Abonnez-vous à DeepL Pro pour traduire des fichiers plus volumineux.

Visitez www.DeepL.com/pro pour en savoir plus.

Junior et al.
BMC Medical Informatics and Decision Making (2022) 22:8
https://doi.org/10.1186/s12911-022-01746-4

RECHERCHE Libre accès

Application de la méthodologie QFD-

fuzzy-SERVQUAL comme outil de
planification de la qualité au centre
chirurgical d'un hôpital universitaire
public
Jurandir Barreto Galdino Junior1* , Hélio Roberto Hékis2 , José Alfredo Ferreira Costa3 ,
Íon Garcia Mascarenhas de Andrade4 , Eric Lucas dos Santos Cabral1 , Wilkson Ricardo Silva Castro1 ,
Davidson Rogério de Medeiros Florentino1 , Tiago de Oliveira Barreto1 et João Florêncio da Costa Júnior1

Résumé
Contexte : Au Brésil, de nombreux hôpitaux publics sont confrontés à des problèmes constants liés à une forte
demande par rapport à une pénurie générale de ressources, ce qui entrave le fonctionnement de différents secteurs
tels que le centre chirurgical, considéré comme l'un des piliers les plus importants pour le bon fonctionnement de
l'hôpital, en raison de sa complexité, de sa criticité ainsi que de son importance économique et sociale. Une bonne
gestion des actifs basée sur des décisions bien fondées est donc une condition sine-qua-non pour répondre à ces
demandes. Toutefois, la subjectivité et les autres difficultés liées aux décisions font de la gestion des ressources
hospitalières un défi permanent.
Méthodes : Ainsi, le présent travail propose l'application d'une approche hybride, formée par les outils QFD, la
logique floue et SERVQUAL comme outil d'aide à la décision pour la planification de la qualité du centre chirurgical
de l'hôpital universitaire Onofre Lopes (Hospital Universitário Onofre Lopes-HUOL). Pour atteindre cet objectif, il était
nécessaire de couvrir et d'analyser les principaux besoins de l'équipe médicale travaillant dans la salle d'opération, par
l'application du questionnaire SERVQUAL, associé à la logique floue.
Résultats : Ensuite, les déficiences les plus pertinentes ont été transformées en entrées pour le QFD-fuzzy, où elles
ont été traduites en exigences du projet. Peu après, l'analyse des relations existantes entre les intrants et ces
exigences a été effectuée, ce qui a permis de classer les actions ayant le plus grand impact sur l'amélioration de la
qualité globale du centre chirurgical.
Conclusions : La méthodologie proposée permet d'optimiser le processus décisionnel auquel sont soumis les
directeurs d'hôpitaux et d'améliorer l'efficacité du fonctionnement du centre chirurgical.
Mots-clés : Centre chirurgical, Logique floue, QFD, Qualité, SERVQUAL

*Correspondance : jurandir_barreto@yahoo.com.br
1
Master en ingénierie de la production à l'Université fédérale du Rio
Grande do Norte (UFRN), Natal, RN, Brésil
La liste complète des auteurs est disponible à la fin de l'article.
Contexte
Dans le monde entier, les services de santé sont tenus de
fournir d'excellents résultats. Même comparés à d'autres
Le secteur de la santé doit gérer la qualité de ses produits
et services.
La fourniture de services de santé de qualité a donc un
impact positif sur les conditions de vie et le bien-être de
la population. La fourniture de services de santé de
qualité a donc un impact positif sur la qualité de vie de la
population.
© L'auteur(s) 2022. Libre accès Cet article est placé sous licence Creative Commons Attribution 4.0 International License, qui
permet l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou dans tout format, à condition de
mentionner les auteurs originaux et la source, de fournir un lien vers la licence Creative Commons et d'indiquer si des changements
ont été apportés. Les images ou autres éléments de tiers figurant dans cet article sont inclus dans la licence Creative Commons de
l'article, sauf indication contraire dans la ligne de crédit de l'élément. Si le matériel n'est pas inclus dans la licence Creative Commons de
l'article et que l'utilisation que vous souhaitez en faire n'est pas autorisée par la loi ou dépasse l'utilisation autorisée, vous devrez obtenir
l'autorisation directement auprès du détenteur des droits d'auteur. Pour consulter une copie de cette licence, visitez le site
http://creativecommons.org/licenses/by/4.0/. La renonciation à la dédicace du domaine public Creative Commons (http://creativeco
mmons.org/publicdomain/zero/1.0/) s'applique aux données mises à disposition dans cet article, sauf indication contraire dans la ligne
de crédit des données.
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 2 de 19

SERVQUAL et de la logique floue ; (4) mettre en place un

sur l'économie, qui bénéficie à son tour à l'ensemble de
système de gestion de la qualité ; (5) mettre en place un
la population, ce qui conduit à la conclusion que
système de gestion de la qualité ; (6) mettre en place un
l'amélioration des services de santé est une priorité
système de gestion de la qualité ; et (7) mettre en place
absolue [1].
un système de gestion de la qualité.
Si l'on se concentre sur les centres chirurgicaux (CS),
on peut affirmer qu'il s'agit du secteur dont les coûts
sont les plus élevés au sein de l'hôpital. Selon Bidassie et
al [2] ainsi que Nazif [3], on estime qu'environ 40 % des
coûts et des recettes de l'hôpital sont imputables aux CS.
Ainsi, l'utilisation d'outils de qualité, de méthodologies
d'aide à la décision et de recherche opérationnelle est
décrite dans la littérature comme des instruments
appropriés pour générer des améliorations tout en
réduisant les coûts dans un CS [4].
L'État brésilien, selon la Constitution de 1988, doit
fournir des services de santé à la population de manière
appropriée. Cependant, en raison des diverses difficultés
rencontrées par le pays, les ressources de base pour
assurer la santé des citoyens sont souvent rares. En
outre, environ 50 % des coûts du système national de
santé proviennent des dépenses hospitalières, le SC en
étant le principal responsable [5].
L'hôpital universitaire Onofre Lopes (HUOL), qui fait
partie de l'Université fédérale du Rio Grande do Norte
(UFRN) et est associé à l'Entreprise brésilienne de
services hospitaliers (EBSERH), dispose de 31 569,45 m2
de surface construite, de 24 lits d'USI, 19 adultes et 5
pédiatriques, de 242 lits d'infirmerie et de 12 salles
d'opération, dont 2 dans le secteur ophtalmologique, 7
dans le SC et 3 salles destinées aux petites interventions
chirurgicales [6].
La méthodologie hybride qui combine les outils QFD
(Quality Function Deployment), SERVQUAL et Fuzzy
Logic (FL) apparaît comme un outil capable d'aider à la
planification de la qualité d'un produit ou d'un service.
Ceci est possible, étant donné que le QFD associé à
SERVQUAL peut être en mesure de trouver les écarts
existant entre l'attente et la perception de l'activité
réalisée, afin de déterminer les caractéristiques du
service qui se situent à un niveau de qualité inférieur, ce
qui permet de proposer des stratégies capables de
générer des améliorations et, par conséquent, de fournir
une qualité au client. En outre, l'utilisation de la FL
permet d'éviter la perte d'informations due à la
subjectivité humaine, ce qui contribue à rendre les
décisions plus précises [7, 8].
Le présent article propose une approche hybride
QFD-fuzzy- SERVQUAL comme outil d'aide à la
décision pour la planification de la qualité du centre
chirurgical HUOL. Afin de développer une telle
approche, il a été nécessaire de suivre la procédure
méthodologique suivante : (1) élaborer et valider le
questionnaire SERVQUAL ; (2) identifier les principales
déficiences du centre chirurgical dans la perception de
l'équipe médicale par l'application de SERV- QUAL et
de la logique floue ; (3) réaliser la construction de la
"maison de la qualité", par l'intégration du questionnaire
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 3 de 19
QFD-fuzzy-SERVQUAL ; (4) analyse des exigences
techniques à l'aide de la "maison de la qualité" et de la
logique floue ; et (5) élaboration d'une proposition de
plan d'action pour la planification de la qualité du
centre chirurgical, résultant de l'intégration QFD-
fuzzy-SERVQUAL.

