنطقة ، اتخذت CPUC خطوات لحل أزمة الترقيم. استجابة للاحتجاج العام على نطاق واسع بشأن انتشار رموز المنطقة الجديدة ، علقت CPUC ، ابتداء من ديسمبر 1999 ، جميع الخطط الخاصة برموز المناطق الجديدة التي تمت الموافقة عليها مسبقًا. في أبريل 2000 ، أمرت CPUC بتجربة تجميع الأرقام في رمز المنطقة 909 ، لتبدأ في 8 ديسمبر 2000. في يوليو 2000 ، تبنت CPUC إجراءات أخرى لحفظ الأرقام ، بما في ذلك إنشاء معدل التعبئة وقواعد الترقيم المتسلسل.

2. تجميع الأرقام

بدأت CPUC ، بموافقة لجنة الاتصالات الفيدرالية (FCC) ، في تجميع التجارب في أربعة رموز منطقة ، من أجل تعزيز كفاءة تخصيص رقم الهاتف.يتيح تجميع الأرقام لشركات الهاتف تلقي أرقام في كتل أصغر من الأرقام التقليدية البالغ عددها 10000 ، مما يتيح لمقدمي الخدمة مشاركة بادئة ، وبالتالي استخدام هذا المورد المحدود بشكل أكثر كفاءة. يُشار إلى التقنية التي تمكّن الشبكة من دعم تعيين كتل أصغر باسم إمكانية نقل الأرقام المحلية أو LNP. تم تفويض 9 LNP في الأصل من قبل لجنة الاتصالات الفيدرالية (FCC) كوسيلة لتمكين العملاء من الاحتفاظ بأرقام هواتفهم عند تبديل خدمة الهاتف إلى مزود محلي آخر. يتم استخدام هذه المنصة نفسها لتجميع الأرقام. طلبت لجنة الاتصالات الفيدرالية (FCC) من جميع شركات الاتصالات السلكية أن تصبح قادرة على LNP بحلول نهاية عام 1998 في أكثر 100 منطقة إحصائية حضرية (MSAs) اكتظاظًا بالسكان في الدولة 10. يوجد ثلاثة عشر من أفضل 100 MSA في كاليفورنيا ، ورمز المنطقة 909 موجود في اثنين منهم.

على الرغم من وجود تقنية LNP لعدة سنوات ، إلا أن لجنة الاتصالات الفيدرالية (FCC) منحت لاحقًا الشركات الخلوية وأجهزة الكمبيوتر الشخصية تمديدًا للوقت حتى نوفمبر 2002 لتصبح قادرة على LNP. قامت لجنة الاتصالات الفيدرالية (FCC) بإعفاء شركات الترحيل إلى أجل غير مسمى من متطلبات LNP. 11 وبالتالي ، في هذا الوقت يمكن فقط لشركات الاتصالات السلكية 12 المشاركة في تجميع الأرقام. في رموز المنطقة مع تجميع الأرقام ، تشارك شركات الاتصالات السلكية في التجميع وتشارك شركات الاتصالات اللاسلكية في اليانصيب. في رموز المنطقة المتبقية ، تشارك جميع شركات الهاتف في اليانصيب.

لقد دأب CPUC على إنشاء تجمعات الأرقام بقوة. بدأت CPUC محاكمة إلزامية لتجميع الأرقام لرمز المنطقة 909 ، وهو الرقم الرابع لتجميع المحاكمة في الولاية ، لتبدأ في 8 ديسمبر 2000. وعملاً بحكم المفوض المعين بتاريخ 21 أبريل 2000 ، وضعت CPUC 27 بادئة في الانتظار حتى توفير جرد أولي للرموز لهذا التجمع. يُطلب من جميع الشركات التي لديها أرقام في 909 تقديم تبرعات أولية من 1000 رقم كتلة لمسؤول التجميع بحلول 27 نوفمبر 2000. في إطار برنامج تجميع الأرقام ، ستتلقى جميع شركات النقل القادرة على LNP أرقامًا في كتل من 1000 في رمز المنطقة 909 على أساس الحاجة. لا توجد عملية تقنين في تجربة التجميع ويمكن وضع الكتل المستلمة في الخدمة فور استلامها تقريبًا. تم العثور على مناقشة كاملة لحالة تجربة التجميع 909 لاحقًا في هذا التقرير.

2. تحسين إدارة عدد الجرد

بينما أدت تجارب التجميع إلى تحسين كفاءة توزيع الأرقام على الشركات ، لم يكن لدى الشركات حوافز قوية لإدارة الأرقام المخصصة بالفعل لها بكفاءة. وهكذا أمرت لجنة حماية المستهلك بأرقام (CPUC) الشركات بتحسين إدارة مخزون الأرقام من خلال تدابير تشمل قواعد معدلات الملء والترقيم المتسلسل.

في يوليو 2000 ، أصدرت CPUC القرار 00-07-052 ، الذي وسع إجراءات الحفاظ على الأرقام المعتمدة في رمز المنطقة 310 إلى رموز مناطق أخرى داخل كاليفورنيا. تشمل تدابير الحفاظ على الرقم ما يلي:

& # 183 الشركات مطالبة بالعودة إلى NANPA أي بادئة محتجزة لأكثر من ستة أشهر دون استخدامها.

& # 183 & quot تم وضع معايير العادم الوشيك & quot في جميع رموز المنطقة مع اليانصيب أو تجارب التجميع. في كل مركز أسعار تطلب فيه الشركات أرقامًا إضافية ، يجب عليها أولاً تقديم نموذج إلى NANPA يوضح أنها ستكون خارج الأرقام في غضون ثلاثة أشهر.

& # 183 يجب أن تفي الشركات بحد أدنى 75٪ من متطلبات معدل التعبئة قبل أن تكون مؤهلة لطلب بادئة نمو في أي رمز منطقة في التقنين وقبل أن تكون مؤهلة لتلقي ألف كتلة من خلال تجمع أرقام. يجب على الشركات تعيين أرقام في تسلسل مكون من ألف كتلة ، وتعيين الأرقام في الكتلة التالية فقط بمجرد تحقيق معدل تعبئة 75٪ في الكتلة السابقة.

تتوقع TD أن هذه السياسات ستوفر على الأرجح المزيد من الأرقام لاستخدامها في تجميع الأرقام ، أو تخصيصها من خلال اليانصيب ، أو لاستخدامها بطريقة أخرى من قبل الشركات. وبالفعل ، فقد حققت هذه الإجراءات بالفعل بعض الآثار الإيجابية. على سبيل المثال ، منذ أن وسعت CPUC معدل التعبئة بنسبة 75٪ وقواعد العادم الوشيكة لجميع رموز المنطقة ، بما في ذلك 909 ، لاحظ موظفو CPUC أن الطلب على بادئات النمو في يانصيب كل شهر قد انخفض. المزيد من الأدلة على فعالية سياسات الحفاظ على الأرقام الخاصة بـ CPUC هو الزيادة في عدد البادئات الزائدة في رمز المنطقة 909 التي يتم إرجاعها إلى NANPA من قبل الشركات. بين 1 يناير ونهاية أغسطس 2000 ، أعادت الشركات 11 بادئة غير مستخدمة ، مما أدى إلى تعويض أكثر من نصف البادئات الـ 21 التي تم إصدارها خلال نفس الفترة. اعتبارًا من 31 أغسطس 2000 ، كان هناك 48 بادئة متبقية متاحة للتعيين في رمز المنطقة 909. هذه البادئات الـ 48 هي بالإضافة إلى الـ 27 بادئة الموضوعة جانباً لـ 909 pool.

3. جهود CPUC على المستوى الاتحادي

تتمتع لجنة الاتصالات الفيدرالية (FCC) بسلطة قضائية حصرية على الترقيم في الولايات المتحدة ، لذلك ، تخضع سياسات حفظ وتخصيص الأرقام الخاصة بـ CPUC (التجميع واليانصيب ومعدلات الملء والترقيم المتسلسل) لتفويض سلطة لجنة الاتصالات الفيدرالية للولايات. تقديراً لخطورة أزمة الترقيم في كاليفورنيا ، قدمت لجنة الاتصالات الفيدرالية (CPUC) التماسًا شديدًا إلى لجنة الاتصالات الفيدرالية (FCC) للحصول على سلطة إضافية. نتيجة لذلك ، قامت لجنة الاتصالات الفيدرالية (FCC) بتفويض السلطة لتخطيط وتنفيذ تغييرات رمز المنطقة ، بالإضافة إلى سلطة تنفيذ تدابير الحفاظ على الأرقام.

أ. السلطة المتعلقة بالتجميع

في 26 أبريل 1999 ، قدم CPUC التماسًا إلى لجنة الاتصالات الفيدرالية يطلب فيه سلطة إجراء تجارب تجميع الأرقام وغيرها من تدابير الحفاظ على الأرقام داخل الولاية لإدارة هذا المورد العام بشكل أفضل. في 15 سبتمبر 1999 ، منحت لجنة الاتصالات الفيدرالية هذا الالتماس ، مما سمح لـ CPUC بإنشاء تجميع إلزامي للأرقام على أساس تجريبي ، ونشره بالتتابع في MSA واحد في كل مرة. عندما منحت لجنة الاتصالات الفيدرالية CPUC سلطة نشر استراتيجيات تحسين موارد الترقيم المختلفة ، بما في ذلك سلطة إنشاء تجارب تجميع الأرقام المكونة من ألف كتلة ، أوضحت أيضًا أن سلطة كاليفورنيا ستحل محلها التدابير الوطنية المستقبلية التي اعتمدتها لجنة الاتصالات الفيدرالية.

