[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت نام و اشتراک::
تماس با ما::
تسهیلات پایگاه::
بایگانی مقالات زیر چاپ::
بانک ها و نمایه نامه ها::
فرم پیش نیاز ارسال مقاله::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
بانک ها و نمایه ها
DOAJ
GOOGLE SCHOLAR
..
:: دوره 30، شماره 4 - ( 6-1404 ) ::
جلد 30 شماره 4 صفحات 573-556 برگشت به فهرست نسخه ها
طراحی مدل نقش استراتژی‌های هوش مصنوعی در خلق تجربه جدید مشتری: مطالعه‌ای با رویکرد نظریه داده بنیاد در صنعت سلامت و داروی ایران
نوید شفیعی1 ، ناصر سیف اللهی2 ، قاسم زارعی1 ، محمد باشکوه1
1- گروه مدیریت بازگانی، دانشگاه محقق اردبیلی، اردبیل، ایران
2- گروه مدیریت بازگانی، دانشگاه محقق اردبیلی، اردبیل، ایران ، Naser_seifollahi@yahoo.com
چکیده:   (1327 مشاهده)
زمینه و هدف: پیشرفت‌های فناوری هوش مصنوعی، فرصت‌های بی‌نظیری برای تحول در صنعت سلامت و دارو و خلق تجربه‌های جدید برای مشتریان ایجاد کرده است. لذا هدف از این مطالعه تعیین و طراحی مدل نقش استراتژی‌های هوش مصنوعی در خلق تجربه جدید مشتری: مطالعه­ای با رویکرد نظریه داده بنیاد در صنعت سلامت و داروی ایران بود.

روش بررسی: این پژوهش یک مطالعه کیفی و از نوع نظریه داده‌ بنیاد می‌باشد که در سال 1403 انجام شده است. داده‌ها از طریق بررسی ادبیات و مصاحبه‌های عمیق نیمه‌ساختاریافته با 20 نفر از خبرگان و متخصصان در حوزه‌های هوش مصنوعی، پزشکی و مدیریت ارشد در صنعت سلامت جمع‌آوری شد. انتخاب مشارکت‌کنندگان به روش نمونه‌گیری نظری و با در نظر گرفتن معیار اشباع نظری انجام گرفت، به این ترتیب که فرآیند نمونه‌گیری تا زمانی ادامه یافت که داده‌های جدید نتوانند به توسعه مقوله‌های موجود کمک کنند و ابعاد جدیدی از پدیده آشکار نشود. داده‌های جمع‌آوری شده با استفاده از نرم‌افزار MAXQDA تجزیه و تحلیل شدند.

یافته‌ها: تحلیل داده‌ها منجر به طراحی مدلی پارادایمی شد. پدیده محوری این پژوهش، «ارزش‌آفرینی و تمایز از طریق هوش مصنوعی» شناسایی شد. این پدیده تحت تأثیر شرایط علی(مانند فشارهای بازار و انتظارات فزاینده مشتریان) و زمینه(مانند زیرساخت‌های فناوری و قوانین حاکم) شکل می‌گیرد. عوامل مداخله‌گر(مانند مقاومت کارکنان و سوگیری الگوریتمی) نیز این مسیر را تحت تأثیر قرار می‌دهند. در پاسخ، راهبردهای اصلی شامل«تحلیل داده‌ها»، «توسعه الگوریتم‌های پیشرفته» و «ایجاد پلتفرم‌های هوشمند» شناسایی شدند. پیامدهای اجرای این مدل، بهبود نتایج بالینی، افزایش رضایت مشتری و توسعه اقتصادی است.

