[論文レビュー] Appointment scheduling model in healthcare using clustering algorithms

Nooshin Yousefi, Farhad Hasankhani+2 more|arXiv (Cornell University)|May 3, 2019

Healthcare Operations and Scheduling Optimization参考文献 39被引用数 7

ひとこと要約

本研究は、優先度分類にDBSCANクラスタリングを組み合わせ、動的アポイントメント割り当てにマルコフ決定過程（MDP）とフラUID近似を用いた二段階の外来患者スケジューリングモデルを提案する。実際のテヘランの医療機関から得られた90件の日次アポイントメントを用いて検証されたベンチマーク政策に基づき、高優先度患者の間接的待機時間を短縮する。

ABSTRACT

In this study, we provided a scheduling procedure which is a combination of machine learning and mathematical programming that minimizes the waiting time of higher priority outpatients. Outpatients who request for appointment in healthcare facilities have different priorities. Determining the priority of outpatients and allocating the capacity based on the priority classes are important concepts that have to be considered in the scheduling of outpatients. In this study, two stages are defined for scheduling an incoming outpatient. In the initial stage, we employed and evaluated four distinct clustering techniques; K-means clustering, agglomerative hierarchical clustering, DBSCAN, and OPTICS clustering to classify outpatients into priority classes and suggested the best pattern to cluster the outpatients. In the second stage, we modeled the scheduling problem as a Markov Decision Process (MDP) problem since the arrivals are uncertain and the decisions are taken at the end of each day after observing total requests. Due to the curse of dimensionality, we used the fluid approximation method to estimate the optimal solution of the MDP. our methodology is employed in a data set of Shaheed Rajaei Medical and Research Center, and we represented how our model works in prioritizing and scheduling outpatients.

研究の動機と目的

• 医療システムにおける高優先度外来患者の間接的待機時間を短縮すること。
• 合併症や人口統計的要因を組み込んだ機械学習を用いた外来患者の優先度クラスへのデータ駆動型分類手法の開発。
• 不確実な日次外来患者の到着を、マルコフ決定過程（MDP）としてモデル化し、動的スケジューリングを実現すること。
• 大規模MDPを解消するためのフラUID近似を適用し、実装可能な実用的ベンチマーク政策を導出すること。
• イランのシャイード・ラジャエイ医療研究センターから得た実世界データを用いてモデルを検証すること。

提案手法

• 医療的および人口統計的特徴に基づいて外来患者を優先度クラスに分類するため、K-means、凝集型階層的、DBSCAN、OPTICSの4つのクラスタリングアルゴリズムを用いた。
• クラスタリング性能を比較し最適な手法を選定するための評価指標としてシルエット係数を用いた。
• スケジューリング問題を、確率的でポアソン分布に従う日次到着と7日間の計画期間を持つマルコフ決定過程（MDP）として定式化した。
• 次元の呪いを克服し、最適MDP政策を推定するためにフラUID近似を適用した。
• 最適MDP解から導出されたベンチマーク政策により、毎日フルMDPを再計算せずにスケジューリング意思決定が可能になった。
• 臨床的緊急度とリソース制約に基づき、アポイントメントの遅延および拒否に対するコストパラメータをキャリブレーションした。

実験結果

リサーチクエスチョン

• RQ1 医療的および人口統計的特徴に基づいて、どのクラスタリングアルゴリズムが外来患者の優先度クラスを最も適切に特定できるか？
• RQ2 不確実な日次到着を伴う動的外来スケジューリングを、マルコフ決定過程（MDP）がどのように効果的にモデル化できるか？
• RQ3 フラUID近似は、外来スケジューリングにおける大規模MDPに対して、スケーラブルで正確な解決策を提供する程度はどの程度か？
• RQ4 導出されたベンチマーク政策は、近似的最適なパフォーマンスを達成しつつ、実際の医療現場で容易に実装可能か？
• RQ5 機械学習とMDPを統合することで、スケジューリング効率が向上し、高優先度患者の間接的待機時間がどの程度短縮できるか？

主な発見

• DBSCANクラスタリングは、シルエットスコア0.92を達成し、K-means（0.87）、凝集型階層的（0.81）、OPTICS（0.89）を上回り、患者優先度分類の最適な手法となった。
• フラUID近似を適用したMDPモデルは、7日間の期間にわたり2つの優先度クラスに対して最適スケジューリング政策を効果的に生成し、高優先度患者の遅延アポイントメントを最小化した。
• ベンチマーク政策は、初日には15件の低優先度および20件の高優先度患者をスケジューリングすることを推奨し、以降7日間にわたり順次減少させることで、能力と緊急度のバランスを取った。
• モデルは、特にリソースが制限されている状況でも、高優先度患者を優先することで、その間接的待機時間を短縮した。
• ベンチマーク政策により、フルMDPを再計算せずに毎日のスケジューリングが可能となり、実際の医療施設への実装が保証された。
• MDPモデルのコストパラメータは臨床的緊急度を反映しており、高優先度患者の拒否にはコスト10が、低優先度患者にはコスト5が設定された。