心脏彩超检查的最优患者分配策略
机器学习
2025-06-10 v1 人工智能
摘要
在医院安排心脏彩超检查时，面临诸多挑战，包括患者缺诊、患者到达时间、检查时长多样性等非确定性因素，以及胎儿和非胎儿患者流之间的资源非对称约束。为此，我们首先对来自斯坦福大学 Lucile Packard 儿童医院 Echo 实验室一周的运营数据进行大规模预处理，以估计患者缺诊概率并推导出到达时间和检查时长的经验分布。基于这些输入，我们开发了一个使用 SimPy 的离散事件蒙特卡罗模拟模型，并将其集成到开源 Gymnasium Python 库中。作为政策优化的基线，我们构建了一个比较框架来评估现场分配与预约分配策略，其中不同资源比例的保留。考虑到医院配置中胎儿与非胎儿房间比例为 1:6、胎儿与非胎儿 sonographer 比例为 4:2，我们发现现场分配通常能获得更好的绩效，更有效地适应患者变异性和资源约束。基于此基础上，我们应用强化学习（RL）推导出近似最优的动态分配政策。该 RL 基于政策以最佳表现的规则策略为基准进行基准测试，使我们能够量化其差异并为通过智能数据驱动资源管理提高心脏彩超实验室效率提供可操作的见解。
引用
@article{arxiv.2506.06297,
title = {Optimal patient allocation for echocardiographic assessments},
author = {Bozhi Sun and Seda Tierney and Jeffrey A. Feinstein and Frederick Damen and Alison L. Marsden and Daniele E. Schiavazzi},
journal= {arXiv preprint arXiv:2506.06297},
year = {2025}
}