في 31 مارس 2000 ، أصدرت لجنة الاتصالات الفيدرالية (FCC) تقرير تحسين موارد الترقيم والأمر وإشعار إضافي لوضع القواعد المقترحة (طلب NRO). 13 يحدد أمر NRO قواعد تحديد الأرقام والتنبؤ والتتبع والتدقيق في استخدام الشركات للأرقام ، وتدابير الحفظ المرتبطة باستخدام الأرقام ، بما في ذلك على سبيل المثال لا الحصر تجميع الأرقام. تم دمج تعريفات الأرقام والجداول الزمنية للتقادم والأرقام المحجوزة التي تم اعتمادها بهذا الترتيب في بيانات الاستخدام المذكورة هنا.

مع إصدار أمر NRO ، تبنت لجنة الاتصالات الفيدرالية (FCC) عددًا من الإجراءات الإدارية والفنية التي ستسمح لها بمراقبة طريقة استخدام موارد الترقيم عن كثب ولتعزيز الاستخدام الأكثر كفاءة لموارد الترقيم. على وجه الخصوص ، اعتمدت لجنة الاتصالات الفيدرالية (FCC) نظامًا وطنيًا لتخصيص الأرقام في كتل من ألف ، بدلاً من عشرة آلاف ، حيثما أمكن ذلك ، وأعلنت عن نيتها في وضع خطة للتداول الوطني لتجميع الأرقام المكون من ألف كتلة.

نظرًا لأن لجنة الاتصالات الفيدرالية (FCC) أدركت أن تجارب تجميع الأرقام المكونة من ألف كتلة جارية قد لا تتوافق مع المعايير الوطنية المنصوص عليها في أمر NRO ، فقد أعطت لجنة الاتصالات الفيدرالية لجان الولاية حتى 1 سبتمبر 2000 لمطابقة تجارب تجميع الأرقام المكونة من ألف كتلة مع إطار العمل الوطني . أحد المتطلبات المفروضة في كاليفورنيا والذي يختلف عن المعايير الوطنية هو شرط أن تلبي الشركات معدل تعبئة بنسبة 75٪ في كل كتلة قبل أن تتلقى كتلة إضافية من مسؤول التجميع. اعترفت CPUC بأن معدل الملء بنسبة 75٪ عامل حاسم في نجاح محاكمة التجميع 310 وقدمت التماسًا للتنازل عن الامتثال للقواعد الوطنية. في 31 أغسطس 2000 ، أصدرت لجنة الاتصالات الفيدرالية (FCC) أمرًا يمنح سلطة CPUC لمواصلة استخدام قواعد التجميع الخاصة بها حتى تقرر لجنة الاتصالات الفيدرالية (FCC) مزايا الالتماس ، أو حتى 31 ديسمبر 2000 ، أيهما أقرب. يسمح ذلك لولاية كاليفورنيا بمواصلة تطبيق معدل الاستخدام بنسبة 75٪ في جهود تجميع الأرقام الخاصة بها.

يقيد NRO أيضًا CPUC من خلال استنتاج أن بدء تجميع الأرقام المكون من ألف كتلة يجب أن يحدث أولاً في رموز المنطقة الموجودة في أكثر 100 MSA اكتظاظًا بالسكان. في تعليقاتها قبل إصدار NRO ، جادلت CPUC بأن كاليفورنيا سيتم منعها من استكشاف ما إذا كان تجميع الأرقام يمكن أن يخفف من أزمات موارد الأرقام في أجزاء كثيرة من الولاية التي تقع خارج أفضل 100 MSA. تعتقد CPUC أنه يجب على لجنة الاتصالات الفيدرالية تفويض السلطة إلى الولايات لطلب نشر LNP. إن منح السلطة هذا لولاية كاليفورنيا سيجعل التجميع ممكنًا في جميع أنحاء الولاية.

ب. السلطة فيما يتعلق برموز المناطق الخاصة بالتكنولوجيا

في الوقت الحالي ، تقيد لجنة الاتصالات الفيدرالية (FCC) اللجان الحكومية من إنشاء رمز منطقة خصيصًا لخدمات الاتصالات اللاسلكية. في 26 أبريل 1999 ، قدمت CPUC التماسًا آخر إلى لجنة الاتصالات الفيدرالية يطلب سلطة إنشاء رموز منطقة خاصة بالخدمة أو خاصة بالتكنولوجيا. في رمز المنطقة 909 ، هناك 26 شركة اتصالات لاسلكية تحمل 191 بادئة. إذا سُمح لـ CPUC بإنشاء رمز منطقة منفصل لتلك الشركات ، فيمكن إعادة تعيين هذه البادئات الـ 191 في رمز المنطقة 909 لاستخدامات الهاتف الأخرى ، وبالتالي إطالة عمر رمز المنطقة الحالي. حتى الآن ، لم تتصرف لجنة الاتصالات الفيدرالية (FCC) بشأن عريضة CPUC.

في 28 سبتمبر 2000 ، وقع الحاكم ديفيس على قانون مجلس الشيوخ (SB) 1741 ، الذي كتبه السناتور بوين. تطلب SB 1741 من CPUC أن تطلب تفويضًا من لجنة الاتصالات الفيدرالية (FCC) لتطلب من شركات الهاتف إنشاء رموز منطقة خاصة بالتكنولوجيا استنادًا إلى الاتصالات اللاسلكية واتصالات البيانات ، والسماح بالاتصال المكون من 7 أرقام داخل كل من رمز المنطقة الخاص بالتكنولوجيا والرمز الأساسي الموجود مسبقًا رمز المنطقة أو الرموز. يتطلب مشروع القانون من CPUC استخدام أي سلطة ممنوحة على هذا النحو ما لم تتوصل إلى نتيجة محددة تفيد بوجود سبب لعدم القيام بذلك. يحظر التشريع أيضًا CPUC من تنفيذ أي سلطة ممنوحة من قبل FCC بطريقة تضعف إمكانية نقل الأرقام. الالتماس الذي قدمه CPUC إلى FCC في أبريل 1999 يفي بمتطلبات رمز المنطقة الخاصة بالتكنولوجيا المنصوص عليها في القانون. يحظر مشروع القانون أيضًا على CPUC من الموافقة على رموز المنطقة الجديدة ما لم يتم إجراء دراسة استخدام الهاتف وتم تنفيذ جميع تدابير الحفاظ على رقم الهاتف المعقولة. تفي دراسة الاستخدام هذه بجزء دراسة استخدام الهاتف في SB 1741.

4. دراسات الاستخدام

قبل مطالبة المقيمين والشركات في رمز المنطقة 909 بالخضوع لتغيير آخر في رمز المنطقة ، أدركت CPUC ضرورة تحديد عدد أرقام الهواتف المستخدمة والرقم الذي لم يتم استخدامه بعد. تحقيقا لهذه الغاية ، أنشأت CPUC دراسة استخدام لرمز المنطقة 909 وطلبت من الشركات تقديم بيانات الاستخدام إلى CPUC اعتبارًا من 30 أبريل 2000. تعاقد TD مع NeuStar لجمع البيانات. قدمت NeuStar البيانات المجمعة بالكامل إلى TD في 18 أغسطس 2000. تظهر معلمات الدراسة ومتطلبات التسجيل في الملحق A ، بالإضافة إلى قائمة بالشركات التي تم تخصيص أرقام لها في رمز المنطقة 909.


إنتاج الهيدروجين بالطرق الحيوية الضوئية

ر. بوديال. ت. Veziroğlu ، في خلاصة وافية للطاقة الهيدروجينية ، 2015

10.3 مزايا وعيوب إنتاج الهيدروجين باستخدام الطرق البيولوجية الضوئية

ح2 يتميز الإنتاج بالعديد من المزايا مقارنة بالطرق الأخرى مثل تكرير البترول وتغويز الفحم والوقود الأحفوري والتقنيات الحرارية الكيميائية لأن هذه العمليات خطرة. ومن ثم ، فإن علم الأحياء الضوئي H2 يمكن اعتبار الإنتاج طريقة فعالة لإنتاج H نقي ونظيف2 الغاز ، على الرغم من أن له بعض العيوب ، إلا أن مزايا وعيوب الإنتاج الضوئي البيولوجي مذكورة أدناه.

10.3.1 مزايا إنتاج الهيدروجين بالطرق الحيوية الضوئية

ح2 يستخدم الإنتاج الكائنات الحية الدقيقة لتحويل الطاقة الشمسية إلى غاز الهيدروجين.

ح2 يتميز الإنتاج ، خاصة عن طريق الكائنات الحية الدقيقة في التمثيل الضوئي ، بالعديد من المزايا لأنه يتطلب تقنيات بسيطة وطاقة منخفضة التكلفة (ضوء الشمس الطبيعي) مقارنة مع الكهروكيميائية H2 الإنتاج على أساس تقسيم الماء. ومن ثم ، فإن هذه الأساليب تستخدم ضوء الشمس والماء فقط كمصادر متجددة للطاقة.

