Geographic Virtual Pooling of Hospital Resources: Data-Driven Trade-off Between Waiting and Traveling
Notice bibliographique
Résumé
Problem definition: Patient-level data from 72 magnetic resonance imaging (MRI) hospitals in Ontario, Canada from 2013 to 2017 show that over 60% of patients exceeded their wait time targets. We conduct a data-driven analysis to quantify the reduction in the patient fraction exceeding (FET) target for MRI services through geographic virtual resource-sharing while limiting incremental driving time. We present a data-driven method to solve the geographic pooling problem of partitioning 72 hospitals with heterogeneous patients with different wait time targets located in a two-dimensional region into a set of clusters. Methodology/results: We propose an “augmented-priority rule,” which is a sequencing rule that balances the patient’s initial priority class and the number of days until her wait time target. We then use neural networks to predict patient arrival and service times. We combine this predicted information and the sequencing rule to implement “advance scheduling,” which informs the patient of her treatment day and location when requesting an MRI scan. We then optimize the number of geographic resource pools among the 72 hospitals using genetic algorithms. Our resource-pooling model lowers the FET from 66% to 36% while constraining the average incremental travel time below three hours. In addition, our model shows that only 10 additional scanners are needed to achieve 10% FET, whereas 50 additional scanners would be needed without resource sharing. Over 70% of the hospitals are not worse off financially. Each individual hospital, measured over at least two weeks, achieves a higher machine utilization and a lower FET. Managerial implications: Our paper provides a practical, data-driven geographical resource-sharing model that hospitals can readily implement. Our method achieves a near-optimal solution with low computational complexity. Using smart data-driven scheduling, a little extra capacity placed at the right location is all we need to achieve the desired FET under geographic resource-sharing. Funding: This paper is supported by the following grant: Canadian Institutes of Health Research (CIHR) [Grant CIHR-950-231935]. Supplemental Material: The online appendix is available at https://doi.org/10.1287/msom.2023.1225 .
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 | 0,003 | 0,008 |
| 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 | 0,002 | 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 ».