Déploiement d'une fonction de qualité (QFD)

La méthodologie QFD (Quality Function Deployment)
a été initialement développée dans le but d'améliorer le
développement des produits grâce à l'opinion des
utilisateurs. À cette fin, des informations sont
collectées sur les principaux besoins du client, puis
transformées en critères d'ingénierie, qui sont utilisés
pour résoudre les principales exigences liées au produit
en cours de production [9].
L'une des principales caractéristiques du QFD est la
conversion des demandes qualitatives en spécifications
quantitatives, l'élaboration de stratégies susceptibles
d'améliorer la qualité de la planification et, en fin de
compte, la transformation du QFD en un outil capable
d'aider à la prise de décision managériale. En outre, le
QFD peut être représenté graphiquement comme la
"Maison de la Qualité" (HOQ) (Fig. 1), dans laquelle,
grâce à l'analyse matricielle, il est possible d'analyser la
relation entre les demandes des clients et les exigences
techniques et de proposer ainsi des améliorations [10].

Modèle SERVQUAL
Le modèle SERVQUAL a été développé par
Parasuraman, Zeithaml et Berry [12]. Il s'agit d'un
système capable de mesurer la différence entre les
attentes et les perceptions des clients, en se référant à la
qualité perçue d'un produit ou d'un service donné.
SERVQUAL cherche à analyser, dans l'objet de l'étude,
les dimensions liées à la tangibilité, la fiabilité, la
réactivité, la sécurité et l'empathie, pour ensuite
identifier les besoins et le plus grand potentiel
d'amélioration.

