فرآیندکاوی در شبیه‌سازی فرآیندهای مراقبت‌های سلامت: یک مرور روایتی ساختارمند بر روندها، موانع و فرصت‌ها

نوع مقاله : Systematic Review

نویسنده
محسن محمدی
دانشیار، فناوری اطلاعات، گروه کامپیوتر، مجتمع آموزش عالی فنی مهندسی اسفراین، اسفراین، ایران
10.48305/him.2026.46060.1380
چکیده
با افزایش پیچیدگی نظام‌های مراقبت سلامت، به‌کارگیری روش‌های تحلیلی پیشرفته برای بهبود کارایی، کیفیت خدمات، پیامدهای بیماران و تخصیص منابع اهمیت بیشتری یافته است. در این زمینه، فرآیندکاوی و شبیه‌سازی فرآیند به‌عنوان دو رویکرد داده‌محور، ظرفیت قابل توجهی برای تحلیل و بهبود فرآیندهای سلامت دارند. هدف این مقاله بررسی امکان و مزایای تلفیق این دو رویکرد در پشتیبانی از تصمیم‌گیری مبتنی بر داده در مراقبت سلامت است.



این مطالعه با رویکرد مروری تحلیلی انجام شده و مفاهیم پایه فرآیندکاوی و شبیه‌سازی، چارچوب ادغام آن‌ها، کاربردها، چالش‌های اجرایی و فرصت‌های پژوهشی آینده را بررسی می‌کند. یافته‌ها نشان می‌دهد فرآیندکاوی با استخراج دانش از داده‌های رخدادی، کشف مسیرهای واقعی ارائه خدمت، شناسایی گلوگاه‌ها، ارزیابی انطباق فرآیندهای واقعی با استانداردهای بالینی و استخراج پارامترهای تجربی، می‌تواند دقت و اعتبار مدل‌های شبیه‌سازی را افزایش دهد. از سوی دیگر، شبیه‌سازی امکان آزمون سناریوهای مختلف بهبود، پیش‌بینی پیامدهای عملیاتی، تحلیل جریان بیمار و بهینه‌سازی منابع را پیش از اجرای واقعی تغییرات فراهم می‌سازد.




مقدمه: با پیچیده‌تر شدن نظام‌های مراقبت سلامت، بهره‌گیری از روش‌های تحلیلی برای بهبود کارایی، کیفیت خدمات، پیامدهای بیماران و تخصیص منابع ضروری شده است. این مقاله ظرفیت تلفیق فرآیندکاوی و شبیه‌سازی فرآیند را به‌عنوان دو رویکرد داده‌محور برای تحلیل، ارزیابی و پشتیبانی از تصمیم‌گیری در مراقبت سلامت بررسی می‌کند.
روش بررسی: این مطالعه به روش مروری روایتی-تحلیلی و ساختارمند انجام شد. در این پژوهش، نه‌تنها مبانی نظری فرآیندکاوی و شبیه‌سازی فرآیند تبیین شده، بلکه با نقد و سنتز شواهد موجود، چارچوب هم‌افزای ادغام این دو رویکرد، کاربردهای بالینی، چالش‌های ساختاری و فرصت‌های آتی مورد تحلیل انتقادی قرار گرفته است. تمرکز اصلی بر واکاوی نقش فرآیندکاوی در استخراج دانش از داده‌های رخدادی و ارزیابی انتقادیِ چگونگی بهره‌گیری از آن در طراحی و اعتبارسنجی مدل‌های شبیه‌سازی است.
یافته‌ها: یافته‌ها نشان می‌دهد فرآیندکاوی با کشف مسیرهای واقعی، شناسایی گلوگاه‌ها و استخراج پارامترهای تجربی، دقت مدل‌های شبیه‌سازی سلامت را افزایش می‌دهد. شبیه‌سازی نیز ارزیابی سناریوها، پیش‌بینی پیامدها و بهینه‌سازی منابع را ممکن می‌سازد. تلفیق این دو رویکرد، تصمیم‌گیری شواهد‌محور، کاهش زمان انتظار و بهبود کیفیت خدمات را تقویت می‌کند.
نتیجه‌گیری: ادغام فرآیندکاوی و شبیه‌سازی، چارچوبی مؤثر برای تحلیل و بهبود فرآیندهای پیچیده مراقبت سلامت فراهم می‌کند. با این حال، کیفیت داده، حریم خصوصی، پیچیدگی جریان‌های بالینی، موانع فنی و دشواری همکاری سازمانی اجرای آن را محدود می‌سازد. توسعه چارچوب‌های استاندارد، داده‌های باکیفیت، هوش مصنوعی و مطالعات کاربردی، مسیر آینده پژوهش است.
کلیدواژه‌ها
فرآیندکاوی
شبیه‌سازی فرآیند
بهبود فرآیند
هوش مصنوعی
تجزیه‌وتحلیل پیش‌بینی
شبیه‌سازی رویداد گسسته
موضوعات

