基于大语言模型的数据驱动、个人化及公平的临床医生排班方法：一种预测-优化方法

临床医生排班因临床资源有限且需求波动而持续存在挑战。这种复杂性在大型解剖学科学部门尤为突出，因为医生需在多个临床场所之间平衡职责且优先级冲突。进一步地，排班必须考虑个体临床和生活方式偏好，以确保工作满意度和福祉。传统方法通常基于统计或基于规则的优化模型，依赖结构化数据和明确的领域知识。然而，这些方法常常忽略非结构化信息，例如来自例行 administering 临床福祉调查和排班平台的自由文本注释。这些注释可能揭示隐式且未被充分利用的临床资源。忽略此类信息可能导致排班不一致、增加倦怠感、忽视人力资源灵活性以及 suboptimal 利用可用资源。为解决这一问题，我们提出一种 predict-then-optimize 框架，将基于分类的临床可用性预测与混合整数规划排班优化模型相结合。大语言模型 (LLM) 用于从非结构化排班注释中提取可操作的偏好和隐式约束，从而增强可用性预测的可靠性。这些预测随后用于考虑四个目标：首先，确保临床全职等效合规；其次，通过强制平等的班次比例来减少工作负载不平衡；第三，最大化临床医生为分配班次的可用性；第四，确保排班一致性。通过将大语言模型的解释力与数学优化的严谨性相结合，我们的框架提供了一种稳健、数据驱动的解决方案，既提高了运营效率，又支持公平性和临床医生福祉。