ح2 الإنتاج لا ينبعث منه غازات ومركبات سامة ملوثة للبيئة.

نقي ونظيف H2 يمكن أن تنتج عن طريق طرق بيولوجية ضوئية.

الطحالب الخضراء والبكتيريا الزرقاء والبكتيريا الضوئية موجودة بكثرة في كل مكان ويمكننا بسهولة زراعتها في ظل ظروف اصطناعية مناسبة. معظم هذه الكائنات الدقيقة ليست ضارة بالبيئة. وبالتالي ، يمكننا بسهولة زراعة مثل هذه الكائنات الحية الدقيقة لتحقيق هدفنا.

خلال H الضوئية2 الإنتاج ، يمكن للعديد من بكتيريا التمثيل الضوئي استخدام طاقة ضوئية واسعة النطاق ونفايات عضوية (Hussy ، Hawkes ، Dinsdale ، & amp Hawkes ، 2003).

ح2 ينتج عن إنتاج الكائنات الحية الدقيقة في ظل الظروف اللاهوائية مستقلبات قيمة مثل حمض اللاكتيك وحمض الزبد وحمض الخليك كمنتجات ثانوية (لاي ، 2000 لين وأمب تشانج ، 1999).

كفاءة تحويل الفوتون لإنتاج H. 2 من ضوء الشمس مرتفع: 10-16٪ (Kruse et al.، 2005، Prince & amp Kheshgi، 2005).

هذه الطريقة مفيدة لعزل الكربون. تعمل بالطاقة الشمسية H2 إنتاج الكائنات الحية الدقيقة له عملية فريدة لثاني أكسيد الكربون2 عزل. في المرحلة الهوائية ، CO2 يتم تحويلها إلى كتلة حيوية في المرحلة اللاهوائية H.2 تم إنتاجه لاحقًا (Hankamer et al. ، 2007).

يتطلب إنتاج الهيدروجين الحيوي بواسطة الكائنات الدقيقة التي تقوم بعملية التمثيل الضوئي استخدام مفاعل شمسي بسيط مثل صندوق مغلق شفاف مع متطلبات طاقة منخفضة (Parmar، Singh، Pandey، Gnansounou، & amp Madamwar، 2011).

يعتبر إنتاج الهيدروجين بواسطة ضوء الشمس رخيصًا مقارنةً بنظام الوقود الأحفوري الحالي ونظام الوقود الأحفوري الصناعي لـ H.2 إنتاج.

10.3.2 عيوب إنتاج الهيدروجين بالطرق الحيوية الضوئية

يتم تعطيل الهيدروجين في وجود الأكسجين الجزيئي في الكائنات الحية الدقيقة.

في الطحالب الخضراء الإنتاج المتزامن لـ O2 و ح2 يثبط نشاط إنزيم الهيدروجين بواسطة O2. إن وجود امتصاص الهيدروجين في البكتيريا الزرقاء والبكتيريا الضوئية يقلل أيضًا من H2 الإنتاج (داسجوبتا وآخرون ، 2010).

إنتاج H2 بالتخمير الضوئي منخفض (Hussy وآخرون ، 2003).

المسار الأيضي الدقيق لـ H.2 إنتاج الكائنات الحية الدقيقة غير واضح. بالإضافة إلى ذلك ، لا يوجد منافس واضح لكائن دقيق قوي وقادر صناعيًا يمكن هندسته الأيضية لإنتاج المزيد من H2. يجب معالجة العديد من القضايا الهندسية ، بما في ذلك تصميم مفاعل حيوي مناسب لـ H.2 الإنتاج (بوتو وآخرون ، 2011).

لا تنتج بكتيريا التمثيل الضوئي المزيد من الهيدروجين2 التي ستلبي المطالب العامة (بوتو وآخرون ، 2011).

تطوير سلالة جديدة من الكائنات الحية الدقيقة مطلوب لتعزيز كفاءة تحويل الطاقة الشمسية العالية لـ H2 إنتاج.

من الصعب الزراعة الجماعية للطحالب الخضراء والبكتيريا الزرقاء لأنها قد تتطلب مساحة كبيرة. أيضًا ، محصول H2 إنتاج هذه الكائنات الدقيقة ليس مرتفعا ، مما قد لا يفي بالطلب.

تعتبر عملية توسيع نطاق المواد اللازمة لبناء العديد من المفاعلات الحيوية الضوئية مكلفة ، وهناك العديد من العيوب (Dasgupta et al. ، 2010).

إن تخزين الهيدروجين مكلف لأنه يحتاج إلى ضغط.

يعتبر بناء أوراق اصطناعية لعملية التمثيل الضوئي الاصطناعي طريقة مكلفة لتوليد H.2.


توضيح بشأن إجابة سابقة لمؤشر تداخل توزيع الاستخدام (UDOI) - نظم المعلومات الجغرافية

تم استخدام الشبكات العصبية الاصطناعية (ANNs) كنموذج بحث وتنفيذ شائع في مجالات متعددة لعدة عقود الآن [1 & # x2013 9]. تدافع الأدبيات الحديثة عن المزيد من استخدام الشبكات العصبية الاصطناعية كمنهج بحثي ، خاصة في المجالات التي لم يتم تجربتها سابقًا أو غير المستغلة بشكل كافٍ [10 ، 11]. ومع ذلك ، نظرًا للفرضية المبكرة القائلة بأن الشبكات العصبية الاصطناعية عبارة عن صناديق سوداء (أي أنه من الصعب تقييم مساهمة المتغيرات المستقلة) ، فقد كان إثبات الدقة والتعميم لنتائج أبحاث الشبكة العصبية مشكلة.

تم وصف أوجه التشابه بين الشبكات العصبية الاصطناعية والطرق الإحصائية المختلفة (التي ثبت أنها صارمة وقابلة للتعميم) للمتبنين المحتملين [10 ، 12]. يتمثل نموذج البحث الشائع لباحثي ANN في مقارنة النتائج التي تم الحصول عليها باستخدام ANN بطرق إحصائية أخرى أكثر تقليدية ، بما في ذلك الانحدار [13 & # x2013 16] ، والتحليل التمييزي [17 & # x2013 21] ، والطرق الإحصائية الأخرى [22 & # x2013 24] ، وطرق إحصائية متعددة [25 & # x2013 28]. من بين المقالات الستة عشر التي تمت الإشارة إليها للتو ، تُظهر غالبية هذه النتائج أن الشبكات العصبية الاصطناعية إما متشابهة (مع 2 متشابه) أو أفضل من (مع تفوق 12) الطرق الإحصائية المقارنة ضمن مجال التطبيق المحدد.

في حين أن لشبكات ANN تاريخ ، على الرغم من قصرها ، فقد أدت طبيعة الصندوق الأسود إلى تبني مقاومة من قبل العديد من التخصصات المتعلقة بالأعمال [29]. قد يساعد التثليث المنهجي في التغلب على تحفظات التبني والاستخدام هذه بالإضافة إلى توفير وسيلة لتحسين الفعالية الإجمالية لتطبيقات الشبكات العصبية الاصطناعية. التثليث المنهجي هو استخدام طرق متعددة حول نفس المشكلة (بيانات تجريبية) لاكتساب الثقة في النتائج التي تم الحصول عليها وتحسين المصداقية الخارجية [30 ، 31]. تعد الشبكات العصبية الاصطناعية والطرق الإحصائية التقليدية ذات طبيعة كمية. يتم تعريف الطريقة الكمية بموجب هذا على أنها أداة أو إجراء أو تقنية محددة تُستخدم لتحليل بيانات مشكلة معينة لإنتاج نموذج أو نتائج مقابلة للإجابة على سؤال بحثي.

التحليل المقارن للشبكات العصبية الاصطناعية مقابل الطرق الإحصائية القياسية المذكورة سابقًا هو مثال على التثليث المنهجي المتزامن أو المتوازي [32] ، والذي يتم إجراؤه على نطاق واسع لإثبات تحسينات الأداء التي تم الحصول عليها من خلال استخدام نمذجة الشبكة العصبية. ستركز هذه الورقة على تقنيات التثليث المنهجية غير الحالية. يحدث التثليث المنهجي غير المتزامن عند استخدام طريقة إحصائية أو طريقة أخرى للتعلم الآلي بالاشتراك مع ANN ، ولكن يتم تطبيق الطريقة الأخرى على البيانات قبل ANN لتحسين متجه الإدخال واكتساب الثقة في موثوقية المتغيرات المستقلة أو بالتناوب بعد ذلك أنتجت ANN نتائجها لتحسين الأداء العام و / أو تفسير تلك النتائج. إن تعريف التثليث المنهجي غير المتزامن المستخدم في هذا البحث مشابه للطريقة المختلطة للتطوير المتسلسل والمتوازي والطريقة المختلطة للتطوير المتسلسل التي وصفها بيتر وجاليفان [32].

