推文作者：李舒湉

編者按

本文歸納整理了近期INFORMS Journal on Applied Analytics中的相關(guān)業(yè)界合作研究。?這些研究成果體現(xiàn)了運(yùn)籌學(xué)在醫(yī)療健康領(lǐng)域?qū)嵺`的效果。文中的學(xué)術(shù)+業(yè)界合作使用了不同的研究工具。第一篇文章使用仿真模型幫助診所進(jìn)行不同擁擠程度下診所使用效率和服務(wù)質(zhì)量間的關(guān)系，幫助優(yōu)化診所運(yùn)營(yíng)策略。第二和第三篇使用（混合）整數(shù)規(guī)劃優(yōu)化長(zhǎng)期護(hù)理機(jī)構(gòu)的菜單設(shè)計(jì)或人員調(diào)度。模型的結(jié)果體現(xiàn)出運(yùn)籌學(xué)模型在醫(yī)療領(lǐng)域應(yīng)用仍有較大的潛力和使用效果。

仿真+診所運(yùn)營(yíng)

1. A Simulation Study for a Safe Reopening and Operation of the Trager Institute Optimal Aging Clinic During the COVID-19 Pandemic (https://pubsonline.informs.org/doi/10.1287/inte.2022.0032)

Reference:?Sadri, Shahab, et al. "A Simulation Study for a Safe Reopening and Operation of the Trager Institute Optimal Aging Clinic During the COVID-19 Pandemic."?INFORMS Journal on Applied Analytics?(2023).

摘要：作者使用AnyLogic開(kāi)發(fā)了一個(gè)離散事件仿真模型（Discrete-Event Simulation Model)，以幫助位于肯塔基州路易斯維爾的Trager診所確定COVID-19大流行期間的安全重新開(kāi)放策略及COVID-19后的運(yùn)營(yíng)策略。該模型研究了多個(gè)人群的移動(dòng)（例如，醫(yī)療提供者、導(dǎo)航員、患者、員工）以及診所主要和輔助服務(wù)的運(yùn)營(yíng)。主要目標(biāo)是確保在COVID-19限制措施實(shí)施期間診所的安全運(yùn)營(yíng)，最大可能的提高診所利用率。該模型模擬了診所內(nèi)人員的移動(dòng)（例如，員工開(kāi)會(huì)，午餐，使用衛(wèi)生間等），監(jiān)控了四個(gè)常見(jiàn)區(qū)域（診所內(nèi)的主要樓道、地下走廊、樓梯和電梯）的擁堵程度，并識(shí)別了一天中的高峰時(shí)段。與現(xiàn)有的其他模型不同，本文提出的仿真模型還考慮了超額預(yù)訂(Overbook)和遠(yuǎn)程醫(yī)療(Telemedicine)。作者考慮不同的遠(yuǎn)程醫(yī)療和超額預(yù)定情況，進(jìn)行了10種不同情景的仿真實(shí)驗(yàn)，對(duì)所有情景的比較基于利用率和患者平均等待時(shí)間兩個(gè)標(biāo)準(zhǔn)進(jìn)行，最終，作者通過(guò)帕累托曲線方便診所管理者進(jìn)行明智決策。

混合整數(shù)規(guī)劃+菜單設(shè)計(jì)

2. Menu Engineering for Continuing Care Senior Living Facilities with Captive Dining Patrons (https://pubsonline.informs.org/doi/abs/10.1287/inte.2022.1140)

Reference:?Kulturel-Konak, Sadan, et al. "Menu engineering for continuing care senior living facilities with captive dining patrons."?INFORMS Journal on Applied Analytics?53.3 (2023): 218-239.

