首选住院的COVID-19患者使用直觉的模糊的基于集合的匹配方法

科学领域:

• 决策科学 决策科学
• 计算智能是一种计算智能.
• 医疗信息学 医疗信息学

背景情况:

• 第三波COVID-19在优先考虑患者住院治疗方面带来了挑战.
• 传统的匹配技术在选择合适的患者-医院对手时与固有的不确定性作斗争.
• 模糊集合理论为管理决策中的不确定性提供了一个强大的框架.

研究的目的:

• 为不确定的决策问题开发一种新的模糊匹配方法.
• 为了扩展模糊匹配方法,使用直观模糊集.
• 为解决COVID-19患者首选住院治疗的关键问题.

主要方法:

• 通过扩展传统的匹配技术,开发了一种模糊匹配方法.
• 集成的模糊集合理论来处理对选择中的不确定性.
• 利用模糊来量化患者和医院集之间的距离.
• 在一个直观的模糊集合框架内扩展了方法.
• 通过偏好序列建立了匹配技术和模糊集合理论之间的关系.

主要成果:

• 拟议的模糊匹配方法有效地解决了患者住院期间不确定的决策.
• 基于模糊集合的直观匹配方法在模糊和传统方法中表现出优异的性能.
• 一个关于COVID-19患者住院治疗的案例研究验证了该方法的适用性.
• 这项研究涉及9424名患者和234家医院,18024张床位.

结论:

• 新型模糊匹配方法,特别是直觉模糊集扩展,为优化COVID-19患者住院治疗提供了有效的解决方案.
• 这种方法在复杂,不确定的医疗保健场景中提高了决策准确性.
• 这些发现为公共卫生危机期间的医疗保健管理提供了有价值的工具.