基于优化与机器学习的长尾数据外科手术排程
机器学习
2022-11-30 v2 应用统计
摘要
利用心血管手术患者术后住院时间（LOS）长且高度可变的数据，我们开发了一个建模框架以减轻恢复病房拥堵。我们使用机器学习模型估计 LOS 及其概率分布，使用多种优化模型滚动安排手术，并通过仿真评估性能。尽管可获取非常丰富的患者特征集，机器学习模型的 LOS 预测精度仅属中等。与医院当前使用的基于纸张的系统相比，大多数优化模型在未能增加手术等待时间的情况下未能缓解拥堵。一种具有充分采样以捕捉 LOS 分布长尾的保守随机优化优于当前人工流程及其他随机与鲁棒优化方法。这些结果凸显了为手术排程使用过度简化的 LOS 分布模型的隐患，以及使用适于处理长尾行为的优化方法的重要性。
引用
@article{arxiv.2202.06383,
title = {Surgical Scheduling via Optimization and Machine Learning with Long-Tailed Data},
author = {Yuan Shi and Saied Mahdian and Jose Blanchet and Peter Glynn and Andrew Y. Shin and David Scheinker},
journal= {arXiv preprint arXiv:2202.06383},
year = {2022}
}