服務(wù)經(jīng)營(yíng)｜ 優(yōu)化決策在醫(yī)療健康行業(yè)的理論+實(shí)踐

編者按

優(yōu)化建模在實(shí)踐中的時(shí)常碰到的1個(gè)問(wèn)題是：你的模型在現(xiàn)實(shí)中到底闊以實(shí)行嗎？這篇文章中提到的文章，根本以“成對(duì)”的形態(tài)顯現(xiàn)， 一篇文章討論建模流程中的優(yōu)化和理論難題，一篇文章與醫(yī)療體系協(xié)作，討論模型實(shí)際應(yīng)用中的細(xì)節(jié)。下列的三篇文章應(yīng)用的優(yōu)化決策工具都不盡相近，通過(guò)這篇文章，期望大家闊以了解醫(yī)療決策的理論和實(shí)踐。

（一）

+ 理論

Hu, Yue, Carri W. Chan, and Jing Dong. "Prediction-driven surge planning with application in the emergency department." Submitted to Management Science (2021).

摘要：這項(xiàng)工作研發(fā)了1個(gè)兩階段預(yù)判驅(qū)動(dòng)的醫(yī)護(hù)職員配置框架，此中預(yù)判模型與急診室的根本（提早數(shù)周做出）和激增（幾乎實(shí)時(shí)做出）職員配置決策相結(jié)合。通過(guò)模型，作家明確計(jì)算了應(yīng)用更昂貴的激增雇員的好處，并確認(rèn)了平衡需要不確認(rèn)性和需要隨機(jī)性的首要性。文章還提出了1個(gè)靠近最優(yōu)的，闊以被直接闡明和施行的兩階段職員配置政策，最終，文章建立了1個(gè)統(tǒng)一的框架，將參數(shù)預(yù)計(jì)、實(shí)時(shí)需要預(yù)判和急診室的容量大小結(jié)合起來(lái)。仿生試驗(yàn)標(biāo)明，本文提出的方式闊以在確保病人獲得即時(shí)護(hù)理的同時(shí)，將每年的職員配置本錢減低11%-16%（200萬(wàn)-300萬(wàn)美圓）。

+ 運(yùn)用

Hu, Yue, et al. "Use of real-time information to predict future arrivals in the emergency department." Annals of Emergency Medicine (2023).

摘要：本文創(chuàng)建了1個(gè)急診科（ED）病人數(shù)目的預(yù)判模型，用以輔助醫(yī)護(hù)職員的雇用決策。文中考核了含蓋線性回歸、回歸樹(shù)、時(shí)間序列模型在內(nèi)的各類預(yù)判技術(shù)，以評(píng)價(jià)實(shí)時(shí)數(shù)據(jù)的預(yù)判成效。研發(fā)結(jié)果顯現(xiàn)，與不參考實(shí)時(shí)信息的模型相比，實(shí)時(shí)預(yù)判的預(yù)判模型成效更為確切，短期病人數(shù)目、天氣、谷歌形勢(shì)等擁有顯著的預(yù)判本領(lǐng)。在多種預(yù)判模型中，SARIMA獲得了最小的樣件外均方根偏差和平均一定預(yù)判偏差，其次是線性回歸。該研發(fā)的論斷是，實(shí)時(shí)數(shù)據(jù)能有效提升急診室需要的預(yù)判確切性，并為設(shè)計(jì)擁有實(shí)時(shí)需要預(yù)判的職員配置形式以減小急診室擁擠供應(yīng)了實(shí)踐和政策意義。

（二）

+理論

Hong, Young-Chae, et al. "Creating resident shift schedules under multiple objectives by generating and evaluating the Pareto frontier." Operations Research for Health Care 23 (2019): 100170.

