Quarantine-aware home healthcare routing and scheduling: a bi-objective approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic has presented an unparalleled challenge to the healthcare sector, emphasizing the vital role of Home Healthcare (HHC) services in delivering essential medical care to patients and the elderly within their homes. This approach has proven to be the most effective means of adhering to quarantine protocols. In response, healthcare managers/decision-makers face the imperative of cost reduction, service quality enhancement, and the assessment of patient and nurse satisfaction. To address these pressing needs, our research introduces a Mixed Integer Linear Programming (MILP) model tailored to the COVID-19 era. The model's central objective is to augment the operational efficiency and patient satisfaction of HHC organizations while ensuring strict adherence to quarantine regulations. It builds upon the foundational Vehicle Routing Problem with Pickup/Delivery and Time Window formulation, encompassing critical aspects like patient and caregiver classification, work regulations, workload balancing, and multi-depot capabilities. The bi-objective model considers the primary constraints associated with quarantine conditions. For model resolution, we employ the augmented ɛ-constraint (AUGMECON) method and conduct several sensitivity analyses related to workload balancing's impact on other decision variables. To illustrate the problem’s complexity and assess the effectiveness of the proposed MILP model across various scenarios, 15 additional sample instances have been solved and documented in the Appendix. In conclusion, our research not only provides essential managerial insights but also highlights avenues for future research within this crucial domain.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découle