شناسایی و رتبه‌بندی ریسک‌های استفاده از سیستم‌های هوش مصنوعی در مدیریت پسماندهای بیمارستانی با استفاده از رویکرد تصمیم‌گیری چند شاخصه (مطالعه موردی: بیمارستان‌های دانشگاه علوم پزشکی زاهدان)

زمینه و هدف: یکی از کاربردهای اصلی هوش مصنوعی در حوزه مدیریت بهینه پسماندهای بیمارستانی است که به پیش‌‎بینی حجم و نوع پسماندها می‌‎پردازد. هدف این مطالعه، شناسایی و رتبه‌‎بندی ریسک‌‎های استفاده از سیستم‌‎های هوش مصنوعی در مدیریت پسماندهای بیمارستانی با استفاده از رویکرد تصمیم‌‎گیری چند شاخصه می‌‎باشد.مواد و روش‌‎ها: این مطالعه از نوع توصیفی و مقطعی است که در سال 1402 در دو بیمارستان علی ابن ابیطالب و خاتم‌‎الانبیاء شهرستان زاهدان صورت گرفته است. تعداد 10 نفر از پرسنل این دو بیمارستان به عنوان اعضای خبره پنل دلفی انتخاب گردیدند که به منظور وزن‌‎دهی ریسک‌‎ها از روش آنتروپی شانون و جهت رتبه‌‎بندی ریسک‌‎ها از روش تاپسیس استفاده گردید.نتایج: در این مطالعه به‌منظور تعیین میزان اتفاق‌نظر میان اعضای پنل دلفی، از ضریب هماهنگی کندال استفاده شد. نتیجه ضریب کندال برای مرحله اول، دوم و سوم دلفی به ترتیب برابر با 6.3، 7.1 و 7.3 بود. وزن‌‎دهی شاخص‌‎ها با استفاده از مراحل روش آنتروپی شانون و بر اساس سه شاخص شدت تاثیر (0.3)، احتمال وقوع (0.4) و احتمال کشف (0.32) انجام پذیرفت. سپس جهت رتبه‌‎بندی ریسک‌‎های شناسایی‌‎شده بر اساس روش تاپسیس مهم‌‎ترین ریسک‌‎ها به ترتیب زیرساخت‌‎های لازم (0.847)، نیاز به داده‌‎های دقیق و کامل (0.751) و بودجه (0.749) بودند.نتیجه‌‎گیری: مدیران مراکز بهداشتی و درمانی با استفاده از روش‌‎های تصمیم‌‎گیری چند شاخصه قادر خواهند بود تا به شناسایی و رتبه‌‎بندی ریسک‌‎های استفاده از سیستم‌‎های هوش مصنوعی در مدیریت پسماندهای بیمارستانی بپردازند و با توجه ‌به اولویت‌‎ها، جهت تقویت مدیریت پسماندها بپردازند.

identifying and ranking the risks of using artificial intelligence systems in hospital waste management using a multi-criteria decision-making approacha case study of hospitals affiliated with zahedan university of medical sciences

background and purpose: artificial intelligence (ai) plays a crucial role in the optimal management of hospital waste, particularly in predicting the volume and type of waste generated. this study aims to identify and rank the risks associated with the use of ai systems in hospital waste management by employing a multi-criteria decision-making approach.methods: this descriptive, cross-sectional study was conducted in 2023 (1402 in the iranian calendar) at two hospitals, ali ibn abitaleb and khatam al-anbiah, in zahedan. ten hospital staff members were selected as expert participants for the delphi panel. the shannon entropy method was utilized for risk weighting, and the topsis method was applied to rank the identified risks.results: kendall’s coordination coefficient was used to assess the level of consensus among the delphi panel members, with the coefficient values for the first, second, and third delphi rounds being 6.3, 7.1, and 7.3, respectively. the indicators were weighted using the shannon entropy method, based on three criteria: impact intensity (0.3), probability of occurrence (0.4), and detection probability (0.32). the topsis method was then employed to rank the identified risks, with the most significant risks being the need for necessary infrastructure (0.847), the requirement for accurate and complete data (0.751), and budget constraints (0.749).conclusion: by applying multi-criteria decision-making methods, healthcare managers can effectively identify and prioritize the risks associated with using ai systems in hospital waste management, enabling them to focus on strengthening waste management practices based on these priorities.