Multiple operation theatre scheduling for mitigating the disturbance caused by emergency patients
Notice bibliographique
Résumé
Scheduling emergency patients is a problem that most hospitals struggle to solve without disturbing elective surgery patients' schedules. The present work undertakes this problem and considers scheduling elective patients surgeries in multiple operation theatres to mitigate the possible disturbance caused by emergency patient arrivals. The resultant problem has been termed as multiple operation theatre problems with total expected disturbance (MOTED). The number of elective surgeries and their corresponding surgery times are known and given in advance. However, emergency patient arrivals are stochastic in nature, which is tackled through scenario-generation techniques. The model assumes that emergency case scenarios can be predicted from historical data, and determines the sequence of elective patients in a multiple operation theatre such that the sum of the total expected disturbance (TED) caused by emergency patients and the total completion time of elective surgeries is minimized. The disturbance minimization increases the satisfaction level of patients, physicians and other medical staff, and indirectly reduces the overtime costs. The work provides an optimal algorithm for the MOTED problem with a single single-operation theatre. Three heuristics and two metaheuristics have been proposed to solve the complete MOTED problem. The metaheuristic involves particle swarm optimization (PSO) and ant colony optimization (ACO). An extensive numerical experiment is performed using 48 randomly generated problem instances.
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 | 0,004 | 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) | 0,000 | 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 ».