Surgical Scheduling with Constrained Patient Waiting Times
Notice bibliographique
Résumé
We consider a surgical case scheduling problem with the objective of minimizing the expected time span of the schedule subject to a prespecified upper bound on the expected waiting time for each patient. The problem is challenging due to its combinatorial and nonlinear nature, and we focus on developing approximate methods to solve the problem. Specifically, we study two approximation methods. In the certainty equivalent method, we approximate the expected time span of the cases by assuming that the waiting time of each surgical case is a deterministic value. In the variance bounding method, we approximate the expected time span based on upper bounds on the variance of the surgical case waiting times. We show that the certainty equivalent method leads to a lower bound on the optimal expected time span, while the variance bounding method leads to an upper bound. Both methods suggest a simple sequencing rule, which is to sort the surgical cases in the ascending order of the surgical duration variability. Based on the upper and lower bounds, we derive a closed‐form, distribution‐free relative error bound for our sequencing rule, and show that it is uniformly bounded with respect to the number of cases. We also conduct a case study based on real‐life data on hernia repair procedures at the Jewish General Hospital in Montréal, to demonstrate our analytical models and their potential benefits for improving surgical scheduling. Finally, we conclude the paper by mentioning a few future research directions.
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 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 | 0,000 | 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 | 0,002 | 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) | 0,001 | 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 tête enseignante, 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 ».