سيقيم البحث المقدم في هذه الورقة فعالية استخدام طريقة التثليث غير المتزامن مع الشبكات العصبية الاصطناعية ، وتحديداً التحديد المسبق للمتغيرات باستخدام تقنيات إحصائية معترف بها. سيتم تطبيق ANN المثلث في حالة تقدير الكفاءة الذاتية للكمبيوتر (CSE) للفرد & # x2019 دون الاعتماد على التقييم الذاتي ، نظرًا لأن التقييم الذاتي قد يخضع للعديد من التحيزات [33 ، 34].يقدم القسم التالي خلفية موجزة عن التثليث المنهجي الذي تم تطبيقه مسبقًا مع شبكات ANN متبوعًا بقسم يصف مشكلة تقدير CSE بمزيد من التفصيل ، والتي تعمل كمشكلة تصنيف لتوضيح نتائج المنهجية الجديدة. سيقدم القسم الرابع منهجية التثليث ويصف نماذج ANN المطورة لتقدير CSE. يعرض القسم قبل الأخير النتائج ومناقشة هذه النتائج لتقدير CSE باستخدام ANN المثلث.

يصف هذا القسم الشبكات العصبية الاصطناعية والأدبيات المتعلقة بالتثليث باستخدام الشبكات العصبية الاصطناعية.

2.1. وصف موجز لشبكات ANN

قبل وصف البحث السابق الذي دعا أو أظهر تثليثًا لمختلف الأساليب الإحصائية وغيرها من أساليب التعلم الآلي باستخدام الشبكات العصبية الاصطناعية ، يتم تقديم وصف موجز لشبكات ANN. الوصف التالي هو الأنسب لشبكات ANN المدربة على الانتشار العكسي ، ولكن يمكن تعميمه لأنواع أخرى من شبكات ANN أيضًا ، لا سيما شبكات ANN الأخرى الخاضعة للإشراف. ANN عبارة عن مجموعة من عناصر المعالجة التي يتم ترتيبها عادةً في طبقات (انظر الشكل 1). تتطلب طبقة الإدخال نوعًا من قيمة البيانات الرقمية. يتم بعد ذلك ضرب هذه القيم بالأوزان (قيمة رقمية أخرى) ويتم تجميعها لكل عنصر معالجة طبقة مخفي. يمكن استخدام وظائف التجميع المختلفة ، ولكن عادةً ما يتم استخدام إما تجميع قياسي أو وظيفة تعظيم ، مما ينتج عنه قيمة: hj = & # x2211 i = 1 nxiwi ، j ، والتي ستكون قيمة الإدخال المجمعة لجميع عقد الإدخال (تتراوح بين الكل ممكن ط) لعقدة المعالجة المخفية ي. ثم تقوم عناصر الطبقة المخفية بنقل قيم الإدخال المجمعة باستخدام دالة غير خطية ، وعادة ما تكون دالة سينية ، بحيث يبدو إخراج كل عقدة مخفية كما يلي: gj = (1 + ek & # x2009 & # x2009 & # x2a & # x2009 & # x2009 ربح) - 1. يتم بعد ذلك تجميع مخرجات كل عقدة طبقة مخفية في الطبقة التالية ، والتي قد تكون طبقة الإخراج أو طبقة أخرى مخفية.

عينة بنية ANN للتعلم الخاضع للإشراف (على سبيل المثال ، backpropagation).

يمكن إجراء التعلم ، وبالتالي تطوير نموذج دقيق ، بطريقة خاضعة للإشراف أو بدون إشراف. سيتم التأكيد على التعلم الخاضع للإشراف في هذه الورقة ويستخدم أمثلة تاريخية للمشكلة التي يتم نمذجتها. يتم تقديم أمثلة لمجموعات المتغيرات المستقلة إلى ANN ، والتي تنتج بعد ذلك قيمة أو قيمًا للإخراج كما هو موضح للتو. تتم مقارنة قيمة المخرجات بالقيمة المعروفة من مثال التدريب التاريخي وإذا كان هناك خطأ أعلى من عتبة الخطأ ، يتم تعديل قيم الوصلات الموزونة لتقريب قيمة الإخراج الملحوظة بشكل أفضل. هذا النوع من التعلم غير معلمي ولا يقدم أي افتراضات حول التوزيعات السكانية أو سلوك مصطلح الخطأ [35].

لقد ثبت أن الشبكات العصبية الاصطناعية قادرة على تقريب أي نوع من النماذج تقريبًا بدقة لكل من التصنيف والتنبؤ (الانحدار) ، بما في ذلك النماذج الخطية وغير الخطية [36 & # x2013 38]. يتم إجراء تقييم نماذج ANN للتعلم الخاضع للإشراف عن طريق حجب جزء من مجموعات البيانات التاريخية واستخدام ذلك كتحقق خارج العينة لتعميم نموذج حل ANN على العالم الحقيقي. عند مقارنة NNs بالطرق الأخرى ، يجب أن يكون الخطأ في هذه النتائج خارج العينة أو النتائج الأخرى خارج العينة التي تتم مقارنتها ، حيث يشير خارج العينة إلى البيانات التي لم يتم استخدامها لتطوير نموذج ANN.

2.2. العمل السابق مع التثليث NNs

كما ذكرنا سابقًا في القسم السابق ، تعد مقارنة تصنيف ANN أو نتائج التنبؤ بالطرق الإحصائية القياسية باتباع نهج اختيار النموذج [35 ، 39] طريقة شائعة يستخدمها الباحثون لمحاولة إثبات صحة استخدام نموذج ANN وأيضًا لإثبات التحسن المنهجي المكتسب من استخدام نموذج نمذجة الشبكات العصبية الاصطناعية. ومع ذلك ، فإن تركيز البحث الوارد في هذه الورقة ينصب على طريقة التثليث غير المتزامنة ، وعلى هذا النحو سيركز هذا القسم على البحث السابق الذي استخدم الأساليب الإحصائية وغيرها بطريقة غير متزامنة مع الشبكات العصبية الاصطناعية.

يعرض الجدول 1 ملخصًا للبحث السابق الذي نفذ شكلاً من أشكال التثليث لم يتم استخدامه لمقارنة النتائج. عمل مبكر جدًا في تحسين تصميم معمارية ANN باستخدام الخوارزميات الجينية (GAs) أو البرمجة الجينية (GP) قبل إنشاء مثيل لـ ANN. تم أيضًا تمثيل الشبكات ANN بشكل متزامن مع الشبكات ANN الأخرى في مجموعة لتحسين أداء التصنيف للمشكلات التي لا يمكن فيها لمصنف واحد أن يعمل بشكل كافٍ. تحدث جميع الأعمال الأخرى الحالية التي تستخدم التثليث بعد إنتاج النتائج بواسطة نموذج ANN لتقليل خطأ الإخراج من الشبكات ANN أو لتحسين شرح نتائج المخرجات.

الاستخدام السابق لتثليث ANN.

نوع التثليثغرضمراجع
NC ، مسبقًاتطوير وتحسين هيكل ANN بشكل أسرع باستخدام GA و GP[40 & # x2013 44]
NC ، مسبقًاتقليل مجموعة المتغيرات التابعة [ 45 ]
NC ، بعدتقليل أخطاء الإخراج باستخدام أشجار القرار والإحصاءات البارامترية[46 & # x2013 49]
NC ، بعدتفسير محسن لتأثيرات المتغيرات التابعة[50 & # x2013 52]
منافستحسين تصنيف المشكلات المعقدة باستخدام مجموعات ANN[53 & # x2013 55]
نورث كارولاينا ، آخر تكامل نواتج المجموعةالانحدار [56] شجرة القرار [57]
ارشادي [58]

NC: طريقة التثليث غير الحالية.

الاختيار الصحيح للمتغيرات المستقلة لاستخدامها في متجه الإدخال لأي ANN مطلوب لتحسين الأداء [45، 59 & # x2013 61]. تم استخدام تقنيات مختلفة في التثليث غير المتزامن قبل تدريب الشبكة العصبية الوطنية للتخلص من المتغيرات والمتغيرات التابعة المرتبطة التي لها تأثير ضئيل أو سلبي (ضوضاء) على نتائج ANN. تتضمن هذه الأساليب GAs لتحديد بيانات التدريب مسبقًا التي ستؤدي إلى تقارب أسرع [43 ، 62] ، مصفوفات الارتباط [60] ، الانحدار [63] ، تحليل المكون الرئيسي [29] ، والتحليل المميز [58].

مثال مثير للاهتمام لقوة المعالجة المسبقة لبيانات الإدخال المحتملة يأتي من دراسة قام بها Durand et al. [64]. لقد طوروا نموذجين بالتزامن مع كون الأول نموذج انحدار جزئي للمربعات الصغرى (PLS) يحتوي على بيانات مُعالجة مسبقًا باستخدام GA ونموذج ANN الذي يحتوي على بيانات مُعالجة مسبقًا بخوارزمية معلومات متبادلة. احتوت مساحة المشكلة الأصلية على 480 متغيرًا. تمكنت GA من تقليل عدد المتغيرات إلى 11 لنموذج الانحدار PLS وتمكنت خوارزمية المعلومات المتبادلة من تقليل عدد المتغيرات إلى 12 لنموذج ANN ، وبالتالي استخدام 2.5 بالمائة فقط من إجمالي المتغيرات المتاحة. أنتج نموذج ANN في النهاية أفضل أداء تعميم بين النموذجين المقارنين.

