Appointment Scheduling Problem using Decentralized and Distributed Methods

This research addresses the challenges of outpatient scheduling in healthcare, aiming to develop an integrated yet decentralized system for managing appointments across the network. Integration centralizes scheduling based on demand, supply constraints, and patient preferences, while decentralization allows centers to make final decisions to accommodate their specific conditions and autonomy.The study begins with a literature review of scheduling and sequencing models and optimization methods. It introduces an optimization model for scheduling and sequencing patients with multiple priorities, maximizing patient coverage, improving resource utilization, and reducing wait times while balancing workloads across centers. A key contribution is the introduction of an integrated online booking system. Scheduling is performed centrally, considering patient preferences and priorities, while sequencing decisions are delegated to centers to operate under their internal protocols. This approach balances centralized efficiency with local autonomy, improving responsiveness to demand fluctuations and reducing wait times. The research proposes two decentralized solution frameworks based on the Alternating Direction Method of Multipliers (ADMM): a patient-based decomposition, where patients are grouped geographically and optimally scheduled, and a center-based decomposition, where each center independently manages its appointments. For performance evaluation, the patient-based decomposition is applied to the first model, and the center-based decomposition is applied to the second model embedded in the integrated online booking system. Validation through computational experiments and real-world MRI appointment data from Ontario, Canada, demonstrates that the proposed system reduces the proportion of patients exceeding target wait times from 67% to 11% and cuts average wait times from 48 days to 25 days. It also balances center workloads, enhancing healthcare efficiency. Sensitivity analyses highlight the significant impact of penalties for exceeding target wait times. This research shows that combining an integrated scheduling system with decentralized frameworks improves system efficiency, balancing centralized coordination and local autonomy. It enhances patient and provider satisfaction and offers practical, scalable solutions for real-world healthcare systems. این پژوهش به بررسی چالش‌های زمان‌بندی نوبت‌های سرپایی در سیستم‌های سلامت پرداخته و هدف آن توسعه یک سیستم زمان‌بندی یکپارچه و در عین حال غیرمتمرکز است که توانایی مدیریت مؤثر نوبت‌های بیماران را در سراسر سیستم سلامت داشته باشد. یکپارچه و غیرمتمرکز به این معناست که به جای آنکه هر مرکز درمانی به طور مستقل نوبت‌ها را مدیریت کند، نوبت‌ها به یک واحد مرکزی ارسال شده و از آنجا با در نظر گرفتن محدودیت‌های مراکز و ترجیحات بیماران زمان‌بندی می‌شوند (به صورت یکپارچه)؛ اما تصمیمات نهایی به مراکز درمانی محول می‌شود تا با لحاظ کردن اختیارات و شرایط خود عمل کنند (به صورت غیرمتمرکز).