Fig. 1 Maison de la qualité. Source : Adapté de Abdelsamad, Rushd et

Tawfik [11].
Junior et al. BMC Medical Informatics and Decision Making
Selon Büyüközkan et al [13], le modèle SERVQUAL
permet d'évaluer la qualité du service en analysant les
données obtenues à l'aide d'un questionnaire. Par
conséquent, l'évaluation de ces données est effectuée à
l'aide de l'équation 1, où P et E représentent
respectivement la perception et l'attente des clients, et Q
la taille de l'écart, c'est-à-dire la différence actuelle entre
la qualité existante et la qualité attendue.
Q=P-E
Le tableau 1 résume les critères de qualité du service
l'analyse.
Logique floue
La logique floue, également connue sous le nom de
théorie des ensembles flous, est un outil développé par
le chercheur Zadeh [15] dans un ouvrage intitulé Fuzzy
Sets, qui est basé sur le concept classique des ensembles.
Cependant, elle se distingue par le fait qu'elle ne
fonctionne pas de manière binaire, c'est-à-dire qu'elle
n'utilise pas uniquement des valeurs minimales (0) ou
maximales (1).
Le développement de la FL s'efforce de représenter, de
manière organisée, des éléments mal définis et
présentant un certain niveau d'incohérence, c'est-à-dire
des données inexactes. Ainsi, la FL utilise une plage
numérique variant entre 0 et 1 pour représenter les
différents niveaux d'une échelle, ce qui permet de créer
un modèle mathématique pour étudier des phénomènes
avec un certain niveau d'incertitude, mais de manière
précise [16, 17].
Selon Ross [18], le FL peut être utilisé pour différents
types d'applications, étant considéré comme un outil
multidisciplinaire capable de générer des contributions
dans des domaines tels que la modélisation de systèmes
non linéaires, l'ordonnancement de modèles, la gestion
de processus, ainsi que des applications avec des
données qualitatives.
Büyüközkan, Çifçi et Güleryüz [13] proposent une
autre application du FL pour faciliter l'estimation de
l'imprécision.
Tableau 1 Critères d'analyse de la qualité du service. Source :
Adapté de Batista [14] : Adapté de Batista [14].
Relation entre la perception (P Niveau de qualité
du serviceet les attentes (E)
E> PService dont la qualité est
inférieure à
attente
E< PService avec qualité
supérieure
attentes
(2022) 22:8 Page 4 de 19
des données de la pensée humaine. Étant donné qu'elle
est subjective, les auteurs affirment que la FL a
l'avantage de pouvoir représenter les incertitudes de
l'esprit humain, afin d'aider les décideurs à interpréter et
à résoudre le problème étudié.
QFD-fuzzy
(1) Selon Raziei [1], l'utilisation de la logique floue associée
aux outils QFD permet une meilleure planification de la
production.
la qualité d'un service ; puisque, dans la méthodologie
QFD, il est nécessaire d'effectuer une série d'analyses
par un spécialiste impliqué dans le développement du
projet. La logique floue permet donc de faire face à
l'incertitude des données générées par la subjectivité
présente dans l'opinion de chaque analyste.
De même, pour Vaziri [19], la combinaison du QFD et
de la logique floue contribue à l'amélioration du
processus d'analyse des données et, par conséquent, à
l'amélioration de la prise de décision des experts. Ainsi,
cette approche hybride peut conduire à des avantages
dans la gestion des ressources utilisées dans le projet,
car il est possible de prioriser les principales actions à
réaliser, afin d'améliorer la qualité de la prestation de
service.
Par ailleurs, Saleh et al. [20] ainsi que Li et al. [21]
soulignent que la combinaison du QFD et de la logique
floue fonctionne correctement en tant qu'outil capable
d'aider les responsables des soins de santé dans leurs
activités ou dans tout processus de prise de décision tel
que l'achat d'équipements, ce qui permet aux hôpitaux
de réduire les dépenses inutiles et d'augmenter la qualité
des services grâce à une meilleure utilisation des
ressources.
Enfin, dans Karsak et Dursun [22], le QFD-flou a été
appliqué en tant que méthodologie de décision de
groupe, visant à aider les gestionnaires à sélectionner
des fournisseurs pour un hôpital privé à Istanbul ; ainsi,
les informations obtenues par le QFD sont traitées par la
logique floue, afin d'éviter de perdre des informations
précieuses en raison de la subjectivité présente dans
l'opinion des analystes qui composent le groupe de
décision.
Applications prometteuses de la logique floue
Les analyses documentaires publiées ces dernières années
indiquent que
que la logique floue est opportune pour l'unification des
ontologies impliquées dans le processus de prise de
décision. Bien qu'elle ait présenté un tel avantage dès sa
création, elle a
E= Service public de qualité neutre
ou
dans les limites prévues
aJunior
faitet al. BMC Medical
l'objet Informatics and
de critiques de Decision
la partMaking (2022)
d'experts qui22:8 satisfaisantes de la FL dans les domainesPage 5de
de 19la
considèrent qu'il s'agit d'une approche qui manque technologie des capteurs, de l'électronique et des
encore de soutien scientifique. Ces affirmations ont chemins de fer, par exemple [23, 24].
perdu de leur force en raison des applications
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8
Des travaux récents ont mis en évidence l'application
de la logique floue en tant qu'outil qui, associé à des
techniques telles que l'intelligence artificielle,
l'apprentissage automatique, l'apprentissage profond et
l'analyse décisionnelle multicritère, peut contribuer à
extraire des opinions, en plus de soutenir les décisions et
d'analyser les tendances [25].
La FL est identifiée comme une méthode multicritère
par certaines revues de la littérature. Son intégration à
des méthodes telles que AHP (Analytic Hierarchy
Process), TOPSIS (Techinique for Order of Preference
by Similarity to Ideal Solution) et VIKOR
(VIseKriterijumska Optimizacija I Kompromisno Resenje),
par exemple, est acceptée dans des revues scientifiques à
fort impact et contribue de manière significative à la
modélisation des décisions [26-28].
Méthodologie
Univers et échantillon
Le CS de HUOL est composé d'une équipe
pluridisciplinaire, composée de médecins, d'infirmières,
de techniciens en soins infirmiers, de pharmaciens,
d'ingénieurs, entre autres employés, qui apportent leur
soutien au bon fonctionnement du CS. Toutefois, pour
des raisons de normalisation et de connaissances
techniques, seuls les médecins, les infirmières et les
techniciens en soins infirmiers ont été invités à
participer à la phase d'application du questionnaire
SERVQUAL.
Une fois le secteur déterminé, la recherche a entamé
l'étape de vérification du nombre de professionnels
entrant dans les critères déjà établis. Ce filtrage a permis
de définir une population de 147 personnes, dont 64
médecins, 12 infirmières et 71 techniciens et assistants
en soins infirmiers. En ce qui concerne le questionnaire,
il a été décidé que tous les professionnels impliqués
auraient le même poids dans les évaluations, étant
donné qu'aucune connaissance strictement technique
n'était requise de la part des répondants de l'équipe
médicale. Les participants ont donné leur consentement
écrit sur la base d'un modèle d'entretien semi-structuré
développé et documenté par les chercheurs de cette
étude. L'étude a été approuvée par le comité d'éthique
de l'UFRN.
Tableau 2 Échelles utilisées dans SERVQUAL. Source : Adapté de Parasuraman, Zeithaml et Berry [29] : Adapté de Parasuraman, Zeithaml
et Berry [29].
ÉCHELLE 1 ÉCHELLE 2
Attentes Perception
Variable linguistique Note attribuée Variable linguistique
Très faible 1 Dommage
Faible 2 Mauvais
Moyenne 3 Moyenne
Page 6 de 19
Toutefois, en raison de contraintes de temps et de
calendrier, ainsi que du fait que le CS est un lieu
complexe et présentant des risques biologiques, ce qui
rend le questionnaire difficile à appliquer, la recherche a
été effectuée par échantillonnage. Par conséquent, sur la
base de l'avis d'experts et de la littérature scientifique, il
a été décidé de travailler avec un échantillon qui génère
un niveau de confiance de 95 % et une marge d'erreur de
5 %.
Collecte de données
La collecte des données a été effectuée à l'aide de l'outil
SERVQUAL, qui a été appliqué au CS de l'HUOL. Pour
mener à bien cette procédure, la direction de
l'enseignement et de la recherche de l'HUOL s'est vu
remettre tous les documents demandés. De plus,
s'agissant d'un lieu à risque biologique, ils ont été
correctement habillés, instruits et accompagnés par un
membre de l'équipe médicale. La collecte des données a
duré quatre jours et s'est déroulée pendant les trois
quarts de travail ; seuls les employés en pause ont été
approchés. De plus, les personnes interrogées ont eu la
possibilité et ont été encouragées à poser des questions
concernant l'enquête pendant qu'elles y répondaient.
Application SERVQUAL
Pour remplir le questionnaire, les participants ont dû
analyser tous les points selon trois échelles en cinq
points, dans lesquelles des variables linguistiques ont été
établies, afin que les membres de l'équipe médicale
puissent exprimer leurs pensées en fonction de chaque
situation.
La première échelle est liée aux attentes de l'employé
concernant la qualité de chaque élément étudié, compte
tenu des ressources et des possibilités existant au
moment de la recherche. La deuxième échelle est liée à
la perception actuelle que le membre de l'équipe
médicale a du niveau de qualité de chaque élément
étudié.
Enfin, la troisième échelle vise à indiquer le niveau
d'importance de chaque élément pour le bon
fonctionnement du comité de surveillance, selon
l'opinion du répondant. Tableau 2
ÉCHELLE 3
Importance
Note attribuée Variable linguistique Note
attribuée
1 Très faible 1
2 Faible 2
3 Moyenne 3
Junior
Haut et al. BMC Medical Informatics
4 and Decision Making
Bon (2022) 22:8 4 Haut Page4 7 de 19
Très élevé 5 Très bon 5 Très élevé 5
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8
présente les trois échelles utilisées, leurs variables
linguistiques et leurs scores respectifs.
Avec l'utilisation des échelles 1 et 2, il est possible
d'identifier les écarts entre ce que l'équipe médicale
considère comme idéal et ce qui est délivré, en
considérant chaque item étudié. Ainsi, il est possible
d'obtenir une vue d'ensemble de la qualité actuelle des
principaux points étudiés dans le CS.
Intégration de SERVQUAL avec l'approche QFD-floue
Pour réaliser l'intégration entre toutes les approches
proposées, une division a été faite en deux phases, dans
laquelle la première expliquera les procédures
nécessaires pour intégrer SERVQUAL avec l'outil QFD.
Et dans la deuxième phase, on expliquera les procédures
nécessaires pour intégrer SERVQUAL à l'outil QFD.
Fig. 2 Résumé schématique de la première phase d'intégration des
méthodologies étudiées
Fig. 3 Résumé schématique de la deuxième phase d'intégration des méthodologies étudiées
Page 8 de 19
Dans un deuxième temps, l'intégration du FL dans
l'étude sera décrite.
Phase 1 : intégration des outils QFD et SERVQUAL
Dans la phase 1, le modèle d'intégration entre les outils
QFD et SERVQUAL est décrit. A ce stade, la
méthodologie SERV- QUAL servira de ressource pour
fournir des données au QFD, c'est-à-dire qu'elle fournira
au HOQ les principales exigences du client et leurs
niveaux d'importance respectifs, sur la base du
questionnaire appliqué à l'équipe médicale du CS. La
figure 2 illustre les étapes expliquées dans la phase 1 de
l'intégration entre les méthodologies utilisées.
Phase 2 : intégration des outils QFD et SERVQUAL dans
le FL
L'objectif principal de cette phase est d'expliquer toutes
les étapes de l'intégration du FL avec la combinaison des
outils QFD et SERVQUAL. Par conséquent, cet
arrangement vise à minimiser le flou et l'imprécision
existant dans les jugements impliquant des variables
linguistiques. Toutes les opérations effectuées seront
réalisées à l'aide de la théorie floue établie par Zadeh
[15], dans laquelle les nombres flous triangulaires seront
adoptés en raison de leur plus grande facilité à effectuer
des opérations mathématiques [30-32]. La figure 3
résume les principales étapes de la phase 2 de la
méthodologie actuelle, en montrant comment se
déroulent l'intégration et l'application des outils utilisés.
Étape 1 : Utilisation de la combinaison SERVQUAL-
floue pour déterminer les lacunes dans les exigences du
client ("voix du client ") : Dans cette étape, divisée en
trois étapes, les nombres flous qui seront utilisés pour
représenter les exigences linguistiques du client sont
utilisés pour déterminer les besoins du client.
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 9 de 19