摘要：長(zhǎng)期護(hù)理設(shè)施（Continuing Care Facilities)的食物菜單制定是一個(gè)涉及到多個(gè)利益相關(guān)方的復(fù)雜決策問(wèn)題，需要同時(shí)兼顧（1）食物營(yíng)養(yǎng)（2）顧客喜好（3）運(yùn)營(yíng)成本等多方面的要求。作者建立了一個(gè)混合整數(shù)線性規(guī)劃來(lái)解決這個(gè)復(fù)雜、龐大和多目標(biāo)優(yōu)化問(wèn)題。研究者采訪了多個(gè)利益相關(guān)方，確定了他們的目標(biāo)和約束。模型的決策包括以下幾個(gè)方面：（1）確定某日的餐食中包含的食物（2）確定不同飲食類型中的每日菜單（3）每日營(yíng)養(yǎng)攝入量的偏差 。模型的約束考慮了包括服務(wù)機(jī)構(gòu)的供應(yīng)能力，營(yíng)養(yǎng)需求（每個(gè)種類的食品的每日最低/最高攝入劑量）和菜單的多樣性等。在求解這個(gè)混合整數(shù)規(guī)劃的過(guò)程中，作者使用了一個(gè)啟發(fā)式方法（an iterative greedy heuristic）加快求解效率。

混合整數(shù)規(guī)劃+護(hù)士排班

3. Optimization Helps Scheduling Nursing Staff at the Long-Term Care Homes of the City of Toronto (https://pubsonline.informs.org/doi/abs/10.1287/inte.2022.1132)

Reference:?Anderson, Manion, et al. "Optimization helps scheduling nursing staff at the long-term care homes of the city of Toronto."?INFORMS Journal on Applied Analytics?53.2 (2023): 133-154.

摘要：研究者與多倫多市長(zhǎng)期護(hù)理和服務(wù)部門(mén)合作，（LTCH&S），開(kāi)發(fā)了一種基于電子表格的排班工具來(lái)優(yōu)化護(hù)士排班。具體而言，作者設(shè)計(jì)了一個(gè)分層優(yōu)化模型 ，在最大化滿足需求的同時(shí)生成一個(gè)護(hù)士偏好分?jǐn)?shù)最高的可行排班方案。具體來(lái)說(shuō)， 作者使用整數(shù)規(guī)劃來(lái)解決護(hù)士排班問(wèn)題。模型的目標(biāo)函數(shù)是（1）最大化滿足護(hù)士偏好（2）最大化滿足長(zhǎng)期護(hù)理機(jī)構(gòu)的人員需求；模型的約束主要包括護(hù)士的時(shí)間可行性，護(hù)士的工作時(shí)間限制等。模型的求解過(guò)程主要分為三個(gè)階段，第一和第二階段分別求解兩個(gè)目標(biāo)函數(shù)不同的整數(shù)規(guī)劃模型，第三階段使用一個(gè)啟發(fā)式方法來(lái)生成可行解。基于所提出模型開(kāi)發(fā)的排班工具在多倫多的一家具有391張床位的長(zhǎng)期護(hù)理機(jī)構(gòu)中得到了實(shí)施。與傳統(tǒng)的手工方法相比，該工具允許護(hù)理經(jīng)理在短短幾分鐘內(nèi)生成可行的排班，而傳統(tǒng)方法可能需要數(shù)十個(gè)小時(shí)。此外，這些排班成功考慮了護(hù)士的偏好，平均而言，分配的班次中有超過(guò)94%被評(píng)為最喜歡的班次。

參考文獻(xiàn)

1. Sadri, Shahab, et al. "A Simulation Study for a Safe Reopening and Operation of the Trager Institute Optimal Aging Clinic During the COVID-19 Pandemic."?INFORMS Journal on Applied Analytics?(2023).

2. Kulturel-Konak, Sadan, et al. "Menu engineering for continuing care senior living facilities with captive dining patrons."?INFORMS Journal on Applied Analytics?53.3 (2023): 218-239.

3. Anderson, Manion, et al. "Optimization helps scheduling nursing staff at the long-term care homes of the city of Toronto."?INFORMS Journal on Applied Analytics?53.2 (2023): 133-154.