 نتیجه‌گیری: هوش مصنوعی ابزاری قدرتمند برای تحول صنعت سلامت و داروست، مشروط بر آن که با یک رویکرد استراتژیک و جامع پیاده‌سازی شود و عوامل انسانی، اخلاقی و قانونی به درستی مدیریت شوند. سازمان‌ها با استفاده از این مدل می‌توانند تجربه مشتری را بهبود بخشند، نتایج بالینی را ارتقا دهند و ارزش پایدار ایجاد کنند.
واژه‌های کلیدی: هوش مصنوعی، تجربه مشتری، صنعت سلامت و دارو، پلتفرم‌های هوشمند سلامت، سوگیری الگوریتمی
متن کامل [PDF 557 kb]   (77 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: عمومى
دریافت: 1403/12/15 | پذیرش: 1404/7/19 | انتشار: 1404/7/26
فهرست منابع
1. Jiang F, Jiang Y, Zhi H, Dong Y, Li A, Ma S. Artificial intelligence in healthcare: past, present and future. Nature Biomedical Engineering 2021; 5(1): 1-11.##
2. Topol EJ. Deep medicine: how artificial intelligence can make healthcare human again. 1sted. Basic Books, 2023. ##
3. Esteva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A Guide to Deep Learning in Healthcare. Nature Medicine 2023; 29(1): 25-36. ## [DOI:10.1038/s41591-018-0316-z] [PMID]
4. Shah S, Al Kuwaiti A, Nazer K, Al-Reedy A, Al-Shehri S, Al-Muhanna A, et al. The role of artificial intelligence in healthcare: a comprehensive review. Journal of Healthcare Engineering 2023; 13(6): 951. ## [DOI:10.3390/jpm13060951] [PMID] []
5. Obermeyer Z, Emanuel EJ. Predicting the future - big data, machine learning, and clinical medicine. The New England Journal of Medicine 2021; 375(13): 1216-9. ## [DOI:10.1056/NEJMp1606181] [PMID] []
6. Hinton GE. Deep learning for healthcare: review and future directions for research and practice. Journal of Biomedical Informatics 2023; 127; 22-8. ##
7. Krittanawong C. Artificial intelligence in health care: anticipating challenges to ethics, privacy, and bias. JAMA 2022; 329(6): 491-2. ##
8. Bates DW. The role of artificial intelligence in patient experience enhancement: a systematic review. Journal of Medical Internet Research 2023; 25(2): e20629. ##
9. Lee CH. The impact of artificial intelligence on patient experience: a systematic review of the literature and future directions for research and practice. International Journal of Medical Informatics 2023; 170: 22. ##
10. Choudhury A. The future of ai in healthcare: opportunities and challenges. Health Affairs 2022; 41(4): 467-75. ##
11. O'Connor JJ. The role of artificial intelligence in reducing diagnostic errors in healthcare: a review of the literature and future directions for research and practice. BMJ Quality & Safety 2023; 32(4): 296-302. ##
12. Hwang TJ. The role of artificial intelligence in clinical decision-making: a systematic review. Journal of Clinical Medicine 2021; 10(9): 76-86. ##
13. Esteva A. A guide to deep learning in healthcare. Nature Medicine 2023; 29(1): 25-36. ## [DOI:10.1038/s41591-018-0316-z] [PMID]
14. Obermeyer Z, Emanuel EJ. Predicting the future - big data, machine learning, and clinical medicine. The New England Journal of Medicine 2021; 375(13): 1216-9. ## [DOI:10.1056/NEJMp1606181] [PMID] []
15. Adams R. Ethics and law in healthcare data. New York, NY: Routledge. ISBN; 2002; 978- 9. ##
16. Smith J, Bruce A. The impact of technology on healthcare. Journal of Healthcare Technology 2018; 15(2): 25-30. ##
17. Taylor J. AI in healthcare: challenges and opportunities. Journal of AI in Medicine 2023; 10(1): 1-10. ##
18. Taylor J, Jones M. Reducing algorithmic bias in healthcare ai. Journal of Medical AI 2024; 11(3): 105-7. ##
19. Kandos J. Customer needs analysis. Journal of Marketing Research 1980; 17(3): 301-5. ##
20. Kim J. Patient trust in ai systems. Journal of Healthcare Technology 2020; 17(1): 1-8. ##
21. Smith J, Bruce A. The impact of technology on healthcare. Journal of Healthcare Technology 2028; 15(2): 25-30. ##
22. Johnson K. Ethical frameworks for ai in healthcare. Journal of Medical Ethics 2022; 48(10): 631-6. ##
23. Hall J. Strategic models for ai implementation. Journal of Healthcare Management 2025; 60(4): 251-8. ##
24. Lee S. Reducing algorithmic bias. Journal of AI Research 2019; 15(2): 12-20. ##
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Shafiei N, Seifollahi N, Zarei G, Bashekoh M. Modeling the Role of Artificial Intelligence Strategies in Creating a new Customer Experience: A Study with a Grounded theory Approach in the Iranian Health and Pharmaceutical Industry. armaghanj 2025; 30 (4) :556-573
URL: http://armaghanj.yums.ac.ir/article-1-3778-fa.html

شفیعی نوید، سیف اللهی ناصر، زارعی قاسم، باشکوه محمد. طراحی مدل نقش استراتژی‌های هوش مصنوعی در خلق تجربه جدید مشتری: مطالعه‌ای با رویکرد نظریه داده بنیاد در صنعت سلامت و داروی ایران. ارمغان دانش. 1404; 30 (4) :556-573

URL: http://armaghanj.yums.ac.ir/article-1-3778-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 30، شماره 4 - ( 6-1404 ) برگشت به فهرست نسخه ها
ارمغان دانش Armaghane Danesh
Persian site map - English site map - Created in 0.24 seconds with 37 queries by YEKTAWEB 4735