选科手术管理中的预测精度与重新安排灵活性
机器学习
2025-07-30 v2 最优化与控制
摘要
下游资源的可用性在选科手术患者的入院计划中至关重要。最关键的资源是住院病床。为确保病床可用性，医院可能使用机器学习(ML)模型来预测患者住院天数(LOS)，以进行入院计划。然而，LOS的实际值可能与预测值不同，可能导致日程不可行。为解决此类不可行性，可以实施一种重新安排策略，以利用操作灵活性。例如，规划者可以推迟入院日期，将患者 relocation 到不同的病房，甚至在病房之间转移已入院患者。一个简单假设是，更准确的LOS预测有助于减少重新安排的影响。然而，能够进行此类精确预测的ML模型的训练可能非常昂贵。建立在提出用于评估数据驱动方法的模拟ML之前的工作基础上，本文探讨了LOS预测精度与各种纠正政策下的重新安排灵活性之间的关系。具体而言，我们检查了在LOS预测误差下最有效的患者重新安排策略，以防止病房溢出，同时优化资源利用。
引用
@article{arxiv.2507.15566,
title = {Prediction accuracy versus rescheduling flexibility in elective surgery management},
author = {Pieter Smet and Martina Doneda and Ettore Lanzarone and Giuliana Carello},
journal= {arXiv preprint arXiv:2507.15566},
year = {2025}
}