服務經(jīng)營｜ 優(yōu)化決策在醫(yī)療健康行業(yè)的理論+實踐

編者按

優(yōu)化建模在實踐中的時常碰到的1個問題是：你的模型在現(xiàn)實中到底闊以實行嗎？這篇文章中提到的文章，根本以“成對”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，討論模型實際應用中的細節(jié)。下列的三篇文章應用的優(yōu)化決策工具都不盡相近，通過這篇文章，期望大家闊以了解醫(yī)療決策的理論和實踐。

（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：這項工作研發(fā)了1個兩階段預判驅(qū)動的醫(yī)護職員配置框架，此中預判模型與急診室的根本（提早數(shù)周做出）和激增（幾乎實時做出）職員配置決策相結(jié)合。通過模型，作家明確計算了應用更昂貴的激增雇員的好處，并確認了平衡需要不確認性和需要隨機性的首要性。文章還提出了1個靠近最優(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個統(tǒng)一的框架，將參數(shù)預計、實時需要預判和急診室的容量大小結(jié)合起來。仿生試驗標明，本文提出的方式闊以在確保病人獲得即時護理的同時，將每年的職員配置本錢減低11%-16%（200萬-300萬美圓）。

+ 運用

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個急診科（ED）病人數(shù)目的預判模型，用以輔助醫(yī)護職員的雇用決策。文中考核了含蓋線性回歸、回歸樹、時間序列模型在內(nèi)的各類預判技術，以評價實時數(shù)據(jù)的預判成效。研發(fā)結(jié)果顯現(xiàn)，與不參考實時信息的模型相比，實時預判的預判模型成效更為確切，短期病人數(shù)目、天氣、谷歌形勢等擁有顯著的預判本領。在多種預判模型中，SARIMA獲得了最小的樣件外均方根偏差和平均一定預判偏差，其次是線性回歸。該研發(fā)的論斷是，實時數(shù)據(jù)能有效提升急診室需要的預判確切性，并為設計擁有實時需要預判的職員配置形式以減小急診室擁擠供應了實踐和政策意義。

（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輪班服務的住院醫(yī)師制訂每月時間表。鑒于該問題的多目的本質(zhì)，作家偏重于形成帕累托主導的時間表，醫(yī)院闊以從中進行選取。他們應用遞歸方式來形成一切帕累托主導的住院醫(yī)生策劃，用warm-start 來加快求解效益。文章供應了1個案例研發(fā)，闡明住院醫(yī)生怎樣應用形成的帕累托邊緣來選取時間表。

+ 運用

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：本文簡介了優(yōu)化住院醫(yī)生排班助手（ORSA）的開發(fā)和施行，這一工具的應用有效改進醫(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)度員供應的信息，如住院醫(yī)生的項目和年份、睡覺日懇求和其余有關數(shù)據(jù)，以形成可行的、優(yōu)化的時間表。該工具于2012-2013學年在C.S. Mott兒童醫(yī)院兒科急診科施行，進而提升了排班品質(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：本文簡介了DELPHI，一類嶄新的盛行病學模型，用來預判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)測模型，DELPHI將對傳染人數(shù)的探測不夠和政府干預手段的影響予以參考。通過在200多個國家和地方的運用， DELPHI與其余COVID-19盛行病學模型相比更勝一籌，并提早數(shù)月預判了2020年美國、英國和俄羅斯等國家和地方的大范圍盛行病。作家展現(xiàn)了DELPHI的簡潔運用。例如，應用DELPHI來評價政府干預手段對大盛行病傳遞的影響。

+ 運用

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：這篇文章全面簡介了怎樣應用 DELPHI 來加快III期疫苗實驗。鑒于DELPHI只可形成確切的近期到中期的預判，作家展現(xiàn)了怎樣在DELPHI的根基上，通過引入場景解析工具箱來戰(zhàn)勝持久盛行病預判的艱難。由DELPHI驅(qū)動的試驗選址流程將第三階段的實驗時間加速了8周，同時將實驗樣件量從60,000人減小到45,000人，這一實驗流程的加快有助于加速疫苗的交付應用，以抗衡COVID-19大盛行病。另外，鑒于這一順利的施行，這一項目標順利歷練闊以輔助變短更多醫(yī)藥的臨床實驗時間，并進一步減低醫(yī)藥開發(fā)的經(jīng)濟危害。