Tableau 3 Échelles du questionnaire SERVQUAL et leurs Étape 1 : Analyse des échelles 1 et 2 : Comme indiqué
nombres flous respectifs. Source : Adapté de Lima Junior, Osiro e précédemment, le processus d'analyse des attentes et
Carpinetti [34] : Adapté de Lima Junior, Osiro e Carpinetti [34]. des perceptions des clients concernant les 22 éléments
Échelle 1 Échelle 2 Échelle 3 Nombre flou du questionnaire SERVQUAL sera effectué à l'aide d'une
échelle à 5 points. Dans ce cas, chaque score sera
Attentes Perception Importance
représenté par une variable linguistique, qui sera à son
Variable Variable Variable a m b tour convertie en un nombre flou triangulaire par le
linguistique linguistique linguistique biais d'un processus appelé fuzzification, qui est
Très faible Dommage Très faible 0.0 0.0 0.25 expliqué à l'étape 2.
Faible Mauvais Faible 0.0 0.25 0.5 Étape 2 : Utilisation du nombre triangulaire flou et du
Moyenne Moyenne Moyenne 0.25 0.5 0.75 processus de fuzzification : Selon Wang [33], le processus
Haut Bon Haut 0.5 0.75 1 de fuzzification consiste à convertir des valeurs
Très élevé Très bon Très élevé 0.75 1 1 linguistiques ou numériques en univers flou. Par
conséquent, pour réaliser le processus de fuzzification,
chaque variable linguistique correspondant aux échelles
1, 2 et 3 se verra attribuer un nombre flou triangulaire,
Les variables floues appliquées aux trois échelles avec un intervalle allant de 0 à 1.
différentes utilisées dans le questionnaire SERVQUAL Le tableau 3 présente les variables linguistiques
seront déterminées. A cette fin, le concept classique de utilisées dans chaque type d'échelle et leurs nombres
nombre flou et le processus de fuzzification établi par triangulaires flous respectifs, tandis que les figures 4 et 5
Zadeh [15] seront adoptés. De plus, les opérations représentent la distribution graphique pour les échelles
utilisées pour définir les écarts et le niveau d'importance 1, 2 et 3.
de chaque élément du questionnaire seront expliquées. Étape 3 : Utilisation d'opérations pour calculer l'écart :
Dans cette étape, trois opérations sont utilisées. La
première a pour fonction de calculer la moyenne
arithmétique du score obtenu

Fig. 4 Représentation graphique des nombres flous correspondant aux échelles 1 et 3. Source : Adapté de Lima Junior, Osiro e Carpinetti [34] : Adapté
de Lima Junior, Osiro e Carpinetti [34].

Fig. 5 Représentation graphique des nombres flous correspondant à l'échelle 2. Source : Adapté de Lima Junior, Osiro e Carpinetti [34] : Adapté de
Lima Junior, Osiro e Carpinetti [34].
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 10 de 19

dans chacun des 22 items étudiés, en considérant
l'évaluation de tous les répondants, en utilisant les
échelles 1 et 2. Ensuite, une deuxième opération floue
est effectuée pour déterminer les écarts existants dans
tous les éléments, par le biais de la différence entre les
échelles 1 et 2. Enfin, une troisième équation est utilisée
pour effectuer le processus de défuzzification des
nombres triangulaires obtenus dans le calcul de l'écart.
Pour calculer la moyenne entre les nombres flous
triangulaires, nous utiliserons les équations 2 et 3, qui
ont été appliquées sur la base de Buckey [35], Chen [36]
et Cho, Kim
et Kwak [37], où E ˜ i e P ˜ i représentent respectivement les
l'attente et la perception dans le processus d'évaluation
moyenne de chaque élément du questionnaire, avec k
= 1, 2, 3 ... nombre total d'évaluateurs et i = 1, 2, 3 ...
évaluée par
nombre le questionnaire
total d'éléments SERVQUAL.
1 =
E˜ = E˜ 1(+)E˜ 2(+) . . . (+)E˜
k
i i i i
k
1
P˜i = P˜ 1(+)P˜ 2(+) . . . (+)P˜
k k i i i
Une fois que l'opération floue proposée par les Eqs. 2
et 3 a été effectuée, une deuxième opération est
également réalisée
pour calculer l'écart entre les nombres flous corrélés.
correspondant à chacun des 22 éléments analysés. À
cette fin, l'opérateur flou décrit dans l'équation 4 est
utilisé. Ainsi, les valeurs de chaque évaluation moyenne
des attentes et de la perception seront représentées,
respectivement,
par des nombres flous décrits E ˜ i = (Ea, Em, Eb) e
comme
P ˜ i = (Pa, Pm, Pb) [38-40].
Étape 2 : Utilisation de la logique floue pour
déterminer le niveau d'importance de chaque
exigence du client.
Une fois l'étape 1 terminée, le processus de définition
du niveau d'importance de chaque élément
commencera. A cette fin, l'Eq. 6 décrit ci-dessous sera
utilisé, où w˜ i représente la note moyenne de chaque
élément sur l'échelle 3, avec k = 1, 2, 3... total des
évaluateurs et i = 1, 2, 3... total des éléments évalués.
Ceci définira le nombre triangulaire flou équivalent à
l'importance moyenne de chaque élément analysé dans
le questionnaire SERVQUAL. Cependant, seuls les
nombres flous dont l'écart avec la valeur brute est
inférieur ou égal à la moyenne de tous les éléments
seront utilisés dans l'étape suivante.
1
W˜ i W1 (+)W2 (+) . . . (+)W (6)
k k i i i
(2)
Étape 3 : Utilisation de la logique floue dans l'élaboration de
(3) la matrice des relations :
À ce stade, l'analyse de la relation entre les
La pondération des exigences de chaque client ( W ˜ i)
par rapport aux exigences d'ingénierie ( H˜ j ) sera
effectuée. Pour ce
objectif, chaque élément R˜ ij,- la relation existante
dans la matrice - seront analysées par des experts sur la
base du tableau 2 afin d'attribuer un niveau de relation
représenté par des symboles et associé à des variables
linguistiques, qui seront à leur tour traduites en
nombres flous triangulaires.
L'équation 7 décrit l'évaluation moyenne du niveau de
relation attribuée par chaque spécialiste, k étant

GAP = P˜ i - E˜i = (Pa - Eb, Pm - Em, Pb - Ea) = (Aa, Bm, Cb) (4)

Ensuite, la troisième opération consiste à appliquer à le total des spécialistes participants, où i = 1, 2, 3 . . . n et j

tous les écarts obtenus par l'Eq. 4 le processus de = 1, 2, 3 . . . m, c'est-à-dire que les éléments et
défuzzification proposé par l'Eq. 5, qui, comme nous représentent, respectivement, le total des W˜ i et H˜ j
l'avons déjà mentionné, consiste à convertir un nombre présents dans l'étude. Le tableau 4 contribue à la
flou en une valeur réelle, également appelée nombre compréhension des ensembles flous appliqués dans
croustillant [41]. cette étude.
A cette fin, l'opérateur proposé dans les travaux de
Chen et Hsieh [42] ainsi que Behdioğlu, Acar et Burhan
[43] sera utilisé dans la défuzzification des valeurs
obtenues par SERVQUAL. Tableau 4 Niveaux de relation, leurs symboles respectifs et les
nombres flous. Source : Adapté de Kargari [44] : Adapté de Kargari
[44]
Aa + 4Bm + Cb
D= (5) Niveau relationnel Linguistique Nombres flous
6 symbole
a m b
variable
Il sera ainsi possible d'obtenir la valeur d'écart de
chaque objet étudié, d'identifier et de représenter un Très faible VL 0.0 0.0 0.25
nombre réel qui reflète de manière adéquate le Faible L 0.0 0.25 0.5
Moyenne A 0.25 0.5 0.75
Junior et al. BMC
sentiment duMedical
clientInformatics and Decision
et le niveau Making de (2022)
de qualité 22:8
l'objet Page 11 de 19
étudié.
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 12 de 19

