Stochastic Goal Programming and a Metaheuristic for Scheduling of Operating Rooms
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Health care systems in Canada provide benefits to patients but have issues with costs and wait lists. Long wait lists negatively affect patients’ welfares. This in turn can increase costs because conditions can develop into more complicated ones over time. Operating rooms in a hospital are responsible for a significant portion of both costs and benefits; therefore, finding ways to use them more efficiently can reduce both the waste of tax dollars and the lengths of wait lists and can improve patients’ welfares. In this research, a stochastic weighted goal programming model is proposed to perform elective surgery scheduling under uncertainty of both surgical durations and patient lengths of stay. The model generates a Master Surgical Schedule that schedules surgical teams in operating room blocks in a way that minimizes four objectives, which are the deviations between the targeted number of surgeries and the actual number of surgeries performed, the deviations between the targeted number of hours for surgeries and the actual number of hours used for surgeries, the maximum expected number of patients in the recovery ward over the course of the planning horizon, and the difference between the maximum and minimum expected numbers of patients in the recovery ward over the course of the planning horizon. In addition, the impact of cancellations on the schedule is taken into account. A simulated annealing metaheuristic is developed to find near-optimal solutions. Discrete event simulation is used for validation and to demonstrate the system of operating rooms and recovery ward beds to relevant stakeholders in the health care sector.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle