۵٫۵پتانسیل آینده برای تقویت رویکرد مشارکتی برای تأمین مالی خدمات مراقبت‌های بهداشتی
اولیه سناریوی رویکرد مشارکتی جهت تخصیص بودجه برای خدمات مراقبت‌های بهداشتی اولیه ارائه‌شده در بخش‌های ۵٫۴٫۴ و ۵٫۵٫۵ از فقدان روش مناسب برای تعیین کمیت عوامل بیرونی ذهنی، مانند قابلیت مالی امکانات مراقبت‌های بهداشتی و سیاست داخلی رنج می‌برد. جامعه. این عوامل می‌توانند تأثیر شگرفی بر در دسترس بودن مراقبت‌های بهداشتی برای جمعیت‌های خاص، مانند فقیر و کارگران مهاجر و فصلی مزارع، داشته باشند.
شکل ۵٫۹ نقشه رتبه‌بندی گزینه‌ای که نتایج رتبه‌بندی را برای استان‌های آیداهو شمالی ارائه می‌کند.
توانایی جامعه برای حفظ یک پزشک نیز عامل مهمی است. معیارهایی مانند پتانسیل درآمد، در دسترس بودن مسکن، سیستم مدارس و سایر عوامل اجتماعی، می‌توانند به تعیین اینکه آیا یک جامعه می‌تواند تأمین‌کننده‌ای را حفظ کند یا خیر، کمک کند. این عوامل خارجی، موضوع بحث‌های سنگینی در بین اعضای هیئت‌مدیره بود. به نظر می‌رسد، برخی از شهرستان‌هایی که در صدر فهرست قرار گرفته‌اند، برای اعضای هیئت‌مدیره نامناسب باشند. علاوه بر این، اعضای هیئت‌مدیره احساس کردند که برخی از معیارهای انتخاب‌شده از نظر تعیین نیاز شهرستان‌ها به بودجه، کمک چندانی نمی‌کند. آن‌ها فرض کردند که قابلیت‌های تحلیلی جدیدی در سیستم ایجاد می‌شود که به اعضای گروه اجازه می‌دهد تناسب معیارهای منتخب را از نظر قدرت توضیحی بررسی کنند. اگر درواقع، برخی از معیارها را می‌توان بدون به خطر انداختن تبعیض حذف کرد. قدرت مدل تصمیم‌گیری چندمعیاره، آنگاه نتیجه فرایند ارزیابی کمتر پیچیده خواهد بود . ما در ادامه این بخش و در حالی که نمونه اولیه نرم‌افزار را نشان می‌دهیم، به این مشکل بیشتر می‌پردازیم.
۵٫۵٫۱کاهش پیچیدگی شناختیِ مسئله تصمیم‌گیری فضایی چندمعیاره
تعیین وزن به ۱۲ معیار تصمیم گیری، مانند مورد شهرستان های آیداهو مشکل تامین مالی مراقبت های بهداشتی، ممکن است یک کار پیچیده باشد. به منظور کاهش چند بعدی بودن و در نتیجه پیچیدگی
مسئله، مایک سیستم پشتیبانی یکپارچه نگاشت (کاتوگرافی پویا،اکتشافی برای پشتیبانی تصمیم)تحلیل ایجاد کرد(جانکوسکی وهمکاران،۲۰۰۱).DECADE تصمیم گیری پویا به نام
اختصاص دادن وزن ها از طریق این واقعیت که وزن ها حتی بیشتر گیج می شوند تغییرات در محدوده مقادیر برای هر معیار ارزیابی را در نظر میگیرند، به عنوان همچنین برای درجات مختلف اهمیتی که تصمیم گیرندگان (کرکوود۱۹۹۷) به این محدوده ها می دهند.
