زمینه و هدف: درگیریهای مسلحانه از شدیدترین بحرانهای انسانی بهشمار میروند و با ایجاد اختلال در ارائه خدمات درمانی، فرسایش منابع حیاتی و تهدید سلامت جسمی و روانی جوامع، فشار بیسابقهای بر نظامهای سلامت وارد میکنند. پیچیدگی و پیشبینیناپذیری جنگهای نوین، ضرورت توسعه نظامهای سلامت تابآور و سازگار را برای حفظ تداوم خدمات درمانی در شرایط بحرانی بیش از پیش آشکار ساخته است. پژوهش حاضر ابعاد کلیدی تابآوری نظام سلامت، شامل خودامدادی، دگرامدادی و ظرفیت افزایش ناگهانی خدمات را از طریق مطالعه موردی یکپارچه درگیری اخیر ایران، اسرائیل و ایالات متحده - که در این پژوهش از آن با عنوان جنگ رمضان یاد میشود - بررسی میکند. برای این منظور، از چارچوب خودتطبیقی بیمارستانهای نظامی مبتنی بر محاسبات ارگانیک بهمنظور ارزیابی توان پاسخگویی و بازیابی نظام سلامت در برابر اختلالات گسترده ناشی از جنگ استفاده شده است. روشها: این پژوهش با بهرهگیری از رویکرد روششناسی ترکیبی، روش توصیفی- تحلیلی مبتنی بر اسناد تاریخی را با شبیهسازی عاملبنیان تلفیق میکند. همچنین، یک مدل ریاضی جدید با عنوان شاخص پویای تابآوری برای سنجش کمی عملکرد، روند بازیابی و ظرفیت سازگاری نظام سلامت در شرایط جنگی توسعه داده شد. یافتهها: نتایج نشان داد که بهکارگیری مدل خودتطبیقی موجب کاهش میانگین تقاضاهای عقبافتاده خدمات درمانی به میزان 24/34 درصد، کاهش زمان انتظار برای دریافت خدمات به میزان 38/89 درصد، کاهش خرابی واحدهای درمانی به میزان 37/53 درصد و کاهش زمان تخلیه بیمارستان به میزان 42/11 درصد شده است. افزون بر این، شاخص پویای تابآوری بهبود پیک بازیابی را تا 63/35 واحد نشان داد. یافتهها همچنین بیانگر آن است که هماهنگی مؤثر میان نهادهای نظامی و درمانی، مشارکت نیروهای داوطلب و امدادی، انعطافپذیری ساختار ارائه خدمات درمانی، بسیج ظرفیتهای محلی و بهکارگیری راهبردهای مدیریتی خودتطبیقی، نقش تعیینکنندهای در تقویت تابآوری نظام سلامت در شرایط جنگی ایفا میکنند. نتیجهگیری: این پژوهش مجموعهای از راهبردهای عملی برای ارتقای تابآوری نظام سلامت، شامل سامانههای تریاژ مبتنی بر هوش مصنوعی، سازوکارهای تخلیه با استفاده از پهپاد، زیرساختهای ارتباطی دورگهای و سامانههای ذخیره هوشمند توزیعشده را ارائه میکند. چارچوب پیشنهادی میتواند بهعنوان الگویی عملیاتی و توسعهپذیر برای ارتقای آمادگی و تابآوری نظامهای سلامت ایران و سایر کشورهای در معرض بحرانهای پیچیده مورد استفاده قرار گیرد و از طریق کاهش تلفات و حفظ تداوم خدمات ضروری سلامت، به مدیریت اثربخش بحرانهای گسترده کمک کند.
Zhou J, Cui G, Hu S, Zhang Z, Yang C, Liu Z, et al. Graph neural networks: A review of methods and applications. AI open. 2020;1:57-81. doi:10.1016/ j.aiopen.2021.01.001
Tufekci Z. Twitter and tear gas: The power and fragility of networked protest. Yale University Press; 2017. doi:10.25969/mediarep/14848
Van Dijck J. The Culture of Connectivity: A Critical History of Social Media. Oxford: Oxford Univ Press; 2013.
