論文の概要: Optimal Resource and Demand Redistribution for Healthcare Systems Under Stress from COVID-19

• arxiv url: http://arxiv.org/abs/2011.03528v1
• Date: Fri, 6 Nov 2020 18:56:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 03:05:50.149171
• Title: Optimal Resource and Demand Redistribution for Healthcare Systems Under Stress from COVID-19
• Title（参考訳）: 新型コロナウイルスストレス下の医療システムの最適資源・需要再分配
• Authors: Felix Parker, Hamilton Sawczuk, Fardin Ganjkhanloo, Farzin Ahmadi, Kimia Ghobadi
• Abstract要約: 本研究は,需要増加期間中の需要急増量を最小限に抑えるため,最適な需要と資源移動を求める問題について考察する。 本研究では,需要の変動と資源再分配問題を解決する線形および混合整数プログラミングモデルの開発と解析を行う。 当社のモデルは、ニュージャージー、テキサス、マイアミのCOVID-19入院データを用いて、遡及的に検証され、必要なサージ容量を少なくとも85%削減する。
• 参考スコア（独自算出の注目度）: 0.23862752682567737
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: 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.
• Abstract（参考訳）: 新型コロナウイルス(covid-19)パンデミックのような極端なストレスに直面すると、医療システムは通常、基本能力に近づいている施設でサージキャパシティを生成して反応する。 しかし、各施設で個別の容量を創出することは必ずしも最適なアプローチではなく、施設間の需要と臨界資源の再分配は、必要な総容量を減らすことができる。 データによると、この追加負荷は新型コロナウイルス(COVID-19)のパンデミックの間、病院間で不均一に分配された。 これは非効率であるだけでなく、超能力病院におけるケアの質の低下につながる可能性がある。 本研究では,需要の増大期間中に要求されるサージ容量と資源不足を最小限に抑えるため,最適需要と資源移動を求める問題について検討する。 我々は需要と資源の再分配問題の変種を解決する線形および混合整数型プログラミングモデルを開発し,解析する。 さらに,需要の不確実性を考慮し,解決可能性を確保するためにロバストな最適化を行う。 また、このようなスキームを実装する際に意思決定者が考慮すべき運用上の制約やコストも取り入れています。 我々のモデルは、ニュージャージー、テキサス、マイアミのCOVID-19入院データを用いて振り返りに検証され、各症例の観察結果と比較すると、最低でも85%のサージ能力が低下する。 その結果、このようなソリューションは運用可能であり、需要不確実性に対して十分に堅牢であることがわかった。 まとめると、この研究は医療システムの意思決定者に実用的で柔軟なツールを提供し、ある施設の容量が過大な場合の患者の適切なケアに必要なサージ能力を低減する。

関連論文リスト

• Optimal Hospital Capacity Management During Demand Surges [0.13635858675752993]
  本研究では,サージイベント中の病院システム内のキャパシティ管理決定を最適化するためのデータ駆動型フレームワークを提案する。 2つの重要な決定は、戦術的な計画の観点で最適化されている。 この手法は、新型コロナウイルスのパンデミックの最盛期に病院システムで振り返って評価され、推奨された決定の潜在的影響を示す。
  論文  参考訳（メタデータ） (2024-03-23T06:06:06Z)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Proactive Resource Request for Disaster Response: A Deep Learning-based Optimization Model [0.2580765958706854]
  我々は,要求される資源の最適量を積極的に決定する新たな資源管理問題を開発する。 我々は,問題の健全な特性を考慮に入れ,今後の需要予測のための新しいディープラーニング手法を開発した。 実世界とシミュレーションデータの両方を用いて,既存手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-07-31T13:44:01Z)
• Elastic Entangled Pair and Qubit Resource Management in Quantum Cloud Computing [73.7522199491117]
  量子クラウドコンピューティング(QCC)は、量子コンピューティングリソースを効率的に提供するための有望なアプローチを提供する。 ユーザ需要の変動と量子回路の要求は、効率的なリソース供給のために困難である。 本稿では、量子コンピューティングとネットワークリソースのプロビジョニングのためのリソース割り当てモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-25T00:38:46Z)
• Decision-Aware Learning for Optimizing Health Supply Chains [19.167762972321523]
  発展途上国,特にシエラレオネにおける医療資源の限られた供給配分の問題について検討する。 我々は、機械学習(需要予測)と最適化(アロケーションの最適化)を組み合わせることで、この問題に対処する。 本稿では,機械学習の損失を導出するために,最適決定損失のテイラー拡張を用いた決定認識学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-11-15T21:03:52Z)
• Criticality and Utility-aware Fog Computing System for Remote Health Monitoring [0.31498833540989407]
  リアルタイムのスマートヘルスアプリケーションは、効率よく解決しなければならない遅延制約を生じさせる。 このようなリアルタイムアプリケーションのための効率的なソリューションとして、フォグコンピューティングが登場している。 医療センターは、Fogコンピューティングリソースを採用することで利益を上げるために、IoTベースの遠隔医療システムに惹かれています。
  論文  参考訳（メタデータ） (2021-05-24T05:28:06Z)
• Resource Planning for Hospitals Under Special Consideration of the COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
  新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。 BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。 BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
  論文  参考訳（メタデータ） (2021-05-16T12:38:35Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。