A Robust Optimization Approach for Advance Scheduling in Health Care Systems with Demand Uncertainty: Policy Insights
Notice bibliographique
Résumé
Patient wait times have increased significantly over the past few decades. According to the Canadian Institute for Health Information (CIHI), 40% of Canadians have experienced difficulties in receiving diagnostics tests. MRI wait times have increased by 26% from 2012 to 2016. The lengthy wait times for the health care systems are translated to economic losses and risks to the lives of Canadians. These inefficiencies in health care systems are an indication that health care infrastructure investment has not been able to keep pace with the increased demands. While building new health care infrastructure to create capacity may be the first solution that comes to mind, it is often not feasible due to budget limitations. Optimizing the use of the existing capacity is a more feasible and cost-effective solution to healthcare system inefficiencies. This research builds on previous literature and proposes a robust optimization method for a multi-priority multi-period advance scheduling problem with wait time target which is solved using a proposed adversarial-based algorithm. A sensitivity analysis is conducted to calibrate the model parameters. Several numerical examples are used to extract practical policy insights. The advantages of the robust model in comparison with the deterministic model are highlighted. It is shown that the robust modelling leads to policies that are easier to execute and are more suitable for policy planning purposes when compared to deterministic modelling.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».