論文の概要: Optimal Hospital Capacity Management During Demand Surges

• arxiv url: http://arxiv.org/abs/2403.15738v1
• Date: Sat, 23 Mar 2024 06:06:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-26 21:12:36.500639
• Title: Optimal Hospital Capacity Management During Demand Surges
• Title（参考訳）: 需要サージ時の最適病院容量管理
• Authors: Felix Parker, Fardin Ganjkhanloo, Diego A. Martínez, Kimia Ghobadi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.13635858675752993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective hospital capacity management is pivotal for enhancing patient care quality, operational efficiency, and healthcare system resilience, notably during demand spikes like those seen in the COVID-19 pandemic. However, devising optimal capacity strategies is complicated by fluctuating demand, conflicting objectives, and multifaceted practical constraints. This study presents a data-driven framework to optimize capacity management decisions within hospital systems during surge events. Two key decisions are optimized over a tactical planning horizon: allocating dedicated capacity to surge patients and transferring incoming patients between emergency departments (EDs) of hospitals to better distribute demand. The optimization models are formulated as robust mixed-integer linear programs, enabling efficient computation of optimal decisions that are robust against demand uncertainty. The models incorporate practical constraints and costs, including setup times and costs for adding surge capacity, restrictions on ED patient transfers, and relative costs of different decisions that reflect impacts on care quality and operational efficiency. The methodology is evaluated retrospectively in a hospital system during the height of the COVID-19 pandemic to demonstrate the potential impact of the recommended decisions. The results show that optimally allocating beds and transferring just 30 patients over a 63 day period around the peak, less than one transfer every two days, could have reduced the need for surge capacity in the hospital system by approximately 98%. Overall, this work introduces a practical tool to transform capacity management decision-making, enabling proactive planning and the use of data-driven recommendations to improve outcomes.
• Abstract（参考訳）: 効果的な病院の容量管理は、患者のケアの質、手術の効率、医療システムのレジリエンスを高めるために、特に新型コロナウイルス(COVID-19)パンデミックに見られるような需要急増時に重要である。 しかし、最適なキャパシティ戦略の策定は、需要変動、目的の相反、多面的な実践的制約によって複雑である。 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、患者を徴発する専用容量を割り当て、病院の救急部門(ED)間で患者を移動させ、需要を分散させるという戦術的な計画の観点で最適化されている。 最適化モデルは堅牢な混合整数線形プログラムとして定式化され、需要不確実性に対して堅牢な最適決定の効率的な計算を可能にする。 モデルには、サージキャパシティを追加するためのセットアップ時間とコスト、ED患者転送の制限、ケア品質と運用効率への影響を反映した異なる決定の相対コストなど、実用的な制約とコストが含まれている。 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。 その結果,2日毎に1回に満たない63日間に病床を最適に配置し,30人以上の患者を移動させることで,病院システムにおけるサージ容量を約98%削減できる可能性が示唆された。 全体として、この研究はキャパシティ管理の意思決定を変革する実践的なツールを導入し、積極的に計画し、結果を改善するためにデータ駆動のレコメンデーションを使用することを可能にした。

関連論文リスト

• A System for Critical Facility and Resource Optimization in Disaster Management and Planning [1.1039307771106914]
  災害時の医療インフラの破壊は、慢性腎臓病や末期腎疾患の重篤な患者に重大なリスクをもたらす。 本研究は, 救急医療システムのレジリエンスを高めるため, 患者再配置のための最適化モデルと, 仮設医療施設の戦略的配置を提案する。
  論文  参考訳（メタデータ） (2024-10-03T19:57:06Z)
• An Interactive Decision-Support Dashboard for Optimal Hospital Capacity Management [0.13635858675752993]
  サージ期間中に病院の容量管理決定を通知するためのインタラクティブでユーザフレンドリな電子ダッシュボードを開発した。 ダッシュボードには、リアルタイム病院データ、予測分析、最適化モデルが統合されている。 病院の管理者は対話的にパラメータをカスタマイズでき、さまざまなシナリオを探索できる。
  論文  参考訳（メタデータ） (2024-03-22T22:13:18Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
  患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。 提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。 定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
  論文  参考訳（メタデータ） (2021-09-14T14:16:32Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Optimal Resource and Demand Redistribution for Healthcare Systems Under Stress from COVID-19 [0.23862752682567737]
  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。
  論文  参考訳（メタデータ） (2020-11-06T18:56:02Z)

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。