Fig. 6 Représentation graphique des nombres flous correspondant au tableau 2. Source : Adaptation de Kargari [44]

1 R1
R˜
ij = (+)R2 ij(+) . . . (+)Rkij (7) Tableau 5 Représentation des écarts de qualité à l'aide de
k ij nombres flous et croustillants
Enfin, le tableau 2 est représenté à la figure 6, où il Dimensions ITENSFUZZY numbersCrisp
reproduit les nombres flous triangulaires et leurs numbers a m b
variables linguistiques respectives. Tangibilité Point 1 - 0.65 - 0.28 0.20 - 0.26
Point 2 - 0.55 - 0.20 0.28 - 0.18
Étape 4 : Utilisation de la logique floue dans l'évaluation Point 3 - 0.47 - 0.13 0.30 - 0.12
technique pour déterminer l'importance relative de Point 4 - 0.61 - 0.24 0.23 - 0.23
chaque exigence technique. Point 5 - 0.53 - 0.19 0.26 - 0.17
Étape 5 : Consiste à exposer le processus de calcul de Fiabilité Point 6 - 0.51 - 0.17 0.27 - 0.15
l'importance relative de chaque H˜ j présente dans le Point 7 - 0.59 - 0.23 0.24 - 0.21
HOQ. Pour cela, on utilisera une relation entre la valeur
Point 8 - 0.46 - 0.15 0.27 - 0.13
de chaque W˜ i et R˜ ij. Point 9 - 0.55 - 0.20 0.25 - 0.19
Selon Bottani [45], la relation entre W˜ i
Point 10 - 0.66 - 0.32 0.17 - 0.29
et H˜ j peut être représenté par R˜ ij, dans lequel l'Eq. 8
Réactivité Point 11 - 0.65 - 0.28 0.20 - 0.26
est utilisé pour calculer l'importance relative de chaque
H˜ j, qui est à son tour représentée par I˜Rj. Point 12 - 0.53 - 0.23 0.20 - 0.21
Point 13 - 0.55 - 0.24 0.20 - 0.22
˜ Σn˜ ˜ Sécurité Point 14 - 0.76 - 0.47 0.01 - 0.44
IRj = (W i). Rij , j = 1, 2, . . . , (8) Point 15 - 0.77 - 0.49 - 0.01 - 0.45
i=1 m
Point 16 - 0.74 - 0.45 0.03 - 0.42
Point 17 - 0.52 - 0.21 0.24 - 0.18
Point 18 - 0.57 - 0.24 0.21 - 0.22
Résultats Point 19 - 0.44 - 0.12 0.29 - 0.10
Lacunes en matière de qualité Empathie Point 20 - 0.53 - 0.20 0.24 - 0.18
Cette étape spécifique a pour objectif principal Point 21 - 0.60 - 0.28 0.18 - 0.26
d'identifier et d'analyser les lacunes en matière de Point 22 - 0.25 - 0.18 0.27 - 0.15
qualité par rapport aux 22 éléments étudiés. Pour
atteindre ces objectifs, il a été nécessaire d'évaluer les
attentes et les perceptions de l'équipe médicale du CS, En résumé, la figure 7 présente une représentation
en utilisant le questionnaire SERVQUAL. Le tableau 5 graphique des niveaux généraux d'attente, de perception
présente les écarts de qualité liés à chaque élément et d'importance de tous les éléments étudiés, dans
étudié. laquelle l'espace entre les lignes pointillées symbolise les
lacunes dans la qualité de la CS.
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 13 de 19

Fig. 7 Représentation graphique des écarts de qualité

Tableau 6 Définition de la "voix du client"

Articles GAP Classement Dimension Description de l'article

Point 15 - 0.45 1 Sécurité Formation aux situations d'accident (évacuation rapide, incendie, explosion,
etc.)
Point 14 - 0.44 2 Sécurité Plan d'urgence en cas de catastrophe (évacuation rapide, incendie, explosion,
etc.)
Point 16 - 0.42 3 Sécurité La structure physique est adaptée aux mesures de sécurité en place
(signalisation correcte, fonctionnement des générateurs, présence d'une
porte anti-panique, fonctionnement du matériel de lutte contre l'incendie).
Point 10 - 0.29 4 Fiabilité Planification chirurgicale et calendrier
Point 1 - 0.26 5 Tangibilité Structure physique générale (hydraulique, électrique, installations, mobilier,
etc.)
Point 11 - 0.26 6 Réactivité Capacité de réponse à la demande des salles d'opération
Point 21 - 0.26 7 Empathie Les employés comprennent parfaitement la nécessité d'aider les autres
membres de l'équipe.
Point 4 - 0.23 8 Tangibilité Équipe technique (ingénierie, administration, maintenance et hygiène)

Définir la "Voix du client" (VOC)
Une fois que tous les écarts ont été calculés, il est
possible de définir les éléments qui seront utilisés dans
le QCM, formant ainsi la "voix du client". Il a donc été
décidé d'utiliser les éléments dont l'écart est inférieur ou
égal à - 0,23, étant donné que ce chiffre représente la
moyenne des écarts de tous les éléments. Le tableau 6
présente les éléments désignés, en indiquant leur place
dans le classement des écarts les plus importants, ainsi
que leur taille et leur description respectives.
Évaluation de la maison de la qualité (HOQ)
À ce stade, la relation entre les besoins du client (CN) et
les exigences du projet (PR) sera évaluée.
(NORMALISATION DE LA NOMENCLATURE) Ainsi,
il sera possible d'étudier l'importance du lien entre les
de ces exigences. En outre, il sera possible de définir le
niveau de contribution de chaque PR pour atteindre la
qualité définie par la "voix du client".
La matrice des relations a été remplie sur la base de
l'avis de trois experts, issus des domaines de la
médecine, de l'ingénierie et de la sécurité au travail,
étant donné que les besoins établis par la "voix du client"
exigent que des connaissances pluridisciplinaires soient
associées au PR. Par conséquent, chaque spécialiste était
chargé d'évaluer uniquement les cellules correspondant
aux besoins des clients dans son domaine de
spécialisation. En outre, ils étaient également chargés de
traduire la "voix du client" en RP. Le tableau 7 présente
tous les PR obtenus par les spécialistes, à partir des NC.
Il convient de souligner que l'opinion des experts a
d'abord été représentée par des nombres réels qui ont
été attribués sur la base de variables linguistiques.
Ensuite, toutes les valeurs
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 14 de 19