تعد المعالجة المسبقة لبيانات الإدخال / التدريب أو المعالجة اللاحقة لبيانات مخرجات ANN لتحسين دقتها أو قابليتها للفهم تقنيات مفيدة لتحسين أداء ANN ، على الأقل ضمن المجالات المحدودة حيث تم تطبيق هذه التقنيات سابقًا. تم استكشاف مزيج من كل من المعالجة المسبقة والمعالجة اللاحقة في الجزء المتبقي من هذه الورقة في حالة تصنيف CSE الفردية.

3. منهجية لتثليث الشبكات العصبية الاصطناعية

كما هو موضح في قسم الخلفية ، يتم استخدام طريقة التثليث على نطاق واسع بالفعل لأبحاث الشبكة العصبية. ومع ذلك ، عادة ما يتم ذكر التثليث بشكل عابر ولا يتم تقييم تأثير التثليث بشكل نموذجي.

يتمثل أحد أهداف البحث الحالي في الترويج للمثالية المتمثلة في استخدام طريقة التثليث كلما تم استخدام الشبكات العصبية الاصطناعية في البحث أو تطبيقات العالم الحقيقي وإضفاء الطابع الرسمي إلى أقصى حد ممكن على منهجية لأداء التثليث باستخدام الشبكات العصبية الاصطناعية. الهدف الآخر هو تقديم أدلة تجريبية لإثبات فعالية استخدام التثليث في أبحاث ANN.

يظهر مخطط انسيابي لتنفيذ التثليث في الشكل 2. تركز المنهجية على التثليث المنهجي الذي يستخدم الشبكات العصبية الاصطناعية كواحدة من عمليتين أو أكثر تستخدم بشكل غير متزامن لتطوير نماذج بحث قوية أو تطبيقات مجال. لا يتضمن المخطط الانسيابي والمنهجية المقترحة إعداد البيانات / التطهير ، واختبار بنى ANN المتعددة ، أو المقارنة بين طرق التعلم المختلفة لـ ANN ، وكلها ممارسات تطوير نموذج ANN القياسية [60 ، 61].

مخطط انسيابي لتثليث الأسلوب باستخدام الشبكات العصبية الاصطناعية.

تهدف العمليات البديلة المحددة في المخطط الانسيابي إلى الإشارة إلى أن الباحث أو المطور لديه العديد من الخيارات هنا بشأن الطريقة التي يجب استخدامها في عملية التثليث. عادة ما يكون اختيار طريقة إحصائية محددة أو طريقة أخرى مقيدًا بمصادر وخصائص البيانات المراد تحليلها.

تؤكد المنهجية المقترحة على مسألتين مهمتين في تطوير الشبكات العصبية الاصطناعية: تحسين النماذج من خلال تقليل الضوضاء وتحسين تفسير النتائج (للتغلب على طبيعة الصندوق الأسود لشبكات ANN). تتمثل إحدى الفوائد الجانبية للطرق التي تمت الدعوة إليها للتثليث قبل ANN في أن أي تخفيض في مجموعة المتغيرات المستقلة سيقلل من التكاليف الإجمالية للنموذج [13 ، 35].

4. مشكلة CSE: دراسة حالة لتقييم التثليث المنهجي مع الشبكات العصبية الاصطناعية

لإثبات فائدة نموذج أسلوب التثليث المقترح ، يتم عرض دراسة حالة للتنبؤ باستخدام CSE باستخدام الشبكات العصبية الاصطناعية. لطالما استخدم نموذج قبول التكنولوجيا (TAM) الذي قدمه ديفيس [65] للتنبؤ بتبني المستخدمين للتكنولوجيا الجديدة. يرتبط CSE ارتباطًا وثيقًا ، حتى كعامل محدد ، بمكون سهولة الاستخدام المتصور لنموذج TAM. تم تمييز البحث السابق حول CSE في الجدول 2.

في بيئة التكنولوجيا ، يعد تحديد CSE أمرًا مهمًا لأن محرك البحث المخصص المنخفض قد يعيق التعلم [66 ، 67] ، بينما يؤدي المشاركون الذين يسجلون درجات عالية في CSE أداءً أفضل بشكل ملحوظ في إتقان برامج الكمبيوتر [68 & # x2013 70]. ومع ذلك ، يصعب قياس CSE بدقة. قد تكون نتائج CSE المتناقضة من البحث السابق ناتجة عن نقاط الضعف في المقاييس الحالية للبناء بالإضافة إلى الحاجة إلى التحكم في العوامل السابقة واللاحقة المرتبطة مباشرة بـ CSE [66].

المتغيرات التي تقيس التركيبات الأربعة الموضحة في الجدول 2: تجربة سابقة للقلق من الكمبيوتر للمشاركة في الدعم التنظيمي ، ستشكل المتجه المتغير المستقل إلى ANN.

على الرغم من أن قلق الكمبيوتر له مشكلات قياس مماثلة لـ CSE ، إلا أن الخبرة السابقة والدعم التنظيمي أسهل في القياس من CSE لأنها أكثر موضوعية ، ويمكن التحقق من صحتها ، وأقل اعتمادًا على التصورات. حتى عند استخدام المقاييس الإدراكية للدعم التنظيمي ، كما هو الحال في هذه الدراسة ، فمن المحتمل أن تكون أقل ثقلًا من الناحية العاطفية من CSE والقلق ، المرتبطين بالأنا والتقييم الذاتي. المشاركة ، على الرغم من كونها مقياسًا إدراكيًا ، فهي أيضًا أقل ثقلًا من الناحية العاطفية من CSE وقلق الكمبيوتر ويمكن ملاحظتها. تجعل الطبيعة اللامعلمية وغير الخطية للشبكات العصبية الاصطناعية مثالية لنمذجة مشكلة قد تحتوي على بيانات غير دقيقة أو صاخبة ، كما هو الحال في تقييم قلق الكمبيوتر والمشاركة.

قدم هذا القسم مشكلة CSE ، والتي تم حلها باستخدام التثليث في القسم التالي.

5. التثليث لتحسين أداء ANN

يتم جمع متغيرات CSE لقياس التركيبات الأربعة: الخبرة السابقة (PE) ، وقلق الكمبيوتر (CA) ، والدعم التنظيمي (OS) ، والمشاركة (E) باستخدام استطلاع يتم إجراؤه للطلاب الجامعيين والخريجين في إحدى جامعات الولاية الجنوبية الغربية الكبيرة في الولايات المتحدة الأمريكية. تم إعطاء الطلاب في كل من فصول البكالوريوس وفصول الدراسات العليا الاستبيان على مدى أربعة فصول دراسية. تم إرجاع ما مجموعه 239 مسحًا. تم اشتقاق أسئلة الاستبيان من بحث تم التحقق من صحته مسبقًا وهي موضحة في الملحق ، الجدول 7. تم إسقاط ثلاثة ردود بسبب المعلومات غير المكتملة عن الخبرة السابقة أسفرت عن 236 استقصاء مكتمل بالكامل.

تكونت العينة من حوالي 50 & # x25 لكل من الخريجين والجامعيين وحوالي الثلثين من الذكور. ما يقرب من 50 & # x25 يبلغون من العمر 23 عامًا أو أكبر. 93 & # x25 لديه بعض الخبرة في العمل و 99 & # x25 لديه أكثر من عام من الخبرة في الكمبيوتر ، وبالتالي تقليل الاختلافات في القيم المتغيرة للخبرة السابقة للنموذج.

على الرغم من اعتبارها أكثر من عملية تطهير البيانات بدلاً من التثليث لتحسين الأداء من خلال القضاء على الضوضاء عن طريق تقليل مجموعة البيانات المتغيرة ، تم إجراء تحليل خارجي باستخدام طريقة مخطط الصندوق [88]. تم تحديد إجابتين على أنهما قيم متطرفة ، مما أدى إلى إنتاج مجموعة بيانات عملية من 234 إجابة.

كما هو مبين في الجدول 7 في الملحق ، تم جمع ما مجموعه 14 متغيرًا مستقلاً للتنبؤ بمحرك بحث خاص فردي & # x2019. كما هو محدد في المخطط الانسيابي (انظر الشكل 2) ، تم حساب مصفوفة الارتباط لجميع المتغيرات المستقلة [60] وتشير قيم الارتباط العالي إلى أن جميع متغيرات التجربة السابقة الأربعة مترابطة. تم إسقاط التدريب المعتمد على الكمبيوتر وخبرة تطبيقات الأعمال على أنها ذات أعلى قيم الارتباط. هذا في الواقع نتيجة مثيرة للاهتمام كنتيجة طبيعية لعملية التثليث ، أي أنه مع زيادة خبرة العمل السابقة ، تزداد أيضًا تجربة تطبيقات الكمبيوتر. أدى استبعاد المتغيرات المرتبطة إلى تقليل حجم مجموعة المتغيرات المستقلة من 14 متغيرًا إلى 12 متغيرًا.

تعتمد خطوة التثليث التالية التي تحدث قبل تنفيذ نموذج ANN على كل من نوع المشكلة التي يتم حلها (على سبيل المثال ، التنبؤ أو التصنيف) والبيانات المتغيرة. مجتمع الطلاب هو مجموعة فرعية من ويقصد به إظهار ما يمكن تحقيقه باستخدام مجموعة أدوات تدريب تخطيط موارد المؤسسات بشكل عام وبالتالي توزيع السكان بشكل غير معروف. تتطلب العديد من النماذج الإحصائية البارامترية افتراض وجود مجموعة من الإجابات الموزعة بشكل طبيعي.

