Data-Driven Two-stage Appointment Radiotherapy Scheduling Model for Resource Optimization at a Tertiary Cancer Center
Notice bibliographique
Résumé
Abstract Background: The timely delivery of radiotherapy (RT) is crucial to cancer care, and excessive delays in RT have been associated with detrimental oncological and psychological outcomes. Prior to receiving RT on treatment units (Linear accelerators), there are a few processes that need to take place including simulation (on CT simulators), radiotherapy plan generation/optimization and quality assurance. The assignment of patient schedules on CT simulators and Linear accelerators is currently done manually at most cancer centers. We propose that data-driven optimization of patient scheduling has the potential to improve wait-times, and optimize use of departmental resources. Methods: A two-stage Mixed Integer Programming model was developed to optimize the patient appointment scheduling process and to forecast machine utilization. The model was tested with historical institutional data from Princess Margaret Cancer Center. By analyzing the dataset and simulating historical patient arrivals, the model output is evaluated by comparing patient wait time statistics and monthly machine utilization against what occurred during this time frame. Results: Testing our model on data from 2019-06 to 2020-02, we found a reduction in average wait time from 11.2 to 6.7 business days for standard category patients. The number of standard patients exceeding the wait time target of 10 business days were reduced from 118 to 15 patients each month. In addition, our model could accurately estimate future machine utilization for both CT simulators and linear accelerators based on the model output appointments, which could facilitate better planning and utilization of departmental resources. Conclusion: Our scheduling model has the potential to reduce the standard patient wait time for radiation treatment without compromising the wait time for urgent patients. The model can be also used to forecast department resources and machine utilization based on the output of the scheduling model. Radiotherapy departments could use this model to generate patient appointment schedules as well as to reduce machine idle time or appointment over-booking.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».