Data-driven Models for Inferring the Patient Scheduling Policies via Inverse Reinforcement Learning
Notice bibliographique
Résumé
In this work, we study multi-class patient scheduling with stochastic daily patient arrivals. Different classes of patients are characterized by different service times, waiting cost parameters, and rejection cost parameters. Our primary objective is to infer the policy used by the decision-makers, who schedule patients over a finite time horizon, based on their historical decisions. To achieve this, we first develop a mathematical model that captures the complexities of patient scheduling and is representative of the problem that decision-makers may consider to scheduling patients. Then, we utilize the Riccati and Hamiltonian approaches to estimate the cost parameters that have influenced the scheduling decisions made by the decision-maker. The Riccati approach begins by estimating the expert's policy, which is then used to determine the cost parameters. Conversely, the Hamiltonian approach derives the cost parameters through the optimality conditions of a path trajectory without needing to estimate the expert's policy. Using a simulation model, we demonstrate the efficiency and robustness of the proposed methods. \nFurthermore, we apply Riccati and Hamiltonian approaches to MRI data from two hospitals to estimate the cost parameters used in their scheduling decisions. \nUtilizing the estimated cost parameters, we analyze the root causes of the observed outcomes and examine the impact of these underlying factors on the scheduling process. \nFinally, through counterfactual analysis, we propose two alternative scheduling policies that reduce the total cost, even with the original cost parameters used by the decision-makers.
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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».