چارچوب مبتنی بر داده برای شناسایی و اولویت‌بندی فرصت‌های RPA در فرآیندهای بهداشتی

چارچوبی داده‌محور برای شناسایی و اولویت‌بندی فرصت‌های RPA در فرآیندهای بهداشتی ماریا الژاندرا گومز، خوان مانوئلو کاسترو مقدمه: اتوماسیون رباتیک فرآیندها (RPA) به‌طور گسترده‌ای برای کاهش بار اداری در بیمارستان‌های ایالات متحده به کار گرفته می‌شود؛ با این حال، تخمین زده می‌شود که ۳۰ تا ۵۰ درصد از ابتکارهای RPA عملکرد ضعیفی داشته باشند. علت این امر آن است که فرآیندها به‌صورت غیررسمی و بدون متدی تکرارپذیر برای ثبت کاندیداها، اولویت‌بندی آن‌ها، تطبیق هر فرآیند با سطح اتوماسیون مناسب (مانند یک ربات پایتون، هماهنگ‌کننده‌های متن‌باز نظیر n8n، یا پلتفرم‌های سازمانی مانند UiPath) و پیش‌بینی بازگشت مالی پیش از تخصیص منابع، انتخاب می‌شوند. ما یک چارچوب چهاربخشی داده‌محور را پیشنهاد می‌کنیم که این تصمیمات را یکپارچه می‌سازد: نخست، یک تاکسونومی فرآیندی شامل بیست فرآیند تکرارشونده بیمارستانی در پنج جریان ارزش؛ دوم، یک واحد اولویت‌بندی که «شاخص سازگاری اتوماسیون» را از یک ماتریس فرآیند سلسله‌مراتبی تحلیلی (AHP) با بررسی صریح یکپارچگی استخراج می‌کند؛ سوم، یک واحد انتخاب سطح ابزار که کم‌هزینه‌ترین فناوریِ کافی برای پاسخگویی به پیچیدگی، یکپارچگی و مطابقت یک فرآیند را توصیه می‌کند؛ و چهارم، یک واحد بازگشت سرمایه (ROI) که فارغ از صرفه‌جویی در نیروی کار، هزینه‌های جلوگیری‌شده از خطا، بازگشت سرمایه و ارزش فعلی خالص (NPV) را کمی‌سازی می‌کند. این چارچوب بر روی یک سبد (Portfolio) تجمعی مصنوعی که تمامی بیست فرآیند را پوشش می‌دهد، به همراه یک معماری مرجع جریان داده که آن را به سیستم‌های EHR/پرداختگر/ERP بیمارستانی متصل می‌کند، ارزیابی شده است: ۱۲ فرآیند از ۲۰ مورد، از آستانه اولویت عبور کردند؛ رتبه‌بندی در برابر تغییرات ±۲۰ درصدی وزن‌ها مقاوم است (همبستگی اسپیرمن ۰.۸۳، حفظ ۹۷.۷ درصدی مجموعه top-5 در ۲۰۰۰ تلاش مونت‌کارلو)؛ شاخص ریسک اتوماسیون، چهار فرآیند مؤثر را در وضعیت ریسک بحرانی نشان می‌دهد؛ بهینه‌سازی سبد با محدودیت بودجه نشان می‌دهد که NPV نمونه‌محور به دلیل افزایش هزینه‌ها از ۴۰۰ هزار دلار به ۱.۰۳ میلیون دلار کاهش می‌یابد؛ و تحلیل مونت‌کارلو دوم نشان می‌دهد که NPV سبد در نیمه اول توزیع باقی می‌ماند. این چارچوب ترکیبی مفهومی از ادبیات موضوعی است تا ابزاری که بر داده‌های واقعی بیمارستانی تنظیم شده باشد؛ ما در ادامه در مورد حاکمیت HIPAA و برنامه تحقیقاتی برای تأیید تجربی بحث می‌کنیم. یک پیاده‌سازی مکمل به زبان پایتون همراه با این مقاله ارائه شده است. References: Subjects: Artificial Intelligence (cs.AI); Computation and Language (cs.CL) ACM classes: I.2.1; H.4.2 Cite as: arXiv:2609.09137 [cs.AI] (یا arXiv:2609.09137v1 [cs.AI] برای این نسخه) https://doi.org/10.48550/arXiv.2609.09137 Comments: ارائه مقاله کدهای مرتبط منابع مرتبط شبکه‌های مرتبط نمودارهای شبکه تحلیل‌های مونت‌کارلو دوم فرآیندهای مرتبط منابع دیجیتال --- (Litmaps چیست؟) scite.ai گزینه‌کننده scite یادداشت‌های هوشمند (Smart Notes چیست؟) کد، داده و رسانه‌های مرتبط با این مقاله alphaXiv گزینه‌کننده alphaXiv (alphaXiv چیست؟) پیوندهای کد گزینه‌کننده CatalyzeX Code Finder for Papers (CatalyzeX چیست؟) DagsHub گزینه‌کننده DagsHub (DagsHub چیست؟) GotitPub گزینه‌کننده Gotit.pub (GotitPub چیست؟) Huggingface گزینه‌کننده Hugging Face (Huggingface چیست؟) ScienceCast گزینه‌کننده ScienceCast (ScienceCast چیست؟) نمونه‌ها (Demos) گزینه‌کننده Replicate (Replicate چیست؟) Spaces گزینه‌کننده Hugging Face Spaces (Spaces چیست؟) Spaces گزینه‌کننده TXYZ.AI (TXYZ.AI چیست؟) مقالات مرتبط ابزارهای پیشنهاد و جستجو پیوند به Influence Flower (Influence Flower چیست؟) گزینه‌کننده اصلی CORE Recommender (CORE چیست؟) نویسنده مکان انتشار موضوع درباره arXivLabs arXivLabs: پروژه‌های آزمایشی با همکاری جامعه arXivLabs؛ arXivLabs چارچوبی است که به همکاران اجازه می‌دهد ویژگی‌های جدید arXiv را مستقیماً در وب‌سایت ما توسعه داده و به اشتراک بگذارند. تمامی افراد و سازمان‌هایی که با arXivLabs همکاری می‌کنند، ارزش‌های ما شامل شفافیت، جامعه‌محوری، تعالی و حریم خصوصی داده‌های کاربران را پذیرفته و از آن حمایت کرده‌اند. arXiv متعهد به این ارزش‌هاست و تنها با شرکایی همکاری می‌کند که به این اصول پایبند باشند. آیا ایده‌ای برای پروژه‌ای دارید که ارزشی به جامعه arXiv بیفزاید؟ درباره arXivLabs بیشتر بدانید. کدام نویسندگان این مقاله حامی (Sponsors) هستند؟ | غیرفعال کردن MathJax (MathJax چیست؟)