論文の概要: Outpatient Appointment Scheduling Optimization with a Genetic Algorithm Approach
- arxiv url: http://arxiv.org/abs/2602.21995v1
- Date: Wed, 25 Feb 2026 15:15:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-26 18:19:16.877483
- Title: Outpatient Appointment Scheduling Optimization with a Genetic Algorithm Approach
- Title（参考訳）: 遺伝的アルゴリズムを用いた外来予約スケジューリング最適化
- Authors: Ana Rodrigues, Rui Rego,
- Abstract要約: 本研究では,医療行為のスケジューリングの自動化を目的とした遺伝的アルゴリズムフレームワークの提案と評価を行う。
また,50の医療行為を含む合成データセットを用いて,決定論的ファースト・コーム,ファースト・サーブド(F),ランダム・チョイス(Random Choice)の2つのGA変種を比較した。
- 参考スコア（独自算出の注目度）: 0.19575541492160772
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The optimization of complex medical appointment scheduling remains a significant operational challenge in multi-center healthcare environments, where clinical safety protocols and patient logistics must be reconciled. This study proposes and evaluates a Genetic Algorithm (GA) framework designed to automate the scheduling of multiple medical acts while adhering to rigorous inter-procedural incompatibility rules. Using a synthetic dataset encompassing 50 medical acts across four healthcare facilities, we compared two GA variants, Pre-Ordered and Unordered, against deterministic First-Come, First-Served (FCFS) and Random Choice baselines. Our results demonstrate that the GA framework achieved a 100% constraint fulfillment rate, effectively resolving temporal overlaps and clinical incompatibilities that the FCFS baseline failed to address in 60% and 40% of cases, respectively. Furthermore, the GA variants demonstrated statistically significant improvements (p < 0.001) in patient-centric metrics, achieving an Idle Time Ratio (ITR) frequently below 0.4 and reducing inter-healthcenter trips. While the GA (Ordered) variant provided a superior initial search locus, both evolutionary models converged to comparable global optima by the 100th generation. These findings suggest that transitioning from manual, human-mediated scheduling to an automated metaheuristic approach enhances clinical integrity, reduces administrative overhead, and significantly improves the patient experience by minimizing wait times and logistical burdens.
- Abstract（参考訳）: 複雑な医療予約スケジューリングの最適化は、臨床安全プロトコルと患者のロジスティクスを調整しなければならないマルチセンター医療環境において、依然として重要な運用上の課題である。
本研究は,厳密な言語間非互換性ルールに固執しつつ,複数の医療行為のスケジューリングを自動化するための遺伝的アルゴリズム(GA)フレームワークを提案し,評価する。
4つの医療施設にまたがる50の医療行為を含む合成データセットを用いて、決定論的ファースト・コーム、ファースト・サーブド(FCFS)、ランダム・チョイス(Random Choice)の2つのGA変種を比較した。
その結果, GAフレームワークは100%の制約充足率を達成し, FCFSベースラインが60%, 40%の症例で対応できなかった時間的重複と臨床的不整合を効果的に解消した。
さらに、GA変異は、患者中心の指標において統計的に有意な改善(p < 0.001)を示し、Idle Time Ratio (ITR) を0.4以下で達成し、健康センター間旅行を減らした。
GA(順序付き)の変種は、より優れた初期探索軌跡を提供する一方で、両方の進化モデルは100世代までには同等のグローバル最適値に収束した。
これらの結果から,手動による人為的スケジューリングから自動メタヒューリスティックアプローチへの移行は,臨床の整合性を高め,管理上のオーバーヘッドを低減し,待ち時間と物的負担を最小化し,患者の体験を著しく改善することが明らかとなった。
関連論文リスト
- MedAD-R1: Eliciting Consistent Reasoning in Interpretible Medical Anomaly Detection via Consistency-Reinforced Policy Optimization [46.65200216642429]
我々はMedADの最初の大規模マルチモーダル・マルチセンタベンチマークであるMedAD-38Kを紹介し、構造化された視覚質問応答(VQA)ペアとともに、CoT(Chain-of-Thought)アノテーションを特徴付ける。
提案するモデルであるMedAD-R1は、MedAD-38Kベンチマーク上での最先端(SOTA)性能を実現し、強いベースラインを10%以上上回った。
論文 参考訳（メタデータ） (2026-02-01T07:56:10Z) - Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。
CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。
提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
論文 参考訳（メタデータ） (2025-12-12T08:02:37Z) - The Alignment Paradox of Medical Large Language Models in Infertility Care: Decoupling Algorithmic Improvement from Clinical Decision-making Quality [12.724499570706051]
8000以上の不妊治療記録を用いて4つのアライメント戦略を評価した。
GRPOは複数の決定層にまたがるアルゴリズムの精度が最も高い。
臨床医はSFTモデルを常に好んでおり、より明確な推論過程を引用している。
論文 参考訳（メタデータ） (2025-11-22T14:48:54Z) - A Hybrid Enumeration Framework for Optimal Counterfactual Generation in Post-Acute COVID-19 Heart Failure [1.9794615806637272]
本稿では,個別化リスク推定と介入分析のための非現実的推論フレームワークを提案する。
このフレームワークは、厳密な列挙と最適化に基づく手法(NICE(Nearest Instance Counterfactual Explanations)やMOC(Multi-Objective Counterfactuals)アルゴリズムなど)を組み合わせる。
論文 参考訳（メタデータ） (2025-10-21T17:35:12Z) - Medical priority fusion: achieving dual optimization of sensitivity and interpretability in nipt anomaly detection [0.0]
臨床機械学習は、高い医療応用において重要なジレンマに直面している。
非侵襲的出生前検査(NIPT)では特にパラドックスが急性化しており、染色体異常が重篤な臨床結果をもたらす。
本稿では,この基本的なトレードオフを解決するための制約付き多目的最適化フレームワークである医療優先融合(MPF)を紹介する。
論文 参考訳（メタデータ） (2025-09-22T15:49:20Z) - Primary Care Diagnoses as a Reliable Predictor for Orthopedic Surgical Interventions [0.10624941710159722]
リファラルワークフローの非効率性は、最適な患者と高い医療費に寄与する。
本研究では,プライマリケアの診断項目に基づく手続き的ニーズの予測の可能性について検討した。
論文 参考訳（メタデータ） (2025-02-06T17:15:12Z) - Biomimicry in Radiation Therapy: Optimizing Patient Scheduling for Improved Treatment Outcomes [0.0]
本研究は,放射線治療領域(RT)におけるバイオミミクリー原則の統合と,患者スケジューリングの最適化について考察する。
複雑なオンラインスケジューリング問題に対処するため、3つのバイオインスパイアされたアルゴリズムが最適化に使用される。
本研究は,RTの患者スケジューリングの最適化に応用されたバイオインスパイアされたアルゴリズムの有効性を明らかにするものである。
論文 参考訳（メタデータ） (2024-01-16T15:37:23Z) - 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) - 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) - Collaborative residual learners for automatic icd10 prediction using
prescribed medications [45.82374977939355]
本稿では,処方用データのみを用いたicd10符号の自動予測のための協調残差学習モデルを提案する。
平均精度0.71および0.57のマルチラベル分類精度、F1スコア0.57および0.38の0.73および0.44の精度を取得し、患者および外来データセットの主診断をそれぞれ予測します。
論文 参考訳（メタデータ） (2020-12-16T07:07:27Z) - Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。
平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
論文 参考訳（メタデータ） (2020-12-16T07:02:56Z)
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。