Optimal Planning of Health Services through Genetic Algorithm and Discrete Event Simulation: A Proposed Model and Its Application to Stroke Rehabilitation Care
Notice bibliographique
Résumé
Background. Increasing demand for provision of care to stroke survivors creates challenges for health care planners. A key concern is the optimal alignment of health care resources between provision of acute care, rehabilitation, and among different segments of rehabilitation, including inpatient rehabilitation, early supported discharge (ESD), and outpatient rehabilitation (OPR). We propose a novel application of discrete event simulation (DES) combined with a genetic algorithm (GA) to identify the optimal configuration of rehabilitation that maximizes patient benefits subject to finite health care resources. Design. Our stroke rehabilitation optimal model (sROM) combines DES and GA to identify an optimal solution that minimizes wait time for each segment of rehabilitation by changing care capacity across different segments. sROM is initiated by generating parameters for DES. GA is used to evaluate wait time from DES. If wait time meets specified stopping criteria, the search process stops at a point at which optimal capacity is reached. If not, capacity estimates are updated, and an additional iteration of the DES is run. To parameterize the model, we standardized real-world data from medical records by fitting them into probability distributions. A meta-analysis was conducted to determine the likelihood of stroke survivors flowing across rehabilitation segments. Results. We predict that rehabilitation planners in Alberta, Canada, have the potential to improve services by increasing capacity from 75 to 113 patients per day for ESD and from 101 to 143 patients per day for OPR. Compared with the status quo, optimal capacity would provide ESD to 138 ( s = 29.5) more survivors and OPR to 262 ( s = 45.5) more annually while having an estimated net annual cost savings of $25.45 ( s = 15.02) million. Conclusions. The combination of DES and GA can be used to estimate optimal service capacity. Highlights We created a hybrid model combining a genetic algorithm and discrete event simulation to search for the optimal configuration of health care service capacity that maximizes patient outcomes subject to finite health system resources. We applied a probability distribution fitting process to standardize real-world data to probability distributions. The process consists of choosing the distribution type and estimating the parameters of that distribution that best reflects the data. Standardizing real-word data to a best-fitted distribution can increase model generalizability. In an illustrative study of stroke rehabilitation care, resource allocation to stroke rehabilitation services under an optimal configuration allows provision of care to more stroke survivors who need services while reducing wait time. Resources needed to expand rehabilitation services could be reallocated from the savings due to reduced wait time in acute care units. In general, the predicted optimal configuration of stroke rehabilitation services is associated with a net cost savings to the health care system.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».