جبرانی تکنیک ها ازنمایش ضمنی ترجیحات از طریق معیار مبادلات و سطوح MCDM از این رو، برخی از
آرزوهااستفاده می کنند(جانکوسکی،۱۹۹۹). کاهش پیچیدگی شناختی فضای نتیجه معیار را می‌توان با استفاده از روش‌های آماری استاندارد، به‌عنوان مثال، رگرسیون چندگانه و تجزیه و تحلیل متمایز به دست آورد. با این حال، این روش‌ها به یک آماردان خبره نیاز دارند تا آن‌ها را اجرا و نتایج را تفسیر کند؛ از این‌رو برای سیستم پشتیبانی تصمیم‌گیری فضایی مشارکتی که شامل کاربرانی با سطوح مختلف تخصص در روش‌های تحلیلی، مانند اعضای هیئت‌مدیره است، جذاب نیستند. ما به‌جای یک رویکرد تأییدی، استفاده از تکنیک‌های اکتشافی را از حوزه الگوریتم‌های داده‌کاوی پیشنهاد می‌کنیم. یکی از الگوریتم‌هایی که امیدوار است در کاهش فضای نتیجه معیار مفید باشد، روش درخت طبقه‌بندی C4.5 است (کوینلان ۱۹۹۳). هدف این الگوریتم، تمایز قائل شدن بین برخی از طبقات معین از اشیا و تولید توصیفات جمعی آن‌ها بر اساس مقادیر ویژگی‌های مرتبط با اعضای کلاس است. برای دستیابی به این هدف، الگوریتم سعی می‌کند از بین ویژگی‌های موجود، متمایزترین آن‌ها را انتخاب کند. در بسیاری از موارد، یک زیرمجموعه کوچک از ویژگی‌ها برای «توضیح» طبقه‌بندی معین کافی است. این ویژگی‌ها ممکن است به‌عنوان مهم‌ترین ویژگی‌ها برای توصیف کلاس‌ها در نظر گرفته شوند. قابلیت انتخاب زیرمجموعه کوچک‌تر از ویژگی‌های نماینده، می‌تواند برای اهداف کاهش پیچیدگی مورد سوءاستفاده قرار گیرد.
پیچیدگی شناختی در فضای تصمیم‌گیری جغرافیایی، به‌سادگی با تعداد گزینه‌های تصمیم‌گیری امکان‌پذیر بیان می‌شود. علاوه بر این، پیچیدگی ممکن است با روابط فضایی و الگوهای فضایی که توسط مکان گزینه‌های تصمیم‌گیری شکل می‌گیرد، نشان داده شود. نمایش عددی دقیق از تفسیر این روابط، ممکن است توسط تصمیم‌گیرندگان دشوار باشد، اما قادر به استخراج الگوها و روابط از نقشه‌ها و ادغام آن‌ها با دانش اکتشافی خود در مورد موقعیت تصمیم باشد؛ از این‌رو در سیستم پشتیبانی تصمیم گروهی، ارائه ابزارهای صریح برای بیان این دانش و گنجاندن آن به‌عنوان جزئی از تجزیه و تحلیل فضایی معیارهای چندگانه اهمیت پیدا می‌کند. پیچیدگی شناختی فضای تصمیم‌گیری جغرافیایی را می‌توان با به‌کارگیری مفهوم تسلط پارتو کاهش داد (ملکزوسکی،۱۹۹۹ ). بر اساس تسلط پارتو، گزینه تصمیم‌گیری غیر تحت‌سلطه ، گزینه‌ای است که در همه معیارهای ارزیابی، بدتر از سایر گزینه‌ها نیست و حداقل در یک معیار بهتر است. استفاده از قانون تسلط پارتو، منجر به تقسیم مجموعه گزینه‌های تصمیم به تحت‌سلطه و غیر تحت‌سلطه می‌شود.
