服务经营｜ 优化决策在医疗健康行业的理论+实践

编者按

优化建模在实践中的时常碰到的1个问题是：你的模型在现实中到底阔以实行吗？这篇文章中提到的文章，根本以“成对”的形态显现， 一篇文章讨论建模流程中的优化和理论难题，一篇文章与医疗体系协作，讨论模型实际应用中的细节。下列的三篇文章应用的优化决策工具都不尽相近，通过这篇文章，期望大家阔以了解医疗决策的理论和实践。

（一）

+ 理论

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：这项工作研发了1个两阶段预判驱动的医护职员配置框架，此中预判模型与急诊室的根本（提早数周做出）和激增（几乎实时做出）职员配置决策相结合。通过模型，作家明确计算了应用更昂贵的激增雇员的好处，并确认了平衡需要不确认性和需要随机性的首要性。文章还提出了1个靠近最优的，阔以被直接阐明和施行的两阶段职员配置政策，最终，文章建立了1个统一的框架，将参数预计、实时需要预判和急诊室的容量大小结合起来。仿生试验标明，本文提出的方式阔以在确保病人获得即时护理的同时，将每年的职员配置本钱减低11%-16%（200万-300万美圆）。

+ 运用

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

摘要：本文创建了1个急诊科（ED）病人数目的预判模型，用以辅助医护职员的雇用决策。文中考核了含盖线性回归、回归树、时间序列模型在内的各类预判技术，以评价实时数据的预判成效。研发结果显现，与不参考实时信息的模型相比，实时预判的预判模型成效更为确切，短期病人数目、天气、谷歌形势等拥有显著的预判本领。在多种预判模型中，SARIMA获得了最小的样件外均方根偏差和平均一定预判偏差，其次是线性回归。该研发的论断是，实时数据能有效提升急诊室需要的预判确切性，并为设计拥有实时需要预判的职员配置形式以减小急诊室拥挤供应了实践和政策意义。

（二）

+理论

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：本文提出了一类新的方式，为在儿科急诊部供应轮班服务的住院医师制订每月时间表。鉴于该问题的多目的本质，作家偏重于形成帕累托主导的时间表，医院阔以从中进行选取。他们应用递归方式来形成一切帕累托主导的住院医生策划，用warm-start 来加快求解效益。文章供应了1个案例研发，阐明住院医生怎样应用形成的帕累托边缘来选取时间表。

+ 运用

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：本文简介了优化住院医生排班助手（ORSA）的开发和施行，这一工具的应用有效改进医疗住院医生的排班品质和提升排班效益。ORSA解析调度员供应的信息，如住院医生的项目和年份、睡觉日恳求和其余有关数据，以形成可行的、优化的时间表。该工具于2012-2013学年在C.S. Mott儿童医院儿科急诊科施行，进而提升了排班品质和效益。

（三）

+理论

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：本文简介了DELPHI，一类崭新的盛行病学模型，用来预判COVID-19大盛行病接种前的病例和灭亡人数。不同于其余盛行病监测模型，DELPHI将对传染人数的探测不够和政府干预手段的影响予以参考。通过在200多个国家和地方的运用， DELPHI与其余COVID-19盛行病学模型相比更胜一筹，并提早数月预判了2020年美国、英国和俄罗斯等国家和地方的大范围盛行病。作家展现了DELPHI的简洁运用。例如，应用DELPHI来评价政府干预手段对大盛行病传递的影响。

+ 运用

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：这篇文章全面简介了怎样应用 DELPHI 来加快III期疫苗实验。鉴于DELPHI只可形成确切的近期到中期的预判，作家展现了怎样在DELPHI的根基上，通过引入场景解析工具箱来战胜持久盛行病预判的艰难。由DELPHI驱动的试验选址流程将第三阶段的实验时间加速了8周，同时将实验样件量从60,000人减小到45,000人，这一实验流程的加快有助于加速疫苗的交付应用，以抗衡COVID-19大盛行病。另外，鉴于这一顺利的施行，这一项目标顺利历练阔以辅助变短更多医药的临床实验时间，并进一步减低医药开发的经济危害。