نمذجة المعادلة الهيكلية (SEM) هي منهجية لتحليل المتغيرات الكامنة ، والتي لا يمكن قياسها مباشرة. يعد محرك البحث المخصص وقلق الكمبيوتر أمثلة على المتغيرات الكامنة. ومع ذلك ، فإن SEM باستخدام LISREL و AMOS وحزم أخرى مماثلة تضع افتراضات للتوزيع الطبيعي للبيانات وتتطلب حجم عينة كبير نسبيًا [89]. من ناحية أخرى ، لا تفترض طريقة المربعات الصغرى الجزئية (PLS) التوزيع الطبيعي للبيانات ولا تتطلب حجم عينة كبير مثل LISREL وحزم البرامج الإحصائية المماثلة. لذلك ، تعمل SEM المستندة إلى PLS كطريقة إحصائية للتثليث لتحليل التركيبات السابقة لبيانات دراسة حالة CSE.

يستخدم PLS-SEM لتحليل نموذج القياس والنموذج الهيكلي. يحدد نموذج القياس ما إذا كانت المقاييس المستخدمة موثوقة وما إذا كانت صلاحية التمييز كافية. يقيِّم التحميل على بنائه موثوقية المؤشر. يجب أن تكون قيم التحميل 0.60 على الأقل ومن الناحية المثالية 0.70 أو أعلى للإشارة إلى أن كل مقياس يمثل 50 & # x25 أو أكثر من تباين المتغير الكامن الأساسي [89]. تم إسقاط مؤشرين لـ CSE لأن التحميلات على البناء كانت أقل من العتبة. هذا يساعد على تقليل التكلفة الإجمالية للنموذج اللاحق من خلال تقليل عدد المتغيرات المطلوبة.

في الجدول 3 ، تُظهر درجات الموثوقية المركبة موثوقية عالية للتركيبات النهائية. جميع قيم الموثوقية المركبة أكبر من 0.8 (باستثناء الخبرة السابقة التي يتم قياسها بمؤشرات تكوينية غير ذات صلة ولا يُتوقع أن ترتبط ارتباطًا وثيقًا ببعضها البعض). يُظهر قطري مصفوفة الارتباط الجذر التربيعي لمتوسط ​​التباين المستخرج (AVE). قيم الجذر التربيعي AVE أكبر من الارتباطات بين التركيبات التي تدعم الصلاحية المتقاربة والتمييزية. يتم أيضًا سرد الوسائل والانحرافات المعيارية لمقاييس الإنشاء.

الوسائل والانحرافات المعيارية والموثوقية وترابط البنى.

بناءمحرك بحث مخصصنظام التشغيلPEكاليفورنيايخطب
& # x3bc 4.504.753.363.664.24
& # x3c3 1.431.450.861.581.49
مركب
الموثوقية
0.8530.8070.7170.8940.947
محرك بحث مخصص 0.812 0.317 & # x22120.112 0.070 0.550
نظام التشغيل 0.763 0.025 0.005 0.415
PE 0.751 & # x22120.066 & # x22120.051
كاليفورنيا 0.899 0.097
يخطب 0/865

القيم الموجودة على مصفوفة الارتباطات القطرية (قيم غامقة) هي جذور تربيعية لـ AVE.

يوضح الجدول 4 عمليات التحميل والتحميل المتقاطع لتركيبات المقاييس ، والتي تتمتع بالموثوقية الكافية. جميع عمليات التحميل أكبر (بقيمة مطلقة) من 0.7 ، وهي أكبر (بقيمة مطلقة) من عمليات التحميل المتقاطعة والتي تظهر مرة أخرى صلاحية متقاربة ومميزة قوية.

الأحمال المتغيرة والشحنات المتقاطعة.

في نموذج SEM ، (انظر الشكل 3) ، تُظهر معاملات المسار التي تنتجها PLS أن المشاركة (0.492) والدعم التنظيمي (0.112) ذات دلالة إحصائية (P & # x3c 0.001). الخبرة السابقة (& # x22120.091) وقلق الكمبيوتر (0.016) ليست ذات دلالة إحصائية. تم أيضًا تقييم المتغيرات الديموغرافية للعمر والجنس في نموذج SEM الأصلي ، ولكن لم يكن أي منهما ذا دلالة إحصائية (0.012 و 0.029 ، على التوالي) وتم إزالته لاحقًا من النموذج. توضح السوابق للنموذج الموضح في الشكل 3 32 & # x25 (R 2) من التباين في CSE.

نتائج تحليل PLS-SEM.

من نموذج PLS-SEM ، يبدو أن متغيرات إنشاء المشاركة (E) أو متغيرات الدعم التنظيمي (OS) أو ربما الجمع بين هذين التركيبين سينتج أفضل نموذج ANN أداءً للتنبؤ بمحرك بحث خاص فردي & # x2019. كما هو الحال مع معظم أبحاث ANN ، يتم إنشاء العديد من معماريات العقد المخفية لمتجهات الإدخال الثلاثة المحتملة (E و OS و E و OS مجتمعة) [35 ، 39]. تبدأ كل شبكة ANN بكمية من العقد المخفية تساوي نصف عدد عقد الإدخال ويتم زيادة هذه القيمة بمقدار واحد ويتم إعادة تدريب ANN حتى يبدأ الأداء في الانحلال ، مما يشير إلى الإفراط في التعلم. يتم تدريب جميع البنى باستخدام خوارزمية التعلم backpropagation (BP) ويتوقف التدريب عندما يتم الإبلاغ عن RMSE أقل من 0.05 بواسطة خوارزمية التدريب. الهياكل التي تحتوي على عدد من العقد المخفية تساوي عدد عقد الإدخال تفوقت تقريبًا عالميًا على البنى الأخرى ، وترد عينات من هذه البنى في الشكل 4.

معماريات ANN المدربة على الانتشار العكسي للتنبؤ بالبرنامج CSE.

يتم إجراء اختبارات إضافية لتقييم شبكات ANN المدربة باستخدام منهجية تدريب وظيفة الأساس الشعاعي (RBF) ، والتي يجب أن تكون أكثر مقاومة للضوضاء وتعمل بكفاءة أكبر في حالات الاستقراء (مقابل الاستيفاء) من BP [90]. كما ذكرنا سابقًا ، تعد مقارنة نماذج ANN المتعددة وخوارزميات التعلم المختلفة الخاضعة للإشراف شكلاً من أشكال التثليث المتزامن. تفوقت شبكات ANN الخاصة بشركة BP باستمرار على شبكات ANN التابعة لـ RBF وبالتالي يتم الإبلاغ فقط عن نتائج BP ANN.

نظرًا لأن البحث مهتم بالتحقيق في التحسن الذي طرأ على أداء الشبكات العصبية الاصطناعية من خلال استخدام طريقة التثليث الإحصائية مع الشبكات العصبية الاصطناعية ، يتم أيضًا تقييم مجموعات أخرى من التركيبات لتحديد ما إذا كانت متجهات إدخال E أو OS أو E و OS تنتج بالفعل أداء التنبؤ الأمثل . تم تطوير جميع مجموعات E و OS وقلق الكمبيوتر (CA) كنماذج ANN ويتم أيضًا تنفيذ نموذج ANN إضافي يتضمن الخبرة السابقة (X).تتبع كل مجموعة من مجموعات الإنشاءات المختلفة ANNs نفس بروتوكول التدريب والتطوير المعماري المتعدد المستخدم في نماذج ANN الثلاثة المختلفة التي أوصت بها طريقة PLS-SEM. استخدمت كل تركيبة بناء بشكل موحد جميع متغيرات الإنشاء من المسح والتي لم يتم التخلص منها بواسطة مصفوفة الارتباط ، عندما كان هذا البناء المقابل جزءًا من متجه الإدخال.

بالإضافة إلى ذلك ، تم تطوير نموذج ANN الذي استخدم جميع المتغيرات الـ 14 ومقارنته بالنتائج الأخرى لمزيد من الدراسة للفائدة المكتسبة من التثليث. تتم مناقشة نتائج ما بعد ANN لزيادة أداء وفهم نموذج ANN في القسم التالي.

في هذا القسم ، يتم فحص نتائج تثليث مواصفات نموذج ما قبل ANN ويتم عرض التثليث بعد ANN لتحسين وشرح نتائج ANN.

6.1 يحدد التثليث PLS-SME بنيات الإدخال المثلى

يتم عرض أداء التنبؤ لأفضل بنية أداء لكل من شبكات ANN المختلفة التي تم تقييمها في الجدول 5. يوضح الجدول 5 أيضًا نتائج استخدام جميع المتغيرات ، بما في ذلك المتغيرات المرتبطة التي تم حذفها مسبقًا في عملية التثليث. يتم إجراء التقييم باستخدام تقنية التحقق من الصحة ذات 12 ضعفًا ، والتي يجب أن تقارب النتائج التي يمكن الحصول عليها من استخدام نموذج كان سيتم تدريبه على مجموعة السكان الكاملة ، ولكنه يحافظ على سلامة البيانات حيث يتم حجب جميع عينات التحقق من الصحة من مجموعة بيانات التدريب لنماذج ANN للتحقق المتبادل من 12 فردًا [91]. حاولت كل ANN التنبؤ بنتيجة CSE المركبة ، والتي كانت عبارة عن تجميع لمتغيرات CSE الثلاثة المحتفظ بها (بعد تحليل PLS) وكان لها نطاق من 3 إلى 21.

