基于实时住院时长预测的医疗机构分配：排队论与仿真驱动的机器学习方法
系统与控制
2026-02-10 v1 系统与控制
摘要
由不确定患者负荷、患者流动效率低下以及缺乏关于医疗 care 的实时信息所导致的住院时间延长，给患者和医疗提供者造成了重大挑战。为患者提供其预期到达时医疗机构的实时住院时长(RT-LOS)估计（而非平均住院时长的估计），可帮助他们在网络中作出选择医疗机构的明智决策。本研究开发了一种医疗机构分配(HFA)算法，通过对网络中各医疗机构的 RT-LOS 预测来分配医疗机构。我们描述了两种方法生成 RT-LOS 预测的过程：(a) 分析的排队论方法；(b) 混合仿真驱动的机器学习方法。由于 RT-LOS 预测器对具体的排队系统高度特定，本文通过考虑初级健康中心的门诊体验，分别展示了两种方法下 RT-LOS 预测器的开发过程。通过计算实验，我们将实现了使用两种 RT-LOS 预测器的 RT-HFA 算法的结果与患者自行选择医疗机构的情况进行比较。计算实验还表明，RT-HFA 算法显著减少了患者等待时间和住院时长，同时促进了网络中各医疗机构医疗资源的更公平分配。最后，我们数值上表明，RT-HFA 算法在改善结果方面的效果取决于对分配决策的遵从程度。
引用
@article{arxiv.2602.07921,
title = {Healthcare Facility Assignment Using Real-Time Length-of-Stay Predictions: Queuing-Theoretic and Simulation-driven Machine Learning Approaches},
author = {Najiya Fatma and Varun Ramamohan},
journal= {arXiv preprint arXiv:2602.07921},
year = {2026}
}