۵٫۵٫۲کاهش ابعاد مشکل تأمین مالی مراقبت‌های بهداشتی
تخصیص وزن به ۱۲ معیار تصمیم‌گیری، مشابه مشکل بودجه مراقبت‌های بهداشتی شهرستان آیداهو، ممکن است یک کار پیچیده باشد. به‌منظور کاهش چندبعدی بودن و درنتیجه پیچیدگی مسئله، ما سیستم پشتیبانی یکپارچه نگاشت-تصمیم‌گیری پویا به نام DECADE (Dynamic, Exploratory Cartography for Decision Support) را توسعه دادیم (جانکوسکی وهمکاران،۲۰۰۱).این سیستم از نرم‌افزار نقشه‌برداری اکتشافی Descartes (Andrienko and Andrienko 1999a)، نرم‌افزار داده‌کاوی Keppler (Wrobel et al. 1996) و یک ماژول MCDM تشکیل شده است. در حال حاضر، پیوند بین سیستم‌های Descartes و Kepler به کاربر امکان می‌دهد تا از مشاهده نقشه، به استفاده از روش‌های داده‌کاوی به داده‌های نشان داده‌شده در نقشه ادامه دهد. هر زمان که ممکن بود، مشاهده و تفسیر نتایج داده‌کاوی به‌دست‌آمده در کپلر با استفاده از پیوند پویا بین نمایش‌های گرافیکی دکارت و کپلر، یعنی برجسته‌سازی هم‌زمان عناصر مربوطه در هر دو سیستم، پشتیبانی می‌شود. معماری پیوند بین دکارت و کپلر در Andrienko and Andrienko (1999b) توضیح داده شده است.
جزء MCDM سیستم بر اساس تکنیک نقطه ایده‌آل است (هوانگ و یون ۱۹۸۱). روش نقطه ایده‌آل بر مفهوم بهترین مجموعه ممکن از نتایج معیار متأثر از سه جنبه استوار است: ایده‌آل، خط الراس (یعنی بدترین ترکیب امتیازات معیار) و فواصل هر گزینه تا ایده‌آل و خط الراس ؛ درنتیجه در روش نقطه ایده‌آل، هر گزینه تصمیم‌گیری با ایده‌آل و خط الراس مقایسه می‌شود. فاصله‌های نتیجه معیار اندازه‌گیری‌شده با ایده‌آل و خط الراس، برای گزینه‌های تصمیم‌گیری محاسبه شده، سپس در معیارهای نزدیکی نسبی جمع‌آوری می‌شوند. معیار نزدیکی نشان می‌دهد که هر گزینه چقدر به ایده‌آل نزدیک است و برعکس، چقدر از خط الراس فاصله دارد؛ سپس، گزینه‌ها با شروع نزدیک‌ترین گزینه به ایده‌آل مرتب می‌شوند/ رتبه‌بندی می‌شوند: دورترین از خط الراس و پایان دادن به دورترین از ایده‌آل و نزدیک‌ترین به خط الراس. حداکثر امتیاز ارزیابی ممکن (معیار نزدیکی نسبی) ۱۰۰ و حداقل ممکن ۰ است.
کاربر، سیستم را با انتخاب معیارهای تصمیم‌گیری از لیست معیارهای منتخب و انتخاب نمایش نقشه راه‌اندازی می‌کند. سه نوع نمایش نقشه برای تجزیه و تحلیل تصمیم چندمعیاره موجود است: نقشه نتیجه گزینه‌های تصمیم، نقشه طبقه‌بندی تعاملی و نقشه نتیجه معیارها. دو مورد اول برای کاهش ابعاد مسئله تصمیم‌گیری استفاده می‌شوند که در زیر ارائه شده است. نوع سوم، نقشه تجسم یکپارچه معیارها و فضاهای تصمیم را تسهیل می‌کند و در بخش بعدی، رابط نقشه نتیجه گزینه‌های تصمیم حول نقشه‌ای سازماندهی شده است که گستره جغرافیایی موقعیت تصمیم را به تصویر می‌کشد – در این مورد، نقشه آیداهو به تفکیک شهرستان‌ها (به صفحه ۶ مراجعه کنید). در سمت چپ نقشه، کاربر پانل وزن معیار را پیدا می‌کند که فهرستی از معیارهای تصمیم‌گیری را ارائه می‌دهد (ده معیار انتخاب شده و در پانل فهرست