通过优化和机器学习与长尾数据进行外科手术安排:医疗保健管理科学,在媒体上
Yuan Shi1, Saied Mahdian2, Jose Blanchet2
1Massachusetts Institute of Technology, Cambridge, MA, 02139, USA.
Health care management science
|September 4, 2023
概括
这项研究制定了一个框架,以减少心血管手术患者的医院康复单位拥堵. 一种保守的随机优化模型通过考虑患者长时间的恢复时间,有效地减少了拥堵,优于其他方法.
科学领域:
- 医疗保健 运营 研究 研究 研究
- 医疗信息学 医疗信息学
- 心血管外科心血管外科
背景情况:
- 心血管外科手术患者往往有长期和可变的术后停留时间 (LOS).
- 医院康复单位面临着由于不可预测的患者LOS导致的拥堵挑战.
- 当前的调度系统可能无法充分解决患者康复的变化.
研究的目的:
- 开发和评估一个建模框架,以减少回收单位的拥堵.
- 通过准确估计患者的LOS来改善外科手术程序的安排.
- 将各种优化模型的性能与当前的手动系统进行比较.
主要方法:
- 利用机器学习模型来估计患者的LOS及其概率分布.
- 采用了各种优化模型来进行滚动式程序调度.
- 使用模拟估计模型性能,专注于拥堵和等待时间.
- 专门测试了一种保守的随机优化方法,使用长尾分布采样.
主要成果:
- 机器学习模型在预测LOS方面表现出适度的准确性,即使使用了大量的患者数据.
- 与手动系统相比,大多数测试的优化模型都未能在不增加手术等待时间的情况下减少拥堵.
- 一个保守的随机优化模型,考虑到LOS分布的长尾,超过了手动过程和其他优化策略.
结论:
- 对LOS过于简单的分布模型可能会阻碍有效的程序调度.
- 必须仔细选择优化方法,以处理医疗保健机构中长尾LOS分布.
- 一种非常适合的随机优化方法可以成功地减轻心血管外科手术中的恢复单元拥堵.