Tableau 7 Exigences du projet

Exigences du projet (PR) Description du projet

PR1Création d'un programme de formation obligatoire et/ou d'une formation contre les accidents (évacuation
rapide, incendie, explosion, etc.)
PR2Création d'un plan d'urgence en cas de pertes (évacuation rapide, incendie, explosion, manque d'eau ou
d'énergie, etc.)
PR3Adoption des normes techniques de sécurité déterminées par le service incendie
PR4Système de gestion intégrée (qui permet d'intégrer les données relatives aux stocks, aux ressources humaines et à la liste des cabinets médicaux
enregistrés)
PR5Adoption de normes techniques relatives à la planification, à la programmation, à l'élaboration et à
l'évaluation de projets physiques dans les établissements de santé
PR6Surveillance de la dynamique de fonctionnement des salles d'opération
PR7Gestion partagée (permettant à tous les membres de l'équipe de participer aux décisions)
PR8Formation de l'équipe technique (ingénierie, administration, maintenance et hygiénisation)

ont été convertis en nombres flous triangulaires, selon
l'échelle indiquée dans le tableau 2. Le tableau 8 présente
donc une matrice de relations contenant la
représentation floue de toutes les relations, ainsi que
l'importance relative de chaque PR.
Grâce à l'analyse de la matrice des relations (tableau
8), il est possible de vérifier que le PR qui a la plus
grande importance relative est corrélé à la formation des
équipes techniques (6.1), dans laquelle les exigences liées
à la gestion partagée ont également été soulignées (5.2)
et à l'adoption de normes techniques liées à la
planification, à la programmation, au développement et à
l'évaluation des projets physiques dans les établissements
de soins de santé (4.3).
En outre, il est possible d'observer à la figure 8 le
classement de l'importance relative de chaque PR,
représenté dans l'histogramme par des valeurs
croustillantes, où la valeur cumulée de l'importance
relative du PR est également représentée par la ligne
rouge. Il est donc possible de définir les actions qui
devraient être prioritaires dans un premier temps, en
vue de satisfaire le client.
Une fois que le classement des PR ayant les valeurs
croustillantes les plus élevées a été obtenu (tableau 8), il
est possible de prioriser les actions qui devraient être
prises par la direction de l'HUOL. Il convient donc de
souligner les conclusions qui peuvent être tirées des
principaux PR, afin d'aider les responsables tout au long
de la préparation des plans d'action.
Le PR8-FORMATION DE L'ÉQUIPE TECHNIQUE
(INGÉNIERIE, ADMINISTRATION, MAINTENANCE,
etc.) est un programme de formation.
NANCE ET HYGIÉNISATION) est la plus pertinente
en raison de son influence sur la "voix du client". Par
conséquent, la direction générale devrait être guidée
pour étudier les moyens d'améliorer la formation des
équipes techniques.
En deuxième position, PR7 - GESTION PARTAGEE
(permettant à tous les membres de l'équipe de travailler
ensemble).
PARTICIPER AUX DÉCISIONS) révèle que
l'encadrement supérieur doit discuter avec les
principaux responsables des CS des moyens d'améliorer
la participation de tous les employés de HUOL aux
processus décisionnels liés au CS.
Troisième dans le classement, PR5-ADOPTION DE
NORMES TECHNIQUES RELATIVES À LA
PLANIFICATION, LA PROGRAMMATION,
L'ÉLABORATION ET L'ÉVALUATION DE PROJETS
PHYSIQUES DANS LE DOMAINE DES SOINS DE
SANTÉ
démontre qu'il est nécessaire d'évaluer si les normes
techniques en question sont correctement appliquées,
étant donné que cette RP peut améliorer la qualité du
comité de surveillance.
En outre, il est également important de souligner les
exigences liées à PR3-ADOPTION DES NORMES
TECHNIQUES DE SÉCURITÉ DÉTERMINÉES PAR LE
DÉPARTEMENT DES INCENDIES ainsi que PR2-
CRÉATION D'UN PLAN D'URGENCE CONTRE LES
CASUALITÉS (ÉVACUATION RAPIDE, INCENDIE,
EXPLOSION, MANQUE D'ÉQUIPEMENT).
), dans lesquels ils soulignent la nécessité d'investir dans
l'ingénierie de la sécurité au travail, soit par la formation
contre les accidents, soit par l'adaptation de
l'infrastructure du SC aux normes de sécurité.
Conclusion
La recherche a réussi à cataloguer la perception des
acteurs impliqués dans la planification des opérations
d'ingénierie clinique au Centre chirurgical HUOL, en
orientant les priorités d'intervention selon des
systématisations soutenues par la théorie de la décision.
Le précepte de l'économie, considéré comme une
pratique pertinente dans la morale brésilienne de la
gestion publique, a été mis en évidence par cette étude
et contribue à ce que HUOL continue à respecter son
engagement à l'égard des aspects formels alignés sur la
gouvernance et les organismes de réglementation.
 Junior et al. BMC Medical Informatics and Decision Making
Tableau 8 Matrice des relations floues
Niveau PR 1 PR 2 PR 3 PR 4 PR 5 PR 6 PR 7 PR 8
d'importan
ce
CN 1 0.69 0.94 0.98 0.75 1.0 1.00 0.75 1.0 1.00 0.75 1.00 1.00 0.00 0.0 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.50 0.75 1.00 0.75 1.00 1.0
CN 2 0.70 0.95 0.99 0.75 1.0 1.00 0.75 1.0 1.00 0.75 1.00 1.00 0.00 0.0 0.00 0.25 0.50 0.75 0.00 0.00 0.00 0.50 0.75 1.00 0.75 1.00 1.0

(2022) 22:8
CN 3 0.69 0.93 0.98 0.75 1.0 1.00 0.75 1.0 1.00 0.75 1.00 1.00 0.00 0.0 0.00 0.50 0.75 1.00 0.00 0.00 0.25 0.50 0.75 1.00 0.75 1.00 1.0
CN 4 0.66 0.91 0.97 0.00 0.0 0.00 0.00 0.0 0.25 0.00 0.00 0.25 0.75 1.0 1.00 0.75 1.00 1.00 0.75 1.00 1.00 0.75 1.00 1.00 0.50 0.75 1.0
CN 5 0.67 0.92 0.97 0.00 0.0 0.00 0.25 0.5 0.75 0.50 0.75 1.00 0.00 0.0 0.25 0.25 0.50 0.75 0.25 0.50 0.75 0.00 0.00 0.25 0.00 0.25 0.5
CN 6 0.69 0.94 0.99 0.00 0.0 0.25 0.00 0.0 0.25 0.00 0.00 0.25 0.75 1.0 1.00 0.75 1.00 1.00 0.75 1.00 1.00 0.75 1.00 1.00 0.75 1.00 1.0
CN 7 0.68 0.93 0.99 0.25 0.5 0.75 0.25 0.5 0.75 0.25 0.50 0.75 0.75 1.0 1.00 0.50 0.75 1.00 0.75 1.00 1.00 0.75 1.00 1.00 0.75 1.00 1.0
CN 8 0.66 0.91 0.98 0.00 0.0 0.00 0.25 0.5 0.75 0.00 0.25 0.50 0.25 0.5 0.75 0.00 0.25 0.50 0.50 0.75 1.00 0.25 0.50 0.75 0.75 1.00 1.0
Importance relative 1.7 3.3 3.9 2.1 4.2 5.6 2.1 4.2 5.6 1.7 3.2 3.9 2.0 4.4 5.9 2.0 3.9 4.9 2.7 5.4 6.9 3.4 6.5 7.4
(floue)
Importance relative (Crisp) 3.1 4.1 4.1 3.1 4.3 3.8 5.2 6.1
Importance relative (%) 9.29 12.11 12.12 9.17 12.62 11.17 15.32 18.20
Classement 7 5 4 8 3 6 2 1

14
Page 11 de
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 12 de 19

7.00 100.0

90.0
6.00
80.0

5.00 70.0
IMPORTANCE RELATIVE

60.0
4.00

% ACCUMULÉ
50.0
(CROUSTILLANTE)

3.00
40.0

2.00 30.0

20.0
1.00
10.0

0.00 0.0
PR 8PR 7PR 5PR 3PR 2PR 6PR 1PR
4

EXIGENCES DU PROJET
Fig. 8 Représentation de l'importance relative des exigences de conception à l'aide du diagramme de Pareto

