Robust Multi-Class Multi-Period Scheduling of MRI Services with Wait Time Targets
Notice bibliographique
Résumé
In recent years, long wait times for healthcare services have become a challenge in most healthcare delivery systems in Canada. This issue becomes even more important when there are priorities in patients' treatment which means some of the patients need emergency treatment, while others can wait longer. One example of excessively long wait times in Canada is the MRI scans. These wait times are partially due to limited capacity and increased demand, but also due to sub-optimal scheduling policies. Patients are typically prioritized by the referring physician based on their health condition, and there is a wait time target for each priority level. The difficulty of scheduling increases due to uncertainty in patients' arrivals and service times. In this thesis, we develop a multi-priority robust optimization (RO) method to schedule patients for MRI services over a multi-period finite horizon. First, we present a deterministic mixed integer programming model which considers patient priorities, MRI capacity, and wait time targets for each priority level. We then investigate robust counterparts of the model by considering uncertainty in patients' arrivals and employing the notion of the budget of uncertainty. Finally, we apply the proposed robust model to a set of numerical examples and compare the results with those of the non-robust method. Moreover, sensitivity analysis is performed over capacity, penalty cost, service level, and budget of uncertainty. Our results demonstrate that the proposed robust approach provides solutions with higher service levels for each priority, and lower patients' wait time in realistic problem instances. The analysis also provides some insights on expanding capacity and choosing the budget of uncertainty as a trade-off between performance and conservatism.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».