عنوان مقاله English

Process Mining in Healthcare Process Simulation: A Structured Narrative Review of Trends, Barriers, and Opportunities

نویسنده English

mohsen mohammadi
Associate Professor, Information Technology, Computer Department, Esfarayen Technical and Engineering Higher Education Complex, Esfarayen, Iran.
چکیده English

Introduction: As healthcare systems become increasingly complex, the adoption of analytical approaches has become essential to improve operational efficiency, service quality, patient outcomes, and resource allocation. This study explores the potential of integrating process mining and process simulation as two data-driven methodologies for healthcare analysis, evaluation, and decision support
Methods: This study was conducted using a structured narrative-analytical review approach. Beyond explaining the theoretical foundations of process mining and process simulation, this research critically analyzes the synergistic framework of their integration, clinical applications, structural challenges, and future opportunities through a critical synthesis of existing evidence. The primary focus is on examining the role of process mining in extracting knowledge from event data and critically evaluating its utilization in designing and validating simulation models.
Results: The findings indicate that process mining enhances the accuracy of healthcare simulation models by discovering real-world pathways, identifying bottlenecks, and extracting empirical parameters. Conversely, simulation enables scenario evaluation, outcome prediction, and resource optimization. The integration of these two approaches reinforces evidence-based decision-making, reduces waiting times, and enhances service quality.
Conclusion: The integration of process mining and simulation provides an effective framework for analyzing and improving complex healthcare processes. However, data quality issues, privacy concerns, clinical workflow complexity, technical barriers, and organizational collaboration challenges limit its widespread implementation. Developing standardized frameworks, ensuring high-quality data, leveraging artificial intelligence, and conducting applied empirical studies represent key directions for future research.