Les limites du présent travail découlent
principalement de son approche quali-quantitative, car
il se peut qu'il ne représente pas de manière fiable la
perception du répondant. La technique SERVQUAL
elle-même peut entraîner des biais lorsqu'elle est
comparée à des protocoles validés statistiquement, ce
qui remet en question l'existence d'autres outils plus
adaptés à la planification des services que celui appliqué
dans cette étude pour obtenir la voix du client dans
l'étape QFD-fuzzy. En guise de suggestion pour de
futures recherches, les auteurs envisagent la possibilité
de développer un modèle d'équation structurelle pour
identifier, à partir d'un modèle conceptuel, les facteurs
considérés comme prioritaires (critiques) dans l a
planification des opérations d'ingénierie clinique dans
les centres chirurgicaux à travers le réseau d'hôpitaux
universitaires gérés par l'Entreprise brésilienne de
services hospitaliers (EBSERH), en présentant des
scénarios d'implica- tions financières impactés par ce
modèle. Grâce à ce réseau d'hôpitaux, il est possible
d'appliquer des techniques telles que l'exploration
d'opinion (Opinion Mining), qui permet d'étudier de
nouvelles discussions sur le modèle flou.
Logique.
Remerciements
CAPESCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
HUOL/EBSERHospital Universitário Onofre Lopes/Empresa Brasileira de Serviços
Hospitalares.
Contributions des auteurs
J.G., E.C. et W.S. ont rédigé le texte principal du manuscrit, préparé toutes
les figures et effectué les ajustements nécessaires à la soumission. T.B. et
D.F. ont contribué à la validation des données de l'étude. H.H, I.A. et J.A.C.
ont procédé à l'examen critique de l'étude.
manuscrit. J.F.C. a revu et traduit l'article. Tous les auteurs ont lu et approuvé le
manuscrit final.
Financement
Aucun financement spécifique n'a été reçu.
Disponibilité des données et du matériel
Les données sont détenues par l'auteur correspondant (Jurandir Barreto
Galdino Junior) qui les met à disposition sur demande.
Déclarations
Approbation éthique et consentement à la participation
Cette étude a été approuvée par le comité d'examen institutionnel de
l'Universidade Federal do Rio Grande do Norte (date d'approbation : 14 Oct
2019). Toutes les procédures effectuées dans les études impliquant des
participants humains étaient conformes a u x normes éthiques du comité de
recherche institutionnel et/ou national et à la Déclaration d'Helsinki de
l'Association médicale mondiale. Les participants ont donné leur
consentement écrit sur la base d'un modèle d'entretien semi-structuré
développé et documenté par les chercheurs de cette étude. Tous les
participants ont participé volontairement à cette étude.
Consentement à la publication
Sans objet.
Intérêts concurrents
Les auteurs déclarent qu'ils n'ont pas d'intérêts concurrents.
Détails de l'auteur
1
Master en ingénierie de la production à l'Université fédérale du Rio Grande
do Norte (UFRN), Natal, RN, Brésil. 2Ingénierie de la production et des systèmes
- Domaine de concentration - Gestion d'entreprise de l'Université fédérale de
Santa Catarina - UFSC (2004). Professeur associé à l'Université fédérale du Rio
Grande do Norte, Natal, RN, Brésil. 3Ingénierie électrique et informatique -
UNICAMP (1999). Professeur titulaire à l'Université fédérale du Rio Grande do
Norte, Natal, RN, Brésil. 4Sciences de la santé/médecine à l'université fédérale
du Rio Grande do Norte (2008). Professeur à l'Universidade Potiguar (UnP),
Natal, RN, Brésil.
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8
Reçu : 6 septembre 2021 Accepté : 3 janvier 2022
Références
1. Rezaei T, Ghahramanian A, Abdullahzaed F, Sheikhalipour Z, Asghari-
Jafarabadi M, Fadaei Z. Écarts de qualité de service dans la prestation de
soins aux patients chirurgicaux : une étude transversale dans le nord-
ouest de l'Iran. J Caring Sci. 2018;7(3):157-62.
https://doi.org/10.15171/jcs.2018.025.
2. Bidassie B, Gunnar W, Starr L, Van Buskirk G, Warner L, Anckaitis C, Howard
A. Data-driven process to improve VA surgical flow. Int J Health Care Qual
Assur. 2018;31(4):283–94. https://doi.org/10.1108/IJHCQA-03-2017-0053.
3. Nazif, H. Programmation des interventions chirurgicales en salle
d'opération avec des durées d'intervention floues à l'aide d'une
approche métaheuristique. Adv Oper Res. 2018. https://doi.org/10.
1155/2018/8637598.
4. Nasiri MM, Shakouhi F, Jolai F. A fuzzy robust stochastic mathemati-
cal programming approach for multi-objective scheduling of the
surgical cases. Opsearch. 2019;56(3):890–910.
https://doi.org/10.1007/ s12597-019-00379-y.
5. Barbagallo S, Corradi L, de Ville de Goyet J, Iannucci M, Porro I,
Rosso N, Tanfani E, Testi A. Optimisation et planification des
activités du bloc opératoire : une définition originale des parcours
et de la modélisation des processus. BMC Med Inform Decis Mak.
2015;15:38. https://doi.org/10.1186/ s12911-015-0161-7.
6. Empresa Brasileira de Serviços Hospitalares. Institucional [internet].
Brasília : EBSERH ; [cité le 06 janvier 2020]. Disponible à l'adresse :
https://www.gov.br/ ebserh/pt-br/hospitais-universitarios/regiao-
nordeste/huol-ufrn/acesso- a-informacao/institucional
7. Priyono A, Yulita A. Improving service quality of hospital front office
using a n integrated Kano model and quality function deployment.
Intangible Capital. 2017;13(5):923–45. https://doi.org/10.3926/ic.1001.
8. Raziei Z, Torabi AS, Tabrizian S, Zahiri B. A hybrid GDM-SERVQUAL-
QFD approach for service quality assessment in hospitals. Eng Manag
J. 2018;30(3):179-90. https://doi.org/10.1080/10429247.2018.1443670.
9. Akao Y. Quality function deployment-QFD : integrating customer
requirements into product design. New York : Productive Press ;
1990.
10. Jaffray DA, Easty T. Erratum : congrès mondial de physique médicale et
d'ingénierie biomédicale. In : Jaffray D. World Congress on Medical
Physics and Biomedical Engineering. Toronto : Springer ; 2015. p. 7-12.
https://doi. org/10.1007/978-3-319-19387-8_427
11. Yassin A, Muhammad R, Bassel T. Functional and spatial design of emer-
gency departments using quality function deployment. J Healthcare Eng.
2018 ; 2018:1-7. https://doi.org/10.1155/2018/9281396
12. Parasuraman A, Zeithaml VA, Berry LL. A conceptual model of service
quality and its implications for future research. J Mark. 1985;49(4):41–50.
https://doi.org/10.2307/1251430.
13. Büyükozkan G, Çifçi G, Güleryüz S. Strategic analysis of healthcare servisse
quality using fuzzy AHP methodology. Exp Syst Appl. 2011;38(8):9407-24.
https://doi.org/10.1016/j.eswa.2011.01.103.