این پژوهش با مرور جامعی از ادبیات موجود آغاز می‌شود و مدل‌های مختلف زمان‌بندی و توالی بیماران سرپایی و روش‌های بهینه‌سازی مورد استفاده را تحلیل می‌کند. در مرحله اول، پژوهش یک مدل بهینه‌سازی برای زمان‌بندی و توالی بیماران چندگانه و چنداولویتی معرفی می‌کند که هدف آن پوشش کامل بیماران و بهبود استفاده از ظرفیت مراکز سلامت است. در این مدل، انعطاف‌پذیری بیماران در انتخاب مکان‌های درمانی لحاظ شده و نتایجی چون کاهش زمان انتظار و تعادل بار مراکز درمانی دنبال می‌شود. سپس یک مدل زمان‌بندی به منظور تعبیه در یک سیستم نوبتدهی نوآورانه معرفی می‌شود که هدف آن به حداقل رساندن زمان‌های انتظار و بهبود پاسخگویی است. یکی از دستاوردهای مهم این پژوهش، معرفی یک سیستم یکپارچه رزرو آنلاین است. در این سیستم، زمان‌بندی بیماران به‌صورت مرکزی انجام می‌شود و ترجیحات و اولویت‌های آن‌ها در فرآیند بهینه‌سازی لحاظ می‌گردد، در حالی که توالی بیماران به مراکز درمانی واگذار می‌شود تا هر مرکز بتواند بر اساس پروتکل‌ها و استانداردهای داخلی خود عمل کند. این رویکرد به تعادل بین کارآمدی پذیرش مرکزی و استقلال مراکز کمک می‌کند و موجب بهبود پاسخگویی به نوسانات تقاضا و کاهش زمان‌های انتظار بیماران می‌شود. دو چارچوب حل غیرمتمرکز و توزیع‌شده نیز برای مسائل زمان‌بندی معرفی شده‌اند که مبتنی بر روش جهت‌دهی متناوب مضاعف هستند. این چارچوب‌ شامل دو رویکرد تجزیه مبتنی بر بیمار و تجزیه مبتنی بر مرکز می‌شود. در رویکرد مبتنی بر بیمار، بیماران بر اساس موقعیت جغرافیایی به زیرگروه‌ها تقسیم شده و برای هر گروه زمان‌بندی بهینه انجام می‌شود. در رویکرد مبتنی بر مرکز، هر مرکز درمانی به‌صورت مستقل نوبت‌های بیماران خود را مدیریت کرده و آن‌ها را به تاریخ‌ها و مکان‌های مناسب تخصیص می‌دهد. برای ارزیابی عملکرد این دو رویکرد، تجزیه بیمارمحور بر مدل اول و تجزیه مرکزمحور بر مدل دوم که در سیستم یکپارچه رزرو آنلاین تعبیه شده است، اعمال می‌شود. اعتبار مدل‌های پیشنهادی از طریق آزمایشات محاسباتی و مطالعات موردی با داده‌های واقعی از نوبت‌های ام‌آر‌آی در استان انتاریو، کانادا اثبات شده است. نتایج نشان می‌دهند که سیستم یکپارچه رزرو آنلاین عملکرد پایداری دارد و تعداد بیمارانی که زمان انتظارشان از هدف فراتر رفته است را از ۶۷ درصد به ۱۱ درصد کاهش می‌دهد. همچنین متوسط زمان انتظار بیماران از حدود ۴۸ روز به ۲۵ روز کاهش یافته است. علاوه بر این، باعث ایجاد تعادل در بار مراکز درمانی شده است که این امر موجب بهبود کارایی کل سیستم سلامت می‌شود. تحلیل‌های حساسیت نشان می‌دهند که عواملی مانند جریمه‌های مربوط به تجاوز از زمان انتظار هدف بر عملکرد سیستم تأثیر قابل‌توجهی دارند. پژوهش همچنین نشان می‌دهد که هرچند روش حل غیرمتمرکز و توزیع‌شده ادعای بهینگی کامل ندارد، اما در شرایط واقعی بسیار نزدیک به جواب بهینه عمل می‌کند. این مزیت در داده‌های واقعی نمود بیشتری دارد، چرا که روش‌های حل بهینه‌سازی دقیق در شرایط پیچیده، زمان زیادی برای ارائه پاسخ نیاز دارند و کارایی لازم را در عمل ندارند. به‌طور کلی، این پژوهش نشان می‌دهد که ترکیب سیستم نوبت‌دهی یکپارچه با چارچوب‌ حل غیرمتمرکز و توزیع‌شده، علاوه بر فراهم کردن ساختارهای الگوریتمی قابل اعتماد، با ایجاد تعادل میان پذیرش مرکزی و استقلال محلی، کارایی سیستم‌های سلامت را ارتقا می‌دهد و رضایت بیماران و مراکز درمانی را بهبود می‌بخشد. دستاوردهای این پژوهش در شرایط واقعی مراقبت‌های بهداشتی قابل پیاده‌سازی بوده و می‌توانند به توسعه سیستم‌های زمان‌بندی پیشرفته و پایدار در آینده کمک کنند.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.