شده‌اند). بالای هر نام معیار، یک نوار لغزنده وجود دارد که به کاربر اجازه می‌دهد وزن معیار را در محدوده مقدار (۰، ۱) انتخاب/ تنظیم کند. تنظیم یک وزن باعث می‌شود که تمام وزن‌های دیگر به‌طور خودکار، مقادیر متناسب با مقادیر خود را قبل از تنظیم تغییر دهند. فلش اشاره‌گر شمال شرقی، در سمت چپ لغزنده وزن، معیار سود را نشان می‌دهد (منافع به معنای حداکثر شدن مقادیر معیار است). کاربر می‌تواند به‌راحتی جهت معیارها را با یک کلیک ماوس تغییر دهد (از حداکثر به حداقل). پانل سمت چپ مقادیر معیار، نتایج را برای شهرستان‌های آیداهو (در این مورد، گزینه تصمیم‌گیری) در نمودار مختصات موازی نشان می‌دهد. هر سه پانل- نقشه، وزن معیار و نتایج گزینه تصمیم- به صورت پویا یکپارچه هستند؛ به این معنا که هر اقدامی (مثلاً انتخاب گزینه، تغییر وزن) در یک پانل، بلافاصله روی دو پانل دیگر منعکس می‌شود. چنین سطحی از تعامل، امکان کاوش هم‌زمان نتایج گزینه تصمیم (گراف) و فضای تصمیم‌گیری جغرافیایی (نقشه) را فراهم می‌کند و نتایج گزینه تصمیم به صورت پویا ادغام می‌شوند.
در نسخه صفحه‌نمایش ارائه‌شده در صفحه ۶، کاربر در پانل نتیجه گزینه تصمیم ۱۱ شهرستان را با بالاترین امتیاز ارزیابی نهایی انتخاب می‌کند. خطوط تقسیم‌شده سفید، این شهرستان‌ها را برجسته می‌کند و امتیاز نهایی می‌تواند باشد از محور پایین خوانده می‌شود، از ۰ تا ۱۰۰ مقیاس شده است. خطوط در پانل نتیجه گزینه تصمیم را می‌توان به‌عنوان مسیرهای نتایج گزینه تصمیم در نظر گرفت. توزیع آن‌ها را می‌توان به‌راحتی در امتداد هر محور معیار مطالعه کرد و تأثیر آن معیار را بر نتیجه ارزیابی نهایی به دست آورد. هرگونه تغییر اوزان باعث می‌شود که امتیاز ارزیابی نهایی مجدداً محاسبه شود و ترتیب شهرستان‌ها در امتداد محور امتیاز نهایی تغییر کند. این امر، تجزیه و تحلیل حساسیت را تسهیل می‌کند که در آن، کاربر ممکن است گروهی از مسیرها را انتخاب کند که نشان‌دهنده شهرستان‌های خاص است و آزمایش کند که آیا تغییر جزئی در وزن معیار، باعث تغییر در امتیاز نهایی شهرستان‌های انتخاب‌شده می‌شود یا خیر.
۱۱ شهرستان انتخاب‌شده نیز در نقشه آیداهو قابل مشاهده است.
حاشیه‌ها با خطوط سفید – مطابق با شهرستان‌های انتخاب‌شده در نمودار مختصات موازی برجسته می‌شوند. نقشه به صورت پویا در پاسخ به تغییرات وزن معیار و نمرات نهایی به‌روز شده است. طراحی نقشه بر اساس طرح رنگی دورنگی است که می‌تواند توسط کاربر تنظیم شود. در مثالی که در اینجا مورد بحث قرار گرفت، رنگ قرمز روشن به گزینه‌های تصمیم‌گیری با امتیاز ارزیابی نهایی بالا و رنگ خاکستری تیره به گزینه‌هایی با امتیاز نهایی پایین اختصاص داده شد. مرز شهرستان با رتبه برتر (واشنگتن) با رنگ زرد مشخص شده است و نتایج معیار آن در زیر نقشه نمایش داده می‌شود. مسیر مربوطه نشان‌دهنده نتایج معیار نیز به رنگ زرد نمایش داده می‌شود. چنین انتخابی را می‌توان برای هر گزینه تصمیم‌گیری از روی نقشه یا از پانل نتیجه گزینه تصمیم‌گیری انجام داد.
