[논문 리뷰] Appointment scheduling model in healthcare using clustering algorithms

Nooshin Yousefi, Farhad Hasankhani외 2명|arXiv (Cornell University)|2019. 05. 03.

Healthcare Operations and Scheduling Optimization참고 문헌 39인용 수 7

한 줄 요약

이 연구는 우선순위 분류를 위한 DBSCAN 군집화와 유동적 예약 할당을 위한 마르코프 결정 과정(MDP) 및 유체 근사법을 조합한 이단계 외래 환자 예약 모델을 제안한다. 최적의 예약 결정 기반 벤치마크 정책을 제안하여 고우선순위 환자의 간접 대기 시간을 줄이며, 이는 이란 테헤란의 한 의료센터에서 수집한 실제 데이터(일일 90명의 예약)를 기반으로 검증되었다.

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.

연구 동기 및 목표

• 의료 시스템 내 고우선순위 외래 환자의 간접 대기 시간을 줄이기 위해.
• 합병증 및 인구통계학적 요인을 포함하여 기계학습을 활용한 데이터 기반 방법으로 외래 환자를 우선순위 클래스로 분류하기 위해.
• 불확실한 일일 외래 환자 도착을 마르코프 결정 과정(MDP)으로 모델링하여 동적 예약을 위해.
• 대규모 MDP를 해결하고 실용적이고 구현 가능한 벤치마크 정책을 도출하기 위해 유체 근사를 적용하기 위해.
• 이란의 샤히드 라자이 의료 및 연구센터에서 수집한 실제 데이터를 기반으로 모델을 검증하기 위해.

제안 방법

• 의료 및 인구통계학적 특징을 바탕으로 외래 환자를 우선순위 클래스로 분류하기 위해 K-means, 응집형 계층적, DBSCAN, OPTICS의 네 가지 군집화 알고리즘을 사용하였다.
• 군집 성능를 비교하고 최적의 방법을 선정하기 위해 실루엣 계수를 평가 지표로 사용하였다.
• 스토케스틱한, 포isson 분포를 따르는 일일 도착을 가정하고 7일 계획 기간을 설정한 마르코프 결정 과정(MDP)으로 예약 문제를 수립하였다.
• 차원의 저주 문제를 극복하고 최적의 MDP 정책을 추정하기 위해 유체 근사를 적용하였다.
• 최적의 MDP 해를 기반으로 벤치마크 정책을 유도하여, 전체 MDP를 재해결하지 않고도 매일의 예약 결정을 가능하게 하였다.
• 임상적 긴급성과 자원 제약 조건을 기반으로 예약 지연 및 거절에 대한 비용 매개변수를 校정하였다.

실험 결과

연구 질문

• RQ1 의료 및 인구통계학적 특징을 바탕으로 외래 환자 간 우선순위 클래스를 가장 잘 식별하는 군집화 알고리즘은 무엇인가?
• RQ2 불확실한 일일 도착 상황에서 마르코프 결정 과정(MDP)이 어떻게 동적 외래 환자 예약을 효과적으로 모델링할 수 있는가?
• RQ3 유체 근사는 대규모 MDP의 스케일이 큰 해결책을 제공하는 데 얼마나 정확하고 확장 가능한가?
• RQ4 유도된 벤치마크 정책은 실질적인 구현이 가능하면서도 근사 최적의 성능을 달성할 수 있는가?
• RQ5 기계학습과 MDP를 통합함으로써 예약 효율성이 향상되고 고우선순위 환자의 간접 대기 시간이 얼마나 감소하는가?

주요 결과

• DBSCAN 군집화가 실루엣 스코어 0.92를 기록하여 K-means(0.87), 응집형 계층적(0.81), OPTICS(0.89)를 모두 앞서며 환자 우선순위 분류에 최적의 군집화 방법으로 확인되었다.
• 유체 근사를 적용한 MDP 모델은 7일 계획 기간 동안 두 가지 우선순위 클래스에 대해 최적의 예약 정책을 성공적으로 도출하였으며, 고우선순위 환자의 지연 예약 수를 최소화하였다.
• 벤치마크 정책은 1일차에 15명의 저우선순위 및 20명의 고우선순위 외래 환자를 예약하도록 권고하며, 이후 7일 동안 능력과 긴급성의 균형을 맞추기 위해 점차 감소하는 수치를 제안한다.
• 모델은 특히 자원이 제한된 상황에서 고우선순위 환자를 우선시함으로써 고우선순위 환자의 간접 대기 시간을 줄였다.
• 벤치마크 정책은 전체 MDP를 재해결하지 않고도 매일의 예약을 가능하게 하여 실제 의료 기관에서의 실용적 구현을 보장한다.
• MDP 모델의 비용 매개변수는 임상적 긴급성을 반영한다: 고우선순위 환자 거절 시 비용은 10이며, 저우선순위 환자에 대해서는 5이다.