14. Batista DA. O Uso da Abordagem Fuzzy para a Integração das
Ferramen- tas QFD e SERVQUAL em Serviços de Saúde [dissertation].
Pernambuco : Universidade Federal de Pernambuco ; 2013.
https://repositorio.ufpe.br/ handle/123456789/12938
15. Zadeh LA. Ensembles flous. Inf Control. 1965;8(3):338–53.
https://doi.org/10. 1016/S0019-9958(65)90241-X.
16. Zimmermann HJ. Fuzzy set theory and its application. 3e éd. Kluwer Aca-
demic Publishers, Boston ; 1996.
17. Shaw IS, Simõe MG. Controle e Modelagem Nebulosa. São Paulo :
editora Edgard Blucher ; 1999. p 165.
18. Ross TJ. Fuzzy logic with engineering applications. 4th ed. Nouveau
Mexique : Wiley ; 2004. p. 580.
19. Vaziri J, Beheshtinia MA. A holistic fuzzy approach to create competitive
advantage via quality management in services industry (case study :
life- insurance services). Manag Decis. 2016;54(8):2035-62.
20. Saleh N, Sharawi AA, Abdel Wahed M, Balestra G. A Conceptual
Prior- ity Index for Purchasing Medical Equipment in Hospitals. J Clin
Eng. 2015;40(3):E1-6.
Page 13 de 19
21. Lin LZ, Chen WC, Chang TJ. Using FQFD to analyze island accom-
modation management in fuzzy linguistic preferences. Exp Syst Appl.
2011;38(6):7738-45. https://doi.org/10.1016/j.eswa.2010.12.135.
22. Karsak EE, Dursun M. An integrated fuzzy MCDM approach for supplier
evaluation and selection. Comput Ind Eng. 2015;82:82-93. https://doi.
org/10.1016/j.cie.2015.01.019.
23. Kahraman C, Öztayşi B, Çevik Onar S. A comprehensive literature review
of 50 years of fuzzy set theory. Int J Comput Intell Syst. 2016;9(May):3-24.
24. Jiang Y, Yang C, Ma H. A review of fuzzy logic and neural network based
intelligent control design for discrete-time systems. Discret Dyn Nat Soc.
2016;2016.
25. Serrano-Guerrero J, Romero FP, Olivas JA. Fuzzy logic applied to
opinion mining : a review. Knowledge-Based Syst. 2021;222:107018.
https://doi. org/10.1016/j.knosys.2021.107018.
26. Mendoza GA, Martins H. Multi-criteria decision analysis in natural
resource management : a critical review of methods and new
modelling paradigms. For Ecol Manag. 2006;230(1-3):1-22.
27. Frazão TDC, Camilo DGG, Cabral ELS, Souza RP. Multicriteria decision anal-
ysis (MCDA) in health care : a systematic review of the main
characteristics and methodological steps. BMC Med Inform Decis Mak.
2018;18(1):1-16.
28. Opricovic S. Fuzzy VIKOR with an application to water resources planning.
Exp Syst Appl. 2011;38(10):12983-90. https://doi.org/10.1016/j.eswa.2011.
04.097.
29. Parasuraman A, Zeithaml VA, Berry LL. SERVQUAL : a multipleitem
scale for measuring consumer perceptions of service quality. J Retail.
1988;64(1):12-40.
30. Guinta LR, Praizler NC. Manual de QFD-O uso de equipes para solu-
cionar problemas e satisfazer clientes pelo desdobramento da função
qualidade. Rio de Janeiro : LTC ; 1993.
31. Chou CC, Liu LJ, Huang SF, Yih JM, Han TC. An evaluation of airline
service quality using the fuzzy weighted SERVQUAL method. Appl Soft
Comput. 2011;11(2):2117–2128.
https://doi.org/10.1016/j.asoc.2010.07.010
32. Prascevic Z, Prascevic N. One modification of fuzzy TOPSIS method. J
Model Manag. 2013;8(1):81-102. https://doi.org/10.1108/1746566131
1311996.
33. Wang P. The interpretation of fuzziness. IEEE Trans Syst Man Cybern
Syst. 1996;26(2):321–6. https://doi.org/10.1109/3477.485883.
34. Junior FRL, Osiro L, Carpinetti LCR. A comparison between fuzzy AHP
and fuzzy TOPSIS methods to supplier selection (Comparaison entre
les méthodes AHP et TOPSIS floues pour la sélection des
fournisseurs). Appl Soft Comput. 2014;21:194–209.
https://doi.org/10.1016/j.asoc.2014.03.014.
35. Buckley JJ. Classement des alternatives à l'aide de nombres flous.
Fuzzy Sets Syst. 1985;15(1):21–31. https://doi.org/10.1016/0165-
0114(85)90013-2.
36. Chen CT. Une approche floue pour sélectionner l'emplacement du
centre de distribution. Fuzzy Sets Syst. 2001;118(1):65–73.
https://doi.org/10.1016/S0165- 0114(98)00459-X.
37. Cho IJ, Kim YJ, Kwak C. Application of SERVQUAL and fuzzy quality func-
tion deployment to service improvement in service centres of electronics
companies. Total Qual Manag Bus Excell. 2015;27(3–4):368–81. https://
doi.org/10.1080/14783363.2014.997111.
38. Kaufman A, Gupta MM. Introduction to fuzzy arithmetic. New York :
Van Nostrand Reinhold Company ; 1991. p. 351.
39. Hu HY, Lee YC, Yen TM. Service quality gaps analysis based on Fuzzy lin-
guistic SERVQUAL with a case study in hospital out-patient services.
Total Qual Manag. 2010;22(5):499-515.
https://doi.org/10.1108/1754273101 1072847.
40. Beheshtinia MA, Azad FM. A fuzzy QFD approach using SERVQUAL and
Kano models under budget constraint for hotel services. Total Qual
Manag Bus Excell. 2017;30(7–8):808–30. https://doi.org/10.1080/14783
363.2017.1340830.
41. Dobrosielski WT, Czerniak JM, Zarzycki H, Szczepański J. Fuzzy numbers
applied to a heat furnace control. In : Studies in fuzziness and soft
com- puting. 2017. p. 269-88.
42. Chen SH, Hsieh CH. Graded mean integration representation of general-
ized fuzzy number. In : Proceedings of Sixth Conference on Fuzzy
Theory and its Application ; 1998, Taiwan, Republic of China. Chinese
Fuzzy Systems Association, 1998.
43. Behdioğlu S, Acar E, Burhan HA. Evaluating service quality by fuzzy SERV-
QUAL : a case study in a physiotherapy and rehabilitation hospital. Total
Qual Manag Bus Excell. 2017;30(3–4):301–19. https://doi.org/10.1080/
14783363.2017.1302796.
Junior et al. BMC Medical Informatics and Decision Making (2022) 22:8 Page 14 de 19

44. Kargari M. Ranking of performance assessment measures at tehran hotel

by combining DEMATEL, ANP, and SERVQUAL models under fuzzy
condi- tion. Math Probl Eng. 2018;2018(3):1-11.
https://doi.org/10.1155/2018/ 5701923.
45. Bottani E. A fuzzy QFD approach to achieve agility. Int J Prod Econ.
2009;119(2):380-91. https://doi.org/10.1016/j.ijpe.2009.02.013.

Note de l'éditeur
Springer Nature reste neutre en ce qui concerne les revendications
juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Prêt à soumettre votre recherche ? Connectez-vous à BMC et bénéficiez de :

• soumission en ligne rapide et pratique

• un examen approfondi par des chercheurs expérimentés dans votre domaine
• publication rapide dès l'acceptation
• le soutien aux données de recherche, y compris les types de données
complexes et de grande taille
• l'accès libre à l'or, qui favorise une plus grande collaboration et un plus grand
nombre de citations
• une visibilité maximale pour vos recherches : plus de 100 millions de visites de
sites web par an

Chez BMC, la recherche est toujours en

cours. En savoir plus

biomedcentral.com/submissions