نوع دیگری از نقشه پشتیبانی از تجزیه و تحلیل تصمیم فضایی و نقشه طبقه‌بندی تعاملی در DECADE در دسترس است (به صفحه ۷ مراجعه کنید). در نقشه طبقه‌بندی تعاملی به تصمیم‌گیرنده اجازه می‌دهد تا گزینه‌های تصمیم‌گیری را بر اساس توزیع نمرات نهایی و اکتشافی در طبقات گروه‌بندی کند که توسط ساختار مدل تصمیم گرفته نمی‌شوند. در سناریوی تصمیم‌گیری ارائه‌شده، کاربر هشت شهرستان با امتیاز برتر را به دسته «قابل تأمین مالی» و دو شهرستان با امتیاز بالا را به دسته «تقریباً قابل تأمین مالی» اختصاص داده و ۳۴ شهرستان باقی‌مانده به‌عنوان غیرقابل مالی طبقه‌بندی شدند.
طبقه‌بندی شهرستان‌های آیداهو در تعاملی ارائه شده است نقشه طبقه‌بندی با استفاده از نتایج ارزیابی چندمعیاره و اکتشافی کاربر به دست آمد. حال، این سؤال مطرح می‌شود که آیا می‌توان با معیارهای ارزیابی کمتری، طبقه‌بندی مشابه را به دست آورد؟ اگر چنین است، ممکن است پیچیدگی شناختی مسئله تصمیم با حذف معیارهای نامربوط کاهش یابد. معیارهای ارزیابی کمتر، به معنای دشواری کمتر در تخصیص وزن معیار و عدم اطمینان کمتر در قضاوت است؛ به‌ویژه اگر در بین معیارهای حذف‌شده، معیارهایی باشند که نیاز به تخمین/ پیش‌بینی نتایج معیار دارند. راه‌حل پیشنهادی برای مشکل کاهش پیچیدگی معیارهای چندگانه، ارائه نقشه طبقه‌بندی تعاملی با جدول تصمیم (شامل تمام معیارهای ارزیابی اولیه مورد استفاده) به الگوریتم طبقه‌بندی درخت تصمیم C4.5 است (کوینلان ۱۹۹۳). این الگوریتم، گزینه‌های تصمیم (شهرستان‌ها) را با مرتب‌سازی درخت از ریشه به گره برگ طبقه‌بندی می‌کند که طبقه‌بندی گزینه‌ها را فراهم می‌سازد. هر گره در درخت، تست معیار ارزیابی مربوطه را مشخص می‌کند و هر شاخه‌ای که از آن گره پایین می‌آید، با یکی از مقادیر ممکن برای این معیار مطابقت دارد. یک گزینه تصمیم‌گیری با انتخاب متمایزترین معیار (معیاری که دارای بالاترین قدرت تمایز است)، تقسیم گزینه‌های تصمیم به دو شاخه بر اساس شرط آزمون، یافتن در متمایزترین شاخه معیار بعدی و تکرار این فرایند طبقه‌بندی می‌شود. همچنین، گره‌های بیشتر را که نشان‌دهنده معیارهای متمایز است، می‌توان یافت.
