Model-driven solution approaches for patient scheduling in admission and surgery management
Solutions pilotées par modèle pour la planification des patients dans la gestion des admissions et des chirurgies
Résumé
Efficient patient scheduling plays a crucial role in improving the efficiency of medical resources and patient satisfaction in the healthcare system. This thesis presents mathematical modeling and solution approaches for the static/stochastic patient admission scheduling problem and the surgical case scheduling problem in flexible operating rooms under uncertainty. Given the complexity of these problems with multi-constraint and uncertainty, innovative solution approaches — two-stage optimization, hybrid sample average approximation and state-variable (SAA-SV), integrated proactive and reactive scheduling, and three-phase simulation optimization — are proposed to solve the problems efficiently. Especially, advanced modeling approaches — constraint aggregation, scenario based modeling, and state-variable modeling — are used to build reduced models to improve the solution efficiency. Computational studies performed on a set of benchmark instances show the effectiveness of the proposed methods in comparison with the state-of-the-art methods. Additional experiments are conducted to evaluate the roles of the key ingredients of the proposed methods.
La planification efficace des patients est essentielle pour améliorer l’efficacité des ressources médicales et la satisfaction des patients dans le système de santé. Cette thèse présente des modèles mathématiques et des approches de solution pour le problème de planification des admissions de patients statiques/stochastiques et le problème de planification des cas chirurgicaux dans des salles d’opération flexibles sous incertitude. En raison de la complexité de ces problèmes, qui impliquent de multiples contraintes et incertitudes, des méthodes de résolution innovantes telles que l’optimisation en deux phases, l’approximation hybride de la moyenne des échantillons avec variable d’état (SAA-SV), la planification intégrée proactive et réactive, et l’optimisation de simulation en trois phases sont proposées. De plus, des approches de modélisation avancées comme l’agrégation de contraintes, la modélisation aléatoire basée sur des scénarios, et la modélisation à variable d’état sont développées pour créer des modèles de taille réduite afin d’améliorer l’efficacité de leur résolution. Des études computationnelles réalisées sur un ensemble d’instances de référence démontrent l’efficacité des méthodes proposées en comparaison avec les méthodes de l’état de l’art. Des expériences supplémentaires sont menées pour évaluer le rôle des composants clés des méthodes proposées.
| Origine | Version validée par le jury (STAR) |
|---|