Stochastic Goal Programming and a Metaheuristic for Scheduling of Operating Rooms
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».