摘要：本文提出了一類新的方式，為在兒科急診部供應(yīng)輪班服務(wù)的住院醫(yī)師制訂每月時(shí)間表。鑒于該問(wèn)題的多目的本質(zhì)，作家偏重于形成帕累托主導(dǎo)的時(shí)間表，醫(yī)院闊以從中進(jìn)行選取。他們應(yīng)用遞歸方式來(lái)形成一切帕累托主導(dǎo)的住院醫(yī)生策劃，用warm-start 來(lái)加快求解效益。文章供應(yīng)了1個(gè)案例研發(fā)，闡明住院醫(yī)生怎樣應(yīng)用形成的帕累托邊緣來(lái)選取時(shí)間表。

+ 運(yùn)用

Perelstein, Elizabeth, et al. "Automation improves schedule quality and increases scheduling efficiency for residents." Journal of graduate medical education 8.1 (2016): 45-49.

摘要：本文簡(jiǎn)介了優(yōu)化住院醫(yī)生排班助手（ORSA）的開(kāi)發(fā)和施行，這一工具的應(yīng)用有效改進(jìn)醫(yī)療住院醫(yī)生的排班品質(zhì)和提升排班效益。ORSA解析調(diào)度員供應(yīng)的信息，如住院醫(yī)生的項(xiàng)目和年份、睡覺(jué)日懇求和其余有關(guān)數(shù)據(jù)，以形成可行的、優(yōu)化的時(shí)間表。該工具于2012-2013學(xué)年在C.S. Mott兒童醫(yī)院兒科急診科施行，進(jìn)而提升了排班品質(zhì)和效益。

（三）

+理論

Forecasting COVID-19 and Analyzing the Effect of Government Interventions

Li, Michael Lingzhi, et al. "Forecasting COVID-19 and analyzing the effect of government interventions." Operations Research 71.1 (2023): 184-201.

摘要：本文簡(jiǎn)介了DELPHI，一類嶄新的盛行病學(xué)模型，用來(lái)預(yù)判COVID-19大盛行病接種前的病例和滅亡人數(shù)。不同于其余盛行病監(jiān)測(cè)模型，DELPHI將對(duì)傳染人數(shù)的探測(cè)不夠和政府干預(yù)手段的影響予以參考。通過(guò)在200多個(gè)國(guó)家和地方的運(yùn)用， DELPHI與其余COVID-19盛行病學(xué)模型相比更勝一籌，并提早數(shù)月預(yù)判了2020年美國(guó)、英國(guó)和俄羅斯等國(guó)家和地方的大范圍盛行病。作家展現(xiàn)了DELPHI的簡(jiǎn)潔運(yùn)用。例如，應(yīng)用DELPHI來(lái)評(píng)價(jià)政府干預(yù)手段對(duì)大盛行病傳遞的影響。

+ 運(yùn)用

Data-Driven COVID-19 Vaccine Development for Janssen

Bertsimas, Dimitris, et al. "Data-Driven COVID-19 Vaccine Development for Janssen." INFORMS Journal on Applied Analytics 53.1 (2023): 70-84.

摘要：這篇文章全面簡(jiǎn)介了怎樣應(yīng)用 DELPHI 來(lái)加快III期疫苗實(shí)驗(yàn)。鑒于DELPHI只可形成確切的近期到中期的預(yù)判，作家展現(xiàn)了怎樣在DELPHI的根基上，通過(guò)引入場(chǎng)景解析工具箱來(lái)戰(zhàn)勝持久盛行病預(yù)判的艱難。由DELPHI驅(qū)動(dòng)的試驗(yàn)選址流程將第三階段的實(shí)驗(yàn)時(shí)間加速了8周，同時(shí)將實(shí)驗(yàn)樣件量從60,000人減小到45,000人，這一實(shí)驗(yàn)流程的加快有助于加速疫苗的交付應(yīng)用，以抗衡COVID-19大盛行病。另外，鑒于這一順利的施行，這一項(xiàng)目標(biāo)順利歷練闊以輔助變短更多醫(yī)藥的臨床實(shí)驗(yàn)時(shí)間，并進(jìn)一步減低醫(yī)藥開(kāi)發(fā)的經(jīng)濟(jì)危害。