服务运营｜ 优化决策在医疗健康领域的理论+实践

编者按

优化建模在实践中的经常遇到的一个问题是：你的模型在现实中究竟可以实现吗？这篇文章中提到的文章，基本以“成对”的形式出现， 一篇文章探讨建模过程中的优化和理论难题，一篇文章与医疗系统合作，探讨模型实际使用中的细节。以下的三篇文章使用的优化决策工具都不尽相同，通过这篇文章，希望大家可以了解医疗决策的理论和实践。

（一）

+ 理论

Prediction-Driven Surge Planning with Application in the Emergency Department

Hu, Yue, Carri W. Chan, and Jing Dong. "Prediction-driven surge planning with application in the emergency department." Submitted to Management Science (2021).

摘要：这项工作研究了一个两阶段预测驱动的医护人员配置框架，其中预测模型与急诊室的基本（提前数周做出）和激增（几乎实时做出）人员配置决策相结合。通过模型，作者明确计算了使用更昂贵的激增雇员的益处，并确定了平衡需求不确定性和需求随机性的重要性。文章还提出了一个接近最优的，可以被直接解释和实施的两阶段人员配置政策，最后，文章构建了一个统一的框架，将参数估计、实时需求预测和急诊室的容量大小结合起来。仿真实验表明，本文提出的方法可以在保证病人得到及时护理的同时，将每年的人员配置成本降低11%-16%（200万-300万美元）。

+ 应用

Use of Real-Time Information to Predict Future Arrivals in the Emergency Department

Hu, Yue, et al. "Use of real-time information to predict future arrivals in the emergency department." Annals of Emergency Medicine (2023).

摘要：本文建立了一个急诊科（ED）病人数量的预测模型，用以辅助医护人员的雇佣决策。文中考察了包括线性回归、回归树、时间序列模型在内的各种预测技术，以评估实时信息的预测效果。研究结果显示，与不考虑实时数据的模型相比，实时预测的预测模型效果更为准确，近期病人数量、天气、谷歌趋势等具有明显的预测能力。在多种预测模型中，SARIMA取得了最小的样本外均方根误差和平均绝对预测误差，其次是线性回归。该研究的结论是，实时信息能有效提高急诊室需求的预测准确性，并为设计具有实时需求预测的人员配置模式以减少急诊室拥堵提供了实践和政策意义。

（二）

+理论

Creating resident shift schedules under multiple objectives by generating and evaluating the Pareto frontier

Hong, Young-Chae, et al. "Creating resident shift schedules under multiple objectives by generating and evaluating the Pareto frontier." Operations Research for Health Care 23 (2019): 100170.

摘要：本文提出了一种新的方法，为在儿科急诊部提供轮班服务的住院医生制定每月时间表。鉴于该问题的多目标性质，作者着重于生成帕累托主导的时间表，医院可以从中进行选择。他们使用递归方法来生成所有帕累托主导的住院医师计划，用warm-start 来加速求解效率。文章提供了一个案例研究，说明住院医师如何使用生成的帕累托边界来选择时间表。

+ 应用

Automation Improves Schedule Quality and Increases Scheduling Efficiency for Residents

Perelstein, Elizabeth, et al. "Automation improves schedule quality and increases scheduling efficiency for residents." Journal of graduate medical education 8.1 (2016): 45-49.

摘要：本文介绍了优化住院医师排班助手（ORSA）的开发和实施，这一工具的使用有效改善医疗住院医师的排班质量和提高排班效率。ORSA分析调度员提供的数据，如住院医师的项目和年份、休息日请求和其他相关信息，以生成可行的、优化的时间表。该工具于2012-2013学年在C.S. Mott儿童医院儿科急诊科实施，从而提高了排班质量和效率。

（三）

+理论

Forecasting COVID-19 and Analyzing the Effect of Government Interventions

Li, Michael Lingzhi, et al. "Forecasting COVID-19 and analyzing the effect of government interventions." Operations Research 71.1 (2023): 184-201.

摘要：本文介绍了DELPHI，一种全新的流行病学模型，用于预测COVID-19大流行病接种前的病例和死亡人数。不同于其他流行病监测模型，DELPHI将对感染人数的检测不足和政府干预措施的影响加以考虑。通过在200多个国家和地区的应用， DELPHI与其他COVID-19流行病学模型相比更胜一筹，并提前数月预测了2020年美国、英国和俄罗斯等国家和地区的大规模流行病。作者展示了DELPHI的简单应用。比如，使用DELPHI来评估政府干预措施对大流行病传播的影响。

+ 应用

Data-Driven COVID-19 Vaccine Development for Janssen

Bertsimas, Dimitris, et al. "Data-Driven COVID-19 Vaccine Development for Janssen." INFORMS Journal on Applied Analytics 53.1 (2023): 70-84.

摘要：这篇文章详细介绍了如何使用 DELPHI 来加速III期疫苗试验。鉴于DELPHI只能产生准确的短期到中期的预测，作者展示了如何在DELPHI的基础上，通过引入情景分析工具箱来克服长期流行病预测的困难。由DELPHI驱动的实验选址过程将第三阶段的试验时间加快了8周，同时将试验样本量从60,000人减少到45,000人，这一试验过程的加速有助于加快疫苗的交付使用，以对抗COVID-19大流行病。此外，鉴于这一成功的实施，这一项目的成功经验可以帮助缩短更多药物的临床试验时间，并进一步降低药物开发的经济风险。