[论文解读] 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 7

一句话总结

本研究提出了一种两阶段门诊预约模型，结合DBSCAN聚类进行优先级分类，并采用马尔可夫决策过程（MDP）与流近似方法实现动态预约分配。该方法通过基于最优调度决策推荐基准策略，减少了高优先级患者因资源调配产生的间接等待时间，在德黑兰一家医疗中心的真实数据（每日90个预约）上得到验证。

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.

研究动机与目标

• 减少医疗系统中高优先级门诊患者的间接等待时间。
• 开发一种基于机器学习的数据驱动方法，对门诊患者进行优先级分类，综合考虑共病情况和人口统计因素。
• 将不确定的每日门诊患者到达建模为马尔可夫决策过程（MDP），以实现动态调度。
• 应用流近似方法求解大规模MDP问题，推导出实用且可实施的基准策略。
• 在伊朗谢哈德·拉贾伊医疗与研究中心的真实世界数据上验证该模型。

提出的方法

• 采用四种聚类算法——K-means、层次聚类、DBSCAN和OPTICS，基于医疗和人口统计特征对门诊患者进行优先级分类。
• 使用轮廓系数作为评估指标，比较聚类性能并选择最优方法。
• 将调度问题建模为马尔可夫决策过程（MDP），假设每日到达为随机的泊松分布，规划周期为7天。
• 应用流近似方法克服维度灾难问题，估算最优MDP策略。
• 从最优MDP解中推导出基准策略，实现在无需重新求解完整MDP的前提下实现每日调度决策。
• 根据临床紧迫程度和资源约束，校准预约延迟和拒绝的代价参数。

实验结果

研究问题

• RQ1 基于医疗和人口统计特征，哪种聚类算法最能有效识别门诊患者的优先级类别？
• RQ2 马尔可夫决策过程（MDP）在每日到达不确定的条件下，如何有效建模动态门诊调度？
• RQ3 流近似方法在多大程度上能为大规模MDP提供可扩展且准确的解决方案？
• RQ4 所推导的基准策略是否能在保证接近最优性能的同时，易于在真实医疗环境中实施？
• RQ5 将机器学习与MDP相结合，如何提升调度效率并减少高优先级患者的间接等待时间？

主要发现

• DBSCAN聚类获得最高的轮廓系数（0.92），优于K-means（0.87）、层次聚类（0.81）和OPTICS（0.89），因此是患者优先级分类的最优聚类方法。
• 结合流近似的MDP模型成功为两个优先级类别的患者生成了最优调度策略，在7天规划周期内最小化了高优先级患者的预约延迟。
• 基准策略建议在第1天安排15名低优先级和20名高优先级患者，随后7天内逐步减少预约数量，以平衡容量与紧迫性需求。
• 当资源受限时，该模型通过优先安排高优先级患者，显著减少了其间接等待时间。
• 基准策略使每日调度无需求解完整MDP，确保了在真实医疗机构中的实际部署可行性。
• MDP模型中的代价参数反映了临床紧迫程度：拒绝一名高优先级患者将产生10的代价，而低优先级患者为5。