کلیدواژه‌ها English

Process mining
simulation
process improvement
artificial intelligence
predictive analytics
event simulation
open source
1.      Salas E, Arias M, Aguirre S, Rojas E. Combining process mining and process simulation in healthcare: A literature review. IEEE Access. 2024 18;12:172562-80. DOI: 10.1109/ACCESS.2024.3501157
2.      van der Aalst WMP. Process mining: data science in action. 2nd ed. Berlin: Springer; 2016. DOI: 10.1007/978-3-662-49851-4
3.      Leemans SJ. Robust Process Mining with Guarantees. In BPM Dissertation/Demos/Industry; 2018, 46-50.
4.      Martin D, Berruezo Fernández C, Gento Municio AM. Systematic review of discrete event simulation in healthcare and statistics distributions. Applied Sciences. 2025 11;15(4):1861. DOI: 10.3390/app15041861
5.      Vázquez-Serrano JI, Peimbert-García RE, Cárdenas-Barrón LE. Discrete-event simulation modeling in healthcare: a comprehensive review. International Journal of Environmental Research and Public Health. 2021 22;18(22):12262. DOI: 10.3390/ijerph182212262
6.      Forbus JJ, Berleant D. Discrete-event simulation in healthcare settings: a review. Modelling. 2022 14;3(4):417-33. DOI: 10.3390/modelling3040027
7.      Dallagassa MR, dos Santos Garcia C, Scalabrin EE, Ioshii SO, Carvalho DR. Opportunities and challenges for applying process mining in healthcare: a systematic mapping study. Journal of Ambient Intelligence and Humanized Computing. 2022;13(1):165-82. DOI: 10.1007/s12652-021-02805-4
8.      van der Aalst WM, Carmona J, editors. Process mining handbook. Springer Nature; 2022. DOI: 10.1007/978-3-031-08848-3
9.      Mohammadi M. Improving the quality of business process event logs using unsupervised method. Iranian Journal of Information Processing and Management. 2025;40(Special Issue 3). DOI: 10.22034/jipm.2025.2018045.1469
10.   Rinderle-Ma S, Stertz F, Mangler J, Pauker F. Process mining—discovery, conformance, and enhancement of manufacturing processes. In: Digital transformation: core technologies and emerging topics from a computer science perspective. Springer, 2023, 363-383. DOI: 10.1007/978-3-662-65004-2_15
11.   Mohammadi M. Process mining in healthcare information system analysis: a commentary. Health Information Management. 2022;18(6):291-295. DOI: 10.22122/him.v18i1.4461
12.   Salehi M, Khayami R, Akbari R, Mirmozaffari M. An Integrated Predictive Impact–Enhanced Process Mining Framework for Strategic Oncology Workflow Optimization: Case Study in Iran. Bioengineering. 2025 24;12(12):1288. DOI: 10.3390/bioengineering12121288
13.   Özdağoğlu G, Damar M, Erenay FS, Turhan Damar H, Himmetoğlu O, Pinto AD. Monitoring patient pathways at a secondary healthcare services through process mining via Fuzzy Miner. BMC Medical Informatics and Decision Making. 2025 27;25(1):199. DOI: 10.1186/s12911-025-03016-5
14.   Celik U, Korkmaz A, Stoyanov I. Integrating Process Mining and Machine Learning for Surgical Workflow Optimization: A Real-World Analysis Using the MOVER EHR Dataset. Applied Sciences. 2025 14;15(20):11014. DOI: 10.3390/app152011014
15.   Bakhshi A, Hassannayebi E, Sadeghi AH. Optimizing sepsis care through heuristics methods in process mining: a trajectory analysis. Healthcare Analytics. 2023 1;3. DOI: 10.1016/j.health.2023.100187
16.   Santos A, Leal GC, Balancieri R. Process mining in healthcare: a tertiary study. BMC Medical Informatics and Decision Making. 2025 14;25(1):306. DOI: 10.1186/s12911-025-02967-z
17.   Bosson-Rieutort D, Langford-Avelar A, Duc J, Dalmas B. Healthcare trajectories of aging individuals during their last year of life: application of process mining methods to administrative health databases. BMC Medical Informatics and Decision Making. 2025;25(1):58. DOI: 10.1186/s12911-025-02898-9
18.   Naguine P, Arachchige JJ, Bemthuis RH, Bukhsh FA. Process Mining for Demographic Insights: A Subpopulation Analysis in Healthcare Pathways. In: 27th International Conference on Enterprise Information Systems, 2025. 267-277. DOI: 10.5220/0013289800003929
19.   AlBakary WA, Sedky AA, Abdelmoez W. Interactive bottleneck detection in data driven business process simulation in healthcare: Egyptian case study. In: 2022 32nd International Conference on Computer Theory and Applications (ICCTA); 2022. 234-240. DOI: 10.1109/ICCTA58027.2022.10206287
20.   Sharma P, Kumar S, Falor T, Dabral O, Upadhyay A, Gupta R, Singh Andotra V. Leveraging Process Mining for Enhanced Efficiency and Precision in Healthcare. In: Generative Artificial Intelligence for Biomedical and Smart Health Informatics. 2025. 471-488. DOI: 10.3390/healthcare13080941
21.   Rosa A, Massaro A. Process mining organization (PMO) modeling and healthcare processes. Knowledge. 2023 22;3(4):662-78. DOI: 10.3390/knowledge3040034
22.   Rosa A, Massaro A. Process mining organization (PMO) based on machine learning decision making for prevention of chronic diseases. Eng. 2024 5;5(1):282-300. DOI: 10.3390/eng5010016
23.   Al-Badarneh H, Arif A. A Systematic Review of Process Mining in Healthcare. In: 2025 International Conference on New Trends in Computing Sciences (ICTCS); 2025 16. p. 485-492. IEEE. DOI: 10.1109/ICTCS65341.2025.10989313
24.    Gatta R, Vallati M, Fernández-Llatas C, Martinez-Millana A, Orini S, Sacchi L, Lenkowicz J, Marcos M, Munoz-Gama J, Cuendet M, De Bari B. Clinical guidelines: a crossroad of many research areas. Challenges and opportunities in process mining for healthcare. In: International Conference on Business Process Management; 2019 545-556. DOI: 10.1007/978-3-030-26643-1_32
25.   Mohammadi M. Comparative Process Mining for Identifying the Critical Activities in Sepsis Trajectories. Healthcare Technology Letters. 2025;12(1).   DOI: 10.1049/htl2.70010
26.   Bakhtiari M. Utilizing process mining in quality management: A case study in radiation oncology. PLOS Digital Health. 2025 15;4(5):e0000647. DOI: 10.1371/journal.pdig.0000647
27.   Gorelova A, Meliá S, Gadzhimusieva D. A discrete event simulation of patient flow in an assisted reproduction clinic with the integration of a smart health monitoring system. IEEE Access. 2024 21;12:46304-18. DOI: 10.1109/ACCESS.2024.3379934
28.   Aversano L, Iammarino M, Madau A, Pirlo G, Semeraro G. Process mining applications in healthcare: a systematic literature review. PeerJ Computer Science. 2025 28;11:e2613. DOI: 10.7717/peerj-cs.2613
29.   Tamburis O, Esposito C. Process mining as support to simulation modeling: A hospital-based case study. Simulation Modelling Practice and Theory. 2020 1;104:102149. DOI: 10.1016/j.simpat.2020.102149
30.   Mesabbah M, Abo-Hamad W, McKeever S. A hybrid process mining framework for automated simulation modelling for healthcare. 2019 Conference (WSC); 2019. 1094-1102. DOI: 10.1109/WSC40007.2019.9004895