Finger T. Identity and Social Cohesion. In: Uniting Europe through Football: The Interplay between Fandom, Identity and Social Cohesion. Cham: Springer; 2025. pp.33. doi:10.1007/978-3-031-77118-7_2
Mueller JE. Presidential popularity from Truman to Johnson. Am Polit Sci Rev. 1970;64(1):18-34. doi:10.2307/1955610
Kuehnhanss CR, Holm J, Mahieu B. Rally ’round which flag? Terrorism’s effect on (intra) national identity. Public Choice. 2021;188(1):53-74. doi:10.1007/s11127-020-00803-8
Lin Z, Zhang Y, Gong Q, Chen Y, Oksanen A, Ding AY. Structural hole theory in social network analysis: A review. IEEE Trans Comput Soc Syst. 2021;9(3):724-39. doi:10.1109/TCSS.2021.3070 321
Kridera S, Kanavos A. Exploring trust dynamics in online social networks: A social network analysis perspective. Math Comput Appl. 2024;29(3):37. doi:10.3390/mca29030037
Quarantelli EL. Disaster crisis management: A summary of research findings. J Manag Stud. 1988;25(4):373-85. doi:10.1111/j.1467-6486.1988 .tb00043.x
Fan W, Ma Y, Li Q, He Y, Zhao E, Tang J, et al. Graph neural networks for social recommendation. The world wide web conference. 2019. pp. 417-426. doi:10.1145/3308558.3313488
Ponzi V, Napoli C. Graph Neural Networks: Architectures, Applications, and Future Directions. IEEE Access. 2025. doi:10.1109/ACCESS.2025. 3558752
Oladele O. Graph Neural Networks (GNNs) for Social Interaction Modeling. 2024.
Wang H, Cao J, Pei J. Representation learning of dynamic networks. arXiv preprint arXiv:2412. 11065. 2024. doi:10.48550/arXiv.2412.11065
Uslaner EM. National Identity and Political Polarization. In: National Identity and Social Cohesion. 2023. pp.241.
Sharafutdinova G. The Red Mirror: Putin's Leadership and Russia's Insecure Identity. Oxford: Oxford Univ Press; 2020. doi:10.1093/oso/ 9780197502938.001.0001
Fu P, Jing B, Chen T, Yang J, Cong G. Modeling network public opinion propagation with the consideration of individual emotions. Int J Environ Res Public Health. 2020;17(18):6681. doi:10.3390/ijerph17186681
Pouryosefigabiyeh A, Kazemi Pour S, Saiearasi E. Investigating the cultural exchanges caused by the influence of Telegram and Instagram social networks on the level of political awareness of students. Sociocult Changes. 2023;19(4):157-86. doi:10.30495/jscc.2023.1973391.2060
Bennett WL, Segerberg A. The logic of connective action: Digital media and the personalization of contentious politics. Inf Commun Soc. 2012;15(5): 739-68. doi:10.1080/1369118X.2012.670661
Granovetter MS. The strength of weak ties. Am J Sociol. 1973;78(6):1360-80.
Papacharissi Z. Affective publics: Sentiment, technology, and politics. Oxford University Press; 2015.
Van Vugt M, Park JH. The tribal instinct hypothesis: Evolution and the social psychology of intergroup relations. Pers Soc Psychol Rev. 2010;14(1):135-52.
Axworthy M. A History of Iran: Empire of the Mind. Basic Books; 2016.
Yarshater E. The Persian Presence in the Islamic World. Cambridge University Press; 1999.
Kuppan K, Acharya DB, Divya B. LSTM-GNN Synergy: A New Frontier in Stock Price Prediction. J Adv Math Comput Sci. 2024;39(12):95-109. doi:10.9734/jamcs/2024/v39i121952
Kataishi R. The Technological Trajectory of Semantic Analysis: A Historical-Methodological Review of NLP in Social Sciences. 2024. doi:10.2139/ssrn.5022988
)