[論文レビュー] Optimal Resource and Demand Redistribution for Healthcare Systems Under Stress from COVID-19
本論文は、パンデミック期の患者およびリソースの最適再配分を可能にする混合整数線形計画法フレームワークを提案する。このフレームワークは、必要なスージー容量とオーバーフローを最小限に抑えることを目的としている。ニュージャージー州、テキサス州、マイアミの実際のデータとロバスト最適化を組み合わせることで、観察された結果と比較して少なくとも85％のスージー容量削減を達成した。これは、不確実性下でも高い運用効率と実用性を示している。
When facing an extreme stressor, such as the COVID-19 pandemic, healthcare systems typically respond reactively by creating surge capacity at facilities that are at or approaching their baseline capacity. However, creating individual capacity at each facility is not necessarily the optimal approach, and redistributing demand and critical resources between facilities can reduce the total required capacity. Data shows that this additional load was unevenly distributed between hospitals during the COVID-19 pandemic, requiring some to create surge capacity while nearby hospitals had unused capacity. Not only is this inefficient, but it also could lead to a decreased quality of care at over-capacity hospitals. In this work, we study the problem of finding optimal demand and resource transfers to minimize the required surge capacity and resource shortage during a period of heightened demand. We develop and analyze a series of linear and mixed-integer programming models that solve variants of the demand and resource redistribution problem. We additionally consider demand uncertainty and use robust optimization to ensure solution feasibility. We also incorporate a range of operational constraints and costs that decision-makers may need to consider when implementing such a scheme. Our models are validated retrospectively using COVID-19 hospitalization data from New Jersey, Texas, and Miami, yielding at least an 85% reduction in required surge capacity relative to the observed outcome of each case. Results show that such solutions are operationally feasible and sufficiently robust against demand uncertainty. In summary, this work provides decision-makers in healthcare systems with a practical and flexible tool to reduce the surge capacity necessary to properly care for patients in cases when some facilities are over capacity.
研究の動機と目的
- パンデミック期のスージー対応において、施設単位の反応的対応の非効率性を是正し、システム全体の負荷バランスを可能にすること。
- 患者および重要なリソースの最適再配分を通じて、病院間の合計必要なスージー容量と患者のオーバーフローを最小限に抑えること。
- 看護師の稼働状況、移動コスト、ケアパスの違いといった運用制約を組み込み、実用的な意思決定支援フレームワークを構築すること。
- 需要の不確実性に対して解のロバスト性を確保するため、ロバスト最適化技術を用いること。
- 医療システムが極端な需要イベントに対応するための、柔軟でスケーラブルかつ公開可能なツールを提供すること。
提案手法
- 病院ネットワーク全体における患者およびリソース再配分を最適化するための線形および混合整数計画法モデルの系列を定式化する。
- 需要の不確実性を扱うためにロバスト最適化を統合し、さまざまな予測シナリオ下でも実行可能な解を保証する。
- 看護師のキャパシティ制限、移動コスト、および異なる患者ケアパスを含む運用制約をモデルに組み込む。
- ニュージャージー州、テキサス州、マイアミの公開済み入院データを用い、過去のデータを用いてモデルをキャリブレーションおよび検証する。
- 大規模な最適化問題を効率的に解くためにGurobi 9.0.3を採用する。
- リアルタイムでモデルの結果を可視化・探索可能なインタラクティブなウェブプラットフォーム（https://covid-hospital-operations.com/）を開発する。
実験結果
リサーチクエスチョン
- RQ1パンデミック期のスージーに際し、最適な患者およびリソース再配分は、施設単位の対応と比較して、合計のスージー容量を削減できるか？
- RQ2需要の不確実性下でも、ロバスト最適化アプローチは医療システムにおける解の実行可能性を維持できるか？
- RQ3看護師の稼働状況や移動コストといった運用制約を、性能を損なわせることなくスケーラブルな再配分モデルに統合できるか？
- RQ4本モデルは、オーバーフロー削減およびキャパシティ活用率という観点で、実世界の結果と比較してどの程度優れているか？
- RQ5本モデルは、異なる医療システムに柔軟に適応可能であり、将来のパンデミック波におけるリアルタイム計画に応用可能か？
主な発見
- 提案されたモデルは、パンデミック第1波期におけるニュージャージー州、テキサス州、マイアミの観察結果と比較して、少なくとも85％のスージー容量削減を達成した。
- フレームワークは病院間での患者負荷を効果的にバランスさせ、オーバーフローを最小限に抑え、システム全体の運用効率を向上させた。
- ロバスト最適化により、需要の不確実性下でも解の実行可能性が保証され、実運用における信頼性が向上した。
- 看護師の稼働状況や移動コストといった運用制約の組み込みが、性能に悪影響を及げず、実用的な妥当性を示した。
- 複雑な現実世界の制約やデータの不確実性を考慮しても、再配分なしの状況と比較して、モデルは著しく優れた性能を示した。
- 公開済みのコードおよびインタラクティブなウェブプラットフォームにより、医療機関が戦略的キャパシティ計画のためにリアルタイムで探索・採用可能である。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。