論文の概要: Optimizing Hospital Capacity During Pandemics: A Dual-Component Framework for Strategic Patient Relocation
- arxiv url: http://arxiv.org/abs/2603.15960v1
- Date: Mon, 16 Mar 2026 22:22:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.016263
- Title: Optimizing Hospital Capacity During Pandemics: A Dual-Component Framework for Strategic Patient Relocation
- Title（参考訳）: パンデミック時の病院容量の最適化--戦略的転院のための2成分フレームワーク
- Authors: Sadaf Tabatabaee, Hicham El Baz, Mohammed Khalil Ghali, Nagendra N. Nagarur,
- Abstract要約: 本研究は,患者の転院戦略を通じて病院の収容能力を最適化するための2つの枠組みを提案する。
第1の構成要素は、患者到着率を予測する時系列予測モデルの開発である。
2つ目は、異なる患者移動戦略の影響を評価するシミュレーションモデルである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The COVID-19 pandemic has placed immense strain on hospital systems worldwide, leading to critical capacity challenges. This research proposes a two-part framework to optimize hospital capacity through patient relocation strategies. The first component involves developing a time series prediction model to forecast patient arrival rates. Using historical data on COVID-19 cases and hospitalizations, the model will generate accurate forecasts of future patient volumes. This will enable hospitals to proactively plan resource allocation and patient flow. The second com- ponent is a simulation model that evaluates the impact of different patient relocation strategies. The simulation will account for factors such as bed availability, staff capabilities, transportation logistics, and patient acuity to optimize the placement of patients across networked hospitals. Multiple scenarios will be tested, including inter-hospital trans- fers, use of temporary care facilities, and adaptations to discharge protocols. By combining predictive analytics and simulation modeling, this research aims to provide hospital administrators with a comprehensive decision-support tool. The proposed framework will empower them to anticipate demand, simulate relocation strategies, and imple- ment optimal policies to distribute patients and resources. Ultimately, this work seeks to enhance the resilience of healthcare systems in the face of COVID-19 and future pandemics.
- Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは、世界中の病院システムに多大な負担をかけている。
本研究は,患者の転院戦略を通じて病院の収容能力を最適化するための2つの枠組みを提案する。
第1の構成要素は、患者到着率を予測する時系列予測モデルの開発である。
新型コロナウイルス(COVID-19)の感染者や入院に関する過去のデータを用いて、将来の患者数を予測する。
これにより、病院は積極的に資源配分と患者フローを計画できる。
第2のCom-ponentは、異なる患者の移動戦略の影響を評価するシミュレーションモデルである。
このシミュレーションは、ネットワーク化された病院にまたがる患者の配置を最適化するために、ベッドの可用性、スタッフの能力、輸送物流、患者の明度などの要因を考慮に入れている。
病院間トランスファー、一時的なケア施設の使用、退院プロトコルへの適応など、複数のシナリオがテストされる。
本研究は,予測分析とシミュレーションモデリングを組み合わせることで,総合的な意思決定支援ツールを病院管理者に提供することを目的とする。
提案した枠組みは,需要予測,転職戦略のシミュレート,患者と資源の分配に最適な政策の実施を可能にするものである。
最終的にこの研究は、新型コロナウイルス(COVID-19)と将来のパンデミックに直面した医療システムのレジリエンスを高めることを目指している。
関連論文リスト
- A Hybrid Data-Driven Approach For Analyzing And Predicting Inpatient Length Of Stay In Health Centre [0.0]
本研究は,患者フローの最適化のためのオール・エンコンパス・フレームワークを提案する。
我々は、230万件の未確認患者記録の包括的なデータセットを用いて、人口統計、診断、治療、サービス、費用、料金を分析した。
本モデルでは,患者の入院時間(LoS)を教師付き学習アルゴリズムを用いて予測する。
論文 参考訳（メタデータ） (2025-01-30T18:01:48Z) - 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) - Predictive and prescriptive analytics for multi-site modelling of frail and elderly patient services [0.0]
本研究は, 病院病棟におけるベッドとスタッフの能力計画の運用上の課題を, 予測的, 規範的分析手法を用いて解決するものである。
本手法を英国11病院のネットワーク上で165,000人の患者に応用した。
その結果、この統合されたアプローチは、患者LOSの実際の変動を捉え、平均的な計画よりも7%のコスト削減を提供することを示した。
論文 参考訳（メタデータ） (2023-11-13T12:25:45Z) - Modelling Hospital Strategies in City-Scale Ambulance Dispatching [0.0]
本稿では,大都市におけるマルチエージェント医療環境における救急搬送プロセスのモデル化とシミュレーション手法を提案する。
提案手法は,統合ゲーム理論 (GT) を用いて病院戦略を同定することに基づく。
本研究は, 対象病院のPCIに誘導されたACS患者に救急車を派遣する際の問題点について考察した。
論文 参考訳（メタデータ） (2022-01-05T22:20:12Z) - 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) - 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) - Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical
Bayesian Approach [59.318136981032]
一つの病院で1日当たりの入院患者数を予測するという課題について検討する。
データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。
マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-04-14T11:58:54Z) - 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) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - From predictions to prescriptions: A data-driven response to COVID-19 [42.57407485467993]
新型コロナウイルスの臨床的特徴を理解するための包括的データ駆動型アプローチを提案する。
私たちは、感染や死亡のリスクを予測するために、パーソナライズされた電卓を構築します。
人工呼吸器の再配置と不足軽減のための最適化モデルを提案する。
論文 参考訳（メタデータ） (2020-06-30T03:34:00Z)
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。