人工智能增强的远程医疗:通过先进的队列模型改变资源分配和成本效益分析

科学领域:

• 人工智能
• 医疗管理
• 运营研究

背景情况:

• 传统的远程医疗队列系统面临着动态需求和以优先级为基础的护理.
• 先进的排队机制对于优化数字医疗服务至关重要.

研究的目的:

• 使用深度强化学习将先进的排队模型与人工智能调度集成.
• 通过动态调整医生可用性和根据紧急情况和到达时间优先考虑患者来优化数字医疗保健.

主要方法:

• 使用Q-learning,一个无模型的强化学习算法,用于资源分配.
• 实施人工智能调度以尽量减少患者等待时间,并动态调整医生任务.
• 在Dhanwantri医院和研究中心 (DHRC) 进行了一项案例研究, 分析了10个模拟运行中的5000多个患者记录.

主要成果:

• 通过人工智能调度,急诊患者的等待时间减少了40% (95% CI [35%, 45%]).
• 停滞不前的安排使得高峰期的等待时间增加了80%.
• 人工智能调度显示了等待时间的统计显著减少 (p值 = 0.003),并显示了积极的财务效应,包括降低患者成本和改善资源分配.

结论:

• 人工智能增强的队列管理为现代远程医疗提供了可扩展和成本效益的方法.
• 拟议的人工智能调度模型显著提高了数字医疗保健中的患者护理和运营效率.
• 医生可用性和患者优先级的动态调整是优化远程医疗服务的关键.