نتيجة تنبؤ CSE للشبكة العصبية الاصطناعية لـ 234 حالة تقييم.

بناءMAE للتنبؤ بـ CSEالتنبؤ المثالي لمحرك البحث المخصصتوقع في غضون 1 من محرك البحث المخصص
ه 1.956 20.09 & # x25 50.85 & # x25
نظام التشغيل2.34617.09 & # x2545.73 & # x25
E ، OS2.02214.96 & # x2549.15 & # x25
كاليفورنيا2.59616.67 & # x2542.74 & # x25
E ، CA2.02917.95 & # x25 51.28 & # x25
OS، CA2.41915.81 & # x2544.87 & # x25
E ، OS ، CA2.08813.68 & # x2547.86 & # x25
E ، OS ، CA ، X2.23516.67 & # x2541.03 & # x25
نموذج كامل (كل 14 متغير)3.65010.26 & # x2521.37 & # x25

[E: المشاركة ، نظام التشغيل: الدعم التنظيمي ، CA: القلق من الكمبيوتر ، X: الخبرة السابقة].

كما هو مبين في الجدول 5 ، أنتج E فقط بناء ANN ، والذي كان البناء الأكثر أهمية وفقًا للمعالجة المسبقة لـ PLS-SEM ، أصغر مصطلح متوسط ​​للخطأ المطلق (MAE) ولديه أيضًا أكبر كمية من التنبؤات المثالية للتنبؤ بـ CSE. كان الجمع بين E و OS ثاني أصغر MAE. يتم تقديم عمود إضافي في الجدول 5 يمثل الأخطاء الوشيكة لتنبؤات نموذج ANN CSE. من العمود القريب ، فإن نموذج المجموعة E و CA يحقق أداءً أفضل في التقييم الوشيك ، حيث يأتي نموذج E فقط من طراز ANN في المرتبة الثانية (لا يختلف إحصائيًا) ونموذج E و OS في المركز الثالث.

بالإضافة إلى ذلك ، يمكن ملاحظة أن استخدام جميع المتغيرات الأربعة عشر التي تم جمعها للتنبؤ بالمتغير المعتمد على محرك البحث المخصص المعدل PLS-SEM له أداء أسوأ بكثير من أي مجموعة متغيرة مخفضة. يوفر هذا دليلًا تجريبيًا قويًا على الحاجة إلى التثليث باستخدام مصفوفات الارتباط لتقليل المتغيرات والضوضاء الناتجة [45 ، 60 ، 61].

تنشأ مسألة كيفية تقييم نموذج التنبؤ الخاص بـ ANN هذا من مجموعات الإنشاءات المختلفة الموضحة في الجدول 5. استنادًا إلى MAE والتنبؤات الصحيحة أيضًا ، تمكنت المعالجة المسبقة لـ PLS-SME من تحديد أفضل مجموعة من المتغيرات المستقلة لمتجه إدخال ANN بشكل صحيح. قد لا تكون المطابقات التامة لقيمة محرك البحث الخاص أمرًا ضروريًا وقد تكون الأخطاء الوشيكة (التنبؤات ضمن إحدى القيم الفعلية) مفيدة أيضًا. إن تفسير البيانات بهذه الطريقة عن طريق إعادة حساب النتائج بناءً على تطابق تقريبي هو شكل من أشكال التثليث بعد طريقة ANN على أساس الكشف عن مجريات الأمور ، والذي يشبه من الناحية المفاهيمية تحليل الكتلة. يوضح توسيع التحليل باستخدام هذه الطريقة التجريبية اللاحقة للتشكيل أن إضافة متغيرات بناء CA تمكن ANN من تحقيق الأداء الأمثل للتنبؤ بـ CSE في غضون 1 ، على الرغم من أن نموذج E فقط ANN كان ثانيًا قريبًا جدًا.

بانسال وآخرون [13] قدم حجة قوية لتبسيط نماذج الشبكات العصبية الاصطناعية لتقليل التكلفة وتحسين تفسير النموذج الناتج وإمكانية استخدامه. نظرًا لأن بنية CA لم تحسن بشكل كبير الأداء داخل واحد لـ ANN ، فقد تكون التكلفة المخفضة لـ E فقط ANN كافية لتفوق المكاسب الصغيرة التي تحققت من خلال إضافة بنية CA. يجب موازنة فائدة تضمين قلق الكمبيوتر في نموذج توقع ANN CSE مقابل تكلفة الحصول على قياسات موثوقة لهذا البناء.

يوضح المثال السابق بشكل تجريبي أن استخدام الأساليب الإحصائية التقليدية يمكن أن يحسن بشكل كبير أداء ANN من خلال تحديد المجموعة المثلى من المتغيرات المستقلة ، أو في هذه الحالة البنيات السالفة المثلى. كانت مصفوفة الارتباط قادرة على حذف متغيرين من مجموعة إدخال المتغير التابع. نظرًا لقيود السكان والبيانات ، كان تثليث PLS-SEM المحدد قادرًا على تقليل حجم متجه المدخلات وتحديد التركيبات المثلى لإدراجها في نموذج ANN بدقة للتنبؤ بقيمة CSE الدقيقة من 3 إلى 21.

6.2 انشر ANN Triangulation لتحسين النتائج والتفسير

كما ذكرنا سابقًا ، هناك استخدام آخر للتثليث المنهجي وهو تحسين أداء أو تفسير ناتج الشبكات العصبية الاصطناعية. تظهر النتائج من الجدول 5 بالفعل أن طريقة الكشف عن مجريات الأمور بعد التشنج يمكن أن تحسن النتائج بنسبة 150 إلى 185 في المائة.

في حالة توقع محرك بحث خاص فردي & # x2019s ، قد لا تكون القيمة الرقمية الدقيقة ضرورية لاستخدام نموذج توقع ANN CSE & # x2019s الناتج ، نظرًا لتصنيف محرك البحث المخصص بشكل عام إلى مستويات أو مجموعات مثل محرك بحث مخصص عالي جدًا ، محرك بحث مخصص عالي ، CSE معتدل ، CSE منخفض ، CSE منخفض جدًا. مزيد من التحليل لنموذج التنبؤ ANN CSE المدربة من قبل شركة بريتيش بتروليوم & # x2019s الإخراج يتم تثليثها بشكل أكبر لتحديد تعريف المجموعة وتحديد ما إذا كانت هذه المعالجة الإضافية قد تحسن أداء نماذج التنبؤ ANN CSE.

يتم تطبيق قيم تحديد المستويات المختلفة لـ CSE على ثلاثة متغيرات مجمعة من CSE من المسح للتمييز بين خمسة مستويات مختلفة من CSE للسكان من منخفض جدًا إلى مرتفع جدًا (منخفض جدًا ومنخفض ومتوسط ​​وعالي وعالي جدًا). على سبيل المثال ، يتم وضع الفرد الذي حصل على درجة CSE بين 3 و 7 في مجموعة CSE منخفضة جدًا. يمكن إجراء ذلك إحصائيًا باستخدام خوارزمية التجميع k -means مع تعيين عدد المجموعات إلى 5. يتم أيضًا تحويل قيم مخرجات CSE المتوقعة إلى تصنيف مجموعة باستخدام نفس عمليات القطع التي يتم تطبيقها على استجابات المستخدم. يتم عرض نتائج تصنيف الفئات الخمس الجديدة في الجدول 6 لكل من نماذج بناء ANN المذكورة سابقًا في الجدول 5 ، مع إبراز أعلى قيم دقة التنبؤ لكل عمود.

تصنيف CSE للمجموعة مُثلثًا من إخراج ANN.

تدابير أداة المسح.

يضع توقع تصنيف مجموعة ANN CSE E -construct-only المستخدم في مجموعة CSE الصحيحة 67.95 & # x25 وضمن مجموعة واحدة 93.59 & # x25 في ذلك الوقت. تقع التوقعات المتبقية لجميع نماذج تصنيف مجموعة ANN CSE ضمن مجموعتين من التصنيف الصحيح (مما يعني أنه لا يتم تصنيف مستخدم محرك بحث خاص منخفض جدًا أو منخفض جدًا على أنه مستخدم محرك بحث خاص مرتفع جدًا ولا يتم تصنيف مستخدمي محرك بحث خاص مرتفع جدًا ومرتفع جدًا. كمستخدمي محرك بحث مخصص منخفض جدًا). وتجدر الإشارة إلى أن السوابق التقليدية لـ CSE و CA ومجموعة من OS و CA تنتج أيضًا تصنيفًا مثاليًا لمجموعة CSE مقارنة بنموذج ANN للبناء E فقط.

