Dynamic scheduling of home care patients to medical providers
Notice bibliographique
Résumé
Home care provides personalized medical care and social support to patients within their own homes. Our work proposes a dynamic scheduling framework to assist in the assignment of health practitioners (HPs) to patients who arrive stochastically over time and are heterogeneous with respect to their health requirements, service duration, and region of residence. We model the decision of which patients to assign to HPs as a discrete‐time, rolling‐horizon, infinite‐stage Markov decision process. Due to the curse of dimensionality and the combinatorial structure associated with an HP's travel, we propose an approximate dynamic programming (ADP) approach based on a one‐step policy improvement heuristic. Four policies are investigated: The first two prioritize HP fairness by balancing service and travel times, respectively, while the other two are based on fluid approximations of the system. We show that the first fluid model is optimal if the number of patient arrivals is sufficiently large while the second performs better experimentally; both approaches leverage pricing and decomposition strategies. We compare our framework to more commonly implemented policies—constrained versions of the classical vehicle routing problem—in a simulation study using data collected from a Canadian home care provider. We show that, in contrast to these approaches, by accounting for future uncertainty, substantial cost savings can be obtained while a fewer number of referrals are rejected. We also find that well‐performing policies assign patients to HPs operating within a small set of adjacent regions while considering the number of periods that a patient requires care for. Otherwise, HP workload may not be appropriately balanced over the long‐term even if travel time is minimized.
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 | 0,001 | 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 | 0,002 | 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 ».