نرم‌افزار DECADE به کاربر اجازه می‌دهد تا الگوریتم C4.5 را مستقیماً از نقشه طبقه‌بندی تعاملی اجرا کند. قبل از اینکه درختی باشد کاربر باید معیارهای ارزیابی مورد استفاده را انتخاب کند . نتیجه برای شهرستان‌های آیداهو و ۱۲ معیار ارزیابی، نشان می‌دهد که تنها سه معیار مرتبط برای طبقه‌بندی ارائه‌شده در صفحه ۶ وجود دارد: ۱) نرخ تولد پایین، ۲) جمعیت بیشتر از ۳۵ مایل از نزدیک‌ترین بیمارستان و ۳) نرخ فقر (نگاه کنید به شکل ۵٫۱۰)؛ به عبارت دیگر، طبقه‌بندی را می‌توان با سه معیار «تبیین» کرد. از نظر عملی، می‌توان انتظار داشت که به‌جای استفاده از سه معیار نشان داده‌شده در درخت تصمیم، طبقه‌بندی مشابهی به دست آورد- کاهش قابل توجهی از ابعاد مسئله. معیار گره برتر در شکل ۵٫۱۰ (نرخ زاد و ولد پایین)، ۴۴ شهرستان آیداهو را در دو شاخه تقسیم می‌کند: ۳۵ شهرستان که نرخ پایین زاد و ولد برابر با ۶٫۳۵ کل تولدها بوده و ۹ شهرستان که نرخ پایین زاد و ولد بیش از ۶٫۳۵ بوده است. شاخه اول به گره «جمعیت در فاصله ۳۵مایلی از نزدیک‌ترین بیمارستان» و دومی به گره «نرخ فقر» منتهی می‌شود. شرایط آزمایش در این دو گره، منجر به چهار شاخه منتهی به گره‌های برگ می‌شود. به‌عنوان مثال، شرط گره بالا، «نرخ تولد پایین بیشتر از ۶٫۳۵» به همراه گره سطح دوم، «فقر جمعیت»، ۹ شهرستان را طبقه‌بندی می‌کند. سپس، این شهرستان‌ها به زیرگروهی از دو شهرستان که به کلاس «غیرقابل تأمین مالی» تعلق دارند و هفت شهرستان که شش شهرستان آن به کلاس «قابل تأمین مالی» و یکی به کلاس «نزدیک به تأمین مالی» تعلق دارند، تقسیم می‌شوند (شکل ۵٫۱۰ را ببینید). توزیع گزینه‌های تصمیم‌گیری در هر گره درخت را می‌توان در نقشه نتیجه گزینه‌های تصمیم نمایش داد (شکل ۵٫۱۱ را ببینید). در مثال ارائه‌شده، هفت شهرستان از سمت راست گره برگ (در شکل ۵٫۱۰) با خط مرزی سفید در شکل ۵٫۱۱ مشخص شده‌اند.
به‌منظور آزمایش اثربخشی ابعاد معیار کاهش‌یافته، کاربران می‌توانند گزینه‌های تصمیم را مجدداً با استفاده از معیارهای درخت تصمیم ارزیابی کنند. در سناریوی تصمیم‌گیری ارائه‌شده، مجدداً مورد ارزیابی قرار گرفتیم.
شکل ۵٫۱۰ درخت تصمیم برای طبقه‌بندی شهرستان‌های آیداهو شامل سه زیرگروه: سرمایه‌پذیر، نزدیک به سرمایه و غیرقابل تأمین مالی.
شکل ۵٫۱۱ توزیع گزینه‌های تصمیم‌گیری در هر گره درخت تصمیم را می‌توان در نقشه نتیجه گزینه‌های تصمیم نمایش داد.
نیاز به بودجه شهرستان‌های آیداهو با استفاده از سه معیار موجود در درخت تصمیم (شکل ۵٫۱۲). در مرحله بعد، نتیجه ارزیابی مجدد را با ارزیابی اولیه به دست‌آمده با استفاده از ده معیار ارزیابی مقایسه کردیم (به Plate 6 مراجعه کنید). نتایج مقایسه در پلاک ۸ ارائه شده است. درمجموع، ۱۲ شهرستان در دو ارزیابی انتخاب شدند. از بین ۱۲ شهرستان، هشت شهرستان در اولین ارزیابی (با ده معیار) و در ارزیابی مجدد (با سه معیار) انتخاب شدند. این ۶۷ توافق بین دو ارزیابی را تشکیل می‌دهد. ما هر دو ارزیابی را با استفاده از مجموعه وزن‌های مختلف تکرار کرده و نتایج بسیار مشابهی به دست آوردیم که اطمینان کافی برای کاهش تعداد معیارهای ارزیابی و درنتیجه، ساده‌سازی پیچیدگی مسئله را به ما می‌دهد.
در مرحله بعدی فرایند تصمیم‌گیری چندمعیاره اکتشافی، کاربران می‌توانند در تعیین وزن معیارها و آزمایش حساسیت تغییرات وزن بر روی نتایج گزینه تصمیم نهایی مشارکت کنند (به صفحه ۹ مراجعه کنید).