لم ينتج نموذج التنبؤ E-only ANN CSE مع الإخراج المثلث أعلى تنبؤات ضمن مجموعة واحدة ، على غرار الحالة مع تنبؤات قيمة CSE الدقيقة ، ولكن كان لديه ثاني أعلى أداء ومرة ​​أخرى لم يكن مختلفًا إحصائيًا عن E و CA وكذلك نماذج E و OS و CA ANN. كما ذكرنا سابقًا ، يجب تقييم التكلفة الإضافية المرتبطة بهذه المتغيرات المجمعة مقابل الحد الأدنى من زيادة الأداء لتحديد ما إذا كان PLS-SEM يبني تثليث الاختيار أم لا.

يمكن أيضًا النظر إلى تصنيفات مستوى CSE للأفراد على أنها مجموعات ضبابية [92 ، 93] ، مع وجود حدود محددة للتنسيب داخل مجموعة (أي الشروط الحدودية) غير محددة ، ولكنها محتواة. على سبيل المثال ، يمكن اعتبار الفرد الذي حصل على درجة مجمعة من CSE 17 ويعمل في بيئة نموذجية على أنه ينتمي إلى مجموعة CSE عالية جدًا ، ولكن قد يتم وضع هذا الفرد نفسه في IBM أو Texas Instruments أو Lockheed Martin في أعلى أو حتى مجموعة CSE متوسطة. يتم تمكين تداخل من نقطة إلى نقطتين بين المجموعات لمحاكاة تطبيق خوارزمية ضبابية مثلثة تعمل على تحويل النتائج إلى تدوين مجموعة ضبابية أكثر توافقًا ، مما يعني أنه يمكن النظر إلى أعضاء الحدود على أنهم ينتمون إلى مجموعتين محتملتين ، ولكن لا تزال مرتفعة تجانس الأعضاء داخل المجموعة [92]. يتم أيضًا عرض نتائج تصنيف المجموعة الغامضة في الجدول 6 ، مرة أخرى مع إبراز أعلى دقة تصنيف. تشير نتائج التصنيف الغامض مقارنة بنتائج التصنيف غير المشوشة المثالية إلى زيادة بنسبة 10 إلى 15 بالمائة في دقة التصنيف لمعظم نماذج ANN وقد تكون في النهاية نهجًا أكثر واقعية للمؤسسات في محاولة تحديد مستوى CSE للموظفين.

تقدم نتائج التصنيف الغامض المعروضة في الجدول 6 مزيدًا من الدعم التجريبي لإدراج البنية E في نموذج التنبؤ CSE ، مع أداء النموذج E -only ثاني أعلى أداء ولا يختلف إحصائيًا عن أعلى نسبة تنبؤ. يعد نموذج التفسير الغامض E و OS و CA والتفسيرات الغامضة لـ CA فقط هي الأعلى. يقدم هذا دعمًا جزئيًا للنتائج السابقة التي تفيد بأن E وربما نظام التشغيل هما أهم بنيتين. هناك نتيجة طبيعية أخرى وهي إمكانية تضمين CA كبنية مطلوبة إذا كان أداء النموذج الضبابي الأمثل مطلوبًا. تظهر نتائج PLS-SEM المعروضة في الشكل 3 أن المرجع المصدق (CA) هو البناء الآخر الوحيد الذي له تأثير إيجابي صاف على محرك البحث المخصص ، على الرغم من أن هذا صغير إلى حد ما.

قدمت هذه الورقة دليلاً على أن تثليث الأساليب يمكن أن يحسن أداء تصنيف ANN ونماذج التنبؤ. تم الإبلاغ عن دراسة حالة لحل ANN الذي يتنبأ ببرنامج CSE فردي & # x2019s لتقديم المزيد من الأدلة التجريبية على الفعالية في استخدام التثليث المنهجي عند استخدام الشبكات العصبية الاصطناعية.

استخدمت نماذج التنبؤ CSE نوعين مختلفين من طرق التثليث: (1) المعالجة المسبقة للتثليث بما في ذلك مصفوفة الارتباط والطريقة الإحصائية (PLS & # x5fSEM) للتطوير التسلسلي [32] لتحديد المجموعة المثلى من المتغيرات المستقلة لتطوير ANN نموذج التنبؤ و (2) استكشافية تجميع ما بعد ANN وربما خوارزمية مجموعة ضبابية إضافية للتوضيح المتسلسل [32] لتحسين أداء تصنيف ANN.

قلل التثليث المسبق بشكل فعال من مجموعة المتغيرات المستقلة ونجح أيضًا في تحديد البنية أو المشاركة أو E الأكثر صلة. حققت شبكات ANN BP للبناء الإلكتروني فقط الأداء الأمثل للتنبؤات المثالية بالقيمة الدقيقة أو قيمة المجموعة لمحرك بحث خاص فردي & # x2019s وحصلت على أدنى مستوى MAE. قد تساعد طريقة التجميع المثلث أيضًا في تحسين فهم ناتج ANN & # x2019 من خلال تحويله إلى تمثيل أكثر جدوى لاستراتيجيات التصنيف التي سيتبعها قسم الموارد البشرية لتحديد احتياجات التدريب على تطبيقات الكمبيوتر للموظفين [94].

مشكلة التنبؤ CSE المستخدمة لتقديم نتائج تجريبية لطرق التثليث الموصى بها ليست حالة تافهة. قياس CSE مباشرة يمثل مشكلة [66]. يوفر استخدام السوابق الخاصة بـ CSE القابلة للقياس ، مثل المشاركة ، مدخلات موثوقة لنموذج تنبؤ CSE. أظهر هذا البحث أيضًا الحاجة إلى تضمين المشاركة في نماذج البحث المستقبلية لـ CSE. يمكن بعد ذلك استخدام المخرجات اللاحقة للتنبؤ الموثوق به لمحرك البحث المخصص كمدخل لنماذج أكثر تعقيدًا لقبول التكنولوجيا ونماذج متطلبات تدريب المستخدم النهائي. يمكن للبحث المستقبلي التحقيق في استخدام CSE المتوقعة من ANN في TAM والتنبؤ بشكل أكثر دقة بسهولة الاستخدام المتصورة.

من مراجعة الأدبيات والنتائج المقدمة هنا ، يجب أن تستخدم الأبحاث المستقبلية التي تتضمن تطوير تصنيف ANN أو نماذج التنبؤ الأساليب الإحصائية المناسبة لتحديد متغيرات الإدخال لنموذج ANN. بالإضافة إلى ذلك ، عندما يكون ذلك مناسبًا ، فإن إزالة الغموض عن مخرجات ANN من خلال طرق posttriangulation يمكن أن تعمل فقط على تحسين اعتماد منهجيات ANN.

بينما ركزت هذه الورقة على كيفية تثليث الطرق الإحصائية والطرق الأخرى باستخدام ANN ، حيث تعمل ANN كنموذج أساسي للنمذجة ، يمكن أيضًا استخدام ANN نفسها كطريقة تثليث لتحسين الأساليب الإحصائية وطرق النمذجة الأخرى. دعا العديد من الباحثين [95 & # x2013 97] إلى استخدام الشبكات العصبية الاصطناعية للمساعدة في تحديد متى يكون لمجموعة الحلول خصائص غير خطية ، وبالتالي لا ينبغي نمذجتها باستخدام أساليب النمذجة الإحصائية الخطية الصارمة.

بالإضافة إلى ذلك ، يمكن استخدام الشبكات العصبية الاصطناعية لتقدير الاحتمالات اللاحقة في مشاكل التصنيف [98]. يدعي Rustum و Adeloye [99] أنه يمكن أيضًا استخدام الشبكات العصبية الاصطناعية لملء البيانات المفقودة من المجالات التي تحتوي عادةً على كميات منخفضة جدًا من البيانات وحيث قد تكون البيانات صاخبة أو مفقودة ، وبالتالي يمكن استخدام الشبكات العصبية الاصطناعية لملء البيانات المفقودة بشكل موثوق. سيؤدي ذلك بعد ذلك إلى تمكين تقنيات نمذجة البحث الأخرى ليتم تطبيقها على مجموعات أكبر وأنظف من البيانات.


استنتاج

قدمنا ​​نموذجًا فعالًا ومرنًا تم تطويره للبيانات المحدثة بشكل دوري مثل بيانات موجز المطالبة المحدثة شهريًا الصادرة عن CMS للتنبؤ بمخاطر الاستشفاء. من خلال الجمع بين تقنية النافذة المنزلقة و RSF ، يمكن أن يحقق نموذجنا قوة تنبؤ جيدة ، ويوفر مقياسًا للأهمية المتغيرة والمراقبة في الوقت الفعلي للحالة الصحية للمرضى المعرضين لمخاطر عالية. بدلاً من استخدام جميع البيانات التاريخية ، أظهرنا أن نموذجنا يستخدم فقط العديد من النوافذ الحديثة بحيث يمكنه توفير الذاكرة والقوة الحاسوبية. في غضون ذلك ، يمكن توسيع النموذج بسهولة للتعامل مع أنواع أخرى من نتائج الاهتمام مثل المتغير المستمر أو متغير نوع العد. على المدى الطويل ، نأمل أن تساعد الوقاية الناجحة من الأحداث السلبية في تقليل الأعباء المالية على دافعي الضرائب وزيادة الحالة الصحية للسكان المستهدفين.


شاهد الفيديو: انسحاب الصدر. تبرؤ من الحكومات وإعلان النهاية. أبعاد أخرى