بهینه‌سازی مکان‌یابی و گونه‌شناسی مراکز درمانی با رویکرد تلفیقی یادگیری ماشین و ریخت‌شناسی شهری: مطالعه موردی شهر بروجرد

سعیده  روان مرد; محمد جلیلی; فرهاد  کاروان; حسین   یاراحمدی

نویسندگان

سعیده روان مرد گروه معماری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران نویسنده https://orcid.org/0009-0008-8191-431X
محمد جلیلی گروه معماری، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران https://orcid.org/0000-0002-6840-8331
فرهاد کاروان گروه معماری، واحد همدان، دانشگاه آزاد اسلامی، همدان، ایران. نویسنده https://orcid.org/0000-0003-0849-1767
حسین یاراحمدی گروه مهندسی کامپیوتر، واحد بروجرد، دانشگاه آزاد اسلامی، بروجرد، ایران نویسنده https://orcid.org/0000-0002-0722-7596

کلمات کلیدی:

مراکز درمانی, برنامه‌ریزی پیشرفته, ریخت‌شناسی شهری, یادگیری ماشین, سیستم اطلاعات جغرافیایی (GIS)

چکیده

هدف پژوهش حاضر، بهینه‌سازی مکان‌یابی و گونه‌شناسی مراکز درمانی شهر بروجرد از طریق تلفیق الگوریتم‌های یادگیری ماشین، تحلیل‌های سامانه اطلاعات جغرافیایی و شاخص‌های ریخت‌شناسی شهری بود. این پژوهش کاربردی با طرح توصیفی–تحلیلی و رویکرد فضایی انجام شد. جامعه تخصصی شامل 30 نفر از متخصصان برنامه‌ریزی شهری، جغرافیا و سامانه اطلاعات جغرافیایی و مدیریت خدمات بهداشتی و درمانی بود که به روش هدفمند انتخاب شدند. محدوده شهر به سلول‌های 50 × 50 متر تقسیم و 2400 نقطه فضایی متوازن، شامل 1200 نقطه مناسب و 1200 نقطه نامناسب، برای مدل‌سازی استخراج شد. متغیرها شامل کمبود خدمات، تراکم جمعیت، زمان دسترسی شبکه‌ای، ساختار معابر، اختلاط کاربری، اندازه بلوک و نفوذپذیری بافت بودند. از تحلیل نزدیک‌ترین همسایه، موران جهانی، تحلیل شبکه، ماشین بردار پشتیبان، جنگل تصادفی، تقویت گرادیانی حدی و مدل تلفیقی وزن‌دار استفاده شد. نسبت نزدیک‌ترین همسایه برای کل مراکز 0.68 و مقدار Z برابر با -5.62 بود که الگوی خوشه‌ای معناداری را نشان داد (p < 0.001). شاخص موران جهانی نیز برابر با 0.39 و معنادار بود (p < 0.001). مدل تلفیقی با صحت آزمون 0.932، حساسیت 0.936، ویژگی 0.928، امتیاز F1 برابر با 0.932، کاپای 0.864 و سطح زیر منحنی 0.976 بهترین عملکرد را داشت. توافق مدل و متخصصان با کاپای 0.817 تأیید شد و همبستگی رتبه‌بندی آنها 0.862 بود (p < 0.001). اجرای سناریوی پیشنهادی، پوشش مطلوب را از 72.13 درصد به 89.46 درصد افزایش داد. تلفیق یادگیری ماشین و ریخت‌شناسی شهری چارچوبی دقیق، تفسیرپذیر و پایدار برای شناسایی پهنه‌های اولویت‌دار و تعیین گونه مناسب مراکز درمانی فراهم کرد و می‌تواند به کاهش نابرابری فضایی و بهبود دسترسی درمانی در بروجرد کمک کند.

دانلودها

دسترسی به دانلود اطلاعات مقدور نیست.

مراجع

1. Bazargan M. A case study on accessibility of medical and healthcare facilities in Mashhad using GIS. Studies of Architecture, Urbanism and Environmental Sciences Journal. 2018;1(1):39-48.

2. Browner WS, Li J, Mangano DT, Hollenberg M, Tubau JF, Leung JM, et al. In-hospital and long-term mortality in male veterans following noncardiac surgery. JAMA. 1992;268(2):228-32.

3. Casali PG, Blay JY, Abecassis N, Bajpai J, Bauer S, Biagini R, et al. Gastrointestinal stromal tumours: ESMO-EURACAN-GENTURIS clinical practice guidelines for diagnosis, treatment and follow-up. Annals of Oncology. 2022;33(1):20-33.

4. Motta JP, Wallace JL, Buret AG, Deraison C, Vergnolle N. Gastrointestinal biofilms in health and disease. Nature Reviews Gastroenterology & Hepatology. 2021;18(5):314-34.

5. Pevsner N. A history of building types. Princeton: Princeton University Press; 2023.

6. Carta M. Homo Urbanus. Rome: Donzelli Editore; 2022.

7. Chaturvedi V, de Vries WT. Machine learning algorithms for urban land use planning: A review. Urban Science. 2021;5(3):68.

8. Podrasa D, Zeile P, Neppl M, editors. Machine learning for land use scenarios and urban design. Proceedings of REAL CORP 2021, 26th International Conference on Urban Development, Regional Planning and Information Society; 2021; Vienna.

9. He W, Chen M. Advancing urban life: A systematic review of emerging technologies and artificial intelligence in urban design and planning. Buildings. 2024;14(3):835.

10. Ramlakhan SL, Saatchi R, Sabir L, Ventour D, Shobayo O, Hughes R, et al. Building artificial intelligence and machine learning models: A primer for emergency physicians. Emergency Medicine Journal. 2022;39(5):e1.

11. Demarquet M, Fraticelli L, Freyssegne J, Claustre C, Martinez M, Duchenne J, et al. Discovering the underlying typology of emergency departments. BMC Medical Research Methodology. 2021;21(1):116.

12. AbouKorin SAA, Han H, Mahran MGN. Role of urban planning characteristics in forming pandemic resilient cities: Case study of COVID-19 impacts on European cities within England, Germany and Italy. Cities. 2021;118:103324.

13. Sun P, Lu X, Xu C, Sun W, Pan B. Understanding of COVID-19 based on current evidence. Journal of Medical Virology. 2020;92(6):548-51.

14. Watson AR, Wah R, Thamman R. The value of remote monitoring for the COVID-19 pandemic. Telemedicine and e-Health. 2020;26(9):1110-2.

15. Shamayleh A, Awad M, Farhat J. IoT based predictive maintenance management of medical equipment. Journal of Medical Systems. 2020;44(4):72.

16. Zini M, Carcasci C. Machine learning-based energy monitoring method applied to the HVAC systems electricity demand of an Italian healthcare facility. Smart Energy. 2024;14:100137.

17. Biswas MHA, Dey PR, Islam MS, Mandal S. Mathematical model applied to green building concept for sustainable cities under climate change. Journal of Contemporary Urban Affairs. 2022;6(1):36-50.

18. Huang B, Lei J, Ren F, Chen Y, Zhao Q, Li S, et al. Contribution and obstacle analysis of applying BIM in promoting green buildings. Journal of Cleaner Production. 2021;278:123946.

19. Hwang YJ, Jeong JW. Energy saving potential of radiant floor heating assisted by an air source heat pump in residential buildings. Energies. 2021;14(5):1321.

20. Xu S. Three-dimensional visualization algorithm simulation of construction management based on GIS and VR technology. Complexity. 2021;2021:6631999.