論文の概要: Optimizing Donor Outreach for Blood Collection Sessions: A Scalable Decision Support Framework

• arxiv url: http://arxiv.org/abs/2603.29643v1
• Date: Tue, 31 Mar 2026 12:05:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.600281
• Title: Optimizing Donor Outreach for Blood Collection Sessions: A Scalable Decision Support Framework
• Title（参考訳）: 血液採取セッションに対するドナーアウトリーチの最適化:スケーラブルな意思決定支援フレームワーク
• Authors: André Carneiro, Pedro T. Monteiro, Rui Henriques,
• Abstract要約: 献血センターは、ドナーの可用性を管理しながら需要と供給を一致させることで課題に直面している。 我々は,ドナーの適格性,旅行便宜,血液型需要目標,罰則を取り入れたドナー招待スケジューリングのための最適化フレームワークを開発する。 適応可能な非アクティブ/ラップドナーを動員することで、制約を考慮したスケジューリングがギャップを埋める方法について評価する。
• 参考スコア（独自算出の注目度）: 0.6996743265827469
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Blood donation centers face challenges in matching supply with demand while managing donor availability. Although targeted outreach is important, it can cause donor fatigue via over-solicitation. Effective recruitment requires targeting the right donors at the right time, balancing constraints with donor convenience and eligibility. Despite extensive work on blood supply chain optimization and growing interest in algorithmic donor recruitment, the operational problem of assigning donors to sessions across a multi-site network, taking into account eligibility, capacity, blood-type demand targets, geographic convenience, and donor safety, remains unaddressed. We address this gap with an optimization framework for donor invitation scheduling incorporating donor eligibility, travel convenience, blood-type demand targets, and penalties. We evaluate two strategies: (i) a binary integer linear programming (BILP) formulation and (ii) an efficient greedy heuristic. Evaluation uses the registry from Instituto Português do Sangue e da Transplantação (IPST) for invite planning in the Lisbon operational region using 4-month windows. A prospective pipeline integrates organic attendance forecasting, quantile-based demand targets, and residual capacity estimation for forward-looking invitation plans. Results reveal its key role in closing the supply-demand gap in the Lisbon operational region. A controlled comparison shows that the greedy heuristic achieves results comparable to the BILP, with 188x less peak memory and 115x faster runtime; trade-offs include 3.9 pp lower demand fulfillment (86.1% vs. 90.0%), larger donor-session distance, higher adverse-reaction donor exposure, and greater invitation burden per non-high-frequency donor, reflecting local versus global optimization. Experiments assess how constraint-aware scheduling can close gaps by mobilizing eligible inactive/lapsing donors.
• Abstract（参考訳）: 献血センターは、ドナーの可用性を管理しながら需要と供給を一致させることで課題に直面している。 目標とするアウトリーチは重要であるが、オーバーソリサーションによってドナーの疲労を引き起こす可能性がある。 効果的な採用には適切なタイミングで適切なドナーをターゲットし、制約とドナーの利便性と適格性のバランスを取る必要がある。 血液供給チェーンの最適化とアルゴリズムによるドナー採用への関心の高まりにもかかわらず、多サイトネットワーク上のセッションにドナーを割り当てることによる運用上の問題は、適格性、能力、血液型需要目標、地理的利便性、ドナーの安全性を考慮している。 このギャップを、ドナーの適格性、旅行の利便性、血液型需要目標、罰則を取り入れたドナーの招待スケジューリングのための最適化フレームワークを用いて解決する。 私たちは2つの戦略を評価します。 i)バイナリ整数線形計画法(BILP)と定式化 (二)効率のよい欲求的ヒューリスティック。 Instituto Português do Sangue e da Transplantação (IPST) のレジストリを使用して、4ヶ月のウィンドウを使用してリスボンの運用地域を招待する。 予測パイプラインは、有機的出席予測、定量ベースの需要目標、前方からの招待計画のための残留キャパシティ推定を統合する。 その結果、リスボンの運用地域における需給ギャップを埋める上で、その重要な役割が明らかにされた。 制御された比較では、強欲なヒューリスティックはBILPに匹敵する結果を達成し、188倍のピークメモリと115倍の高速実行を実現し、トレードオフには3.9ppの低需要充足(86.1%対90.0%)、ドナー・セッション距離の大きいドナー・ドナー露光、非高周波ドナーに対する招待負担の増大、局所とグローバル最適化の反映などが含まれる。 適応可能な非アクティブ/ラップドナーを動員することで、制約を考慮したスケジューリングがギャップを埋める方法について評価する。

関連論文リスト

• DeFRiS: Silo-Cooperative IoT Applications Scheduling via Decentralized Federated Reinforcement Learning [62.347535250646196]
  本稿では、ロバストでスケーラブルなシロコラボ型IoTアプリケーションスケジューリングのための分散フェデレーション強化学習フレームワークであるDeFRiSを提案する。 DeFRiSは、(i)異種サイロ間のシームレスな知識伝達を可能にするための候補資源スコアを利用したアクション空間非依存ポリシー、(ii)汎用アドバンテージ推定とクリッピングされたポリシー更新を組み合わせたサイロ最適化ローカル学習メカニズム、(iii)類似性認識の知識伝達と異常検出に勾配指紋を利用するDual-Track Non-IIDロバストな分散集約プロトコル、の3つのイノベーションを統合する。
  論文  参考訳（メタデータ） (2026-03-16T02:02:38Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Policy Optimization for Dynamic Heart Transplant Allocation [48.56507763517103]
  心臓移植は、進行性心不全の患者にとって有効な方法である。 現在の割当政策は、移植前と移植後の死亡率を考慮すると十分ではない。 異なるポリシーの性能を評価・比較できる新しいシミュレータを開発した。
  論文  参考訳（メタデータ） (2025-12-13T23:51:31Z)
• Information-Theoretic Reward Modeling for Stable RLHF: Detecting and Mitigating Reward Hacking [78.69179041551014]
  本稿では,インフォメーション・ボトルネックの原理に基づく情報理論報酬モデリングフレームワークを提案する。 InfoRMは、報酬の一般化を緩和するために、嗜好に無関係な情報をフィルタリングする。 IBLは分散レベルの正規化であり、そのような偏差を罰し、最適化の展望を効果的に拡張する。
  論文  参考訳（メタデータ） (2025-10-15T15:51:59Z)
• Optimizing Blood Transfusions and Predicting Shortages in Resource-Constrained Areas [0.36868085124383626]
  ドナー患者と血液バンク選択のためのデータマッチングアルゴリズムと、血液受け入れデータを分析し、潜在的な不足を予測する機械学習手法を提案する。 近距離選択,血液型適合性,呼吸優先度,希少度スコアを組み込んだシステムに,ランダムなアロケーションから進行する血液バンク操作を最適化するシミュレーションを開発した。 将来の開発では、予測精度と最適化性能を改善するために現実世界の変数を組み込む予定である。
  論文  参考訳（メタデータ） (2025-06-14T22:17:45Z)
• Efficient Public Health Intervention Planning Using Decomposition-Based Decision-Focused Learning [33.14258196945301]
  介入計画の高速化のために、レスレスマルチアーマッドバンド(RMAB)の構造を利用する方法を示す。 私たちはインドのNGOであるARMMANの実際のデータを使って、我々のアプローチが最先端のアプローチよりも最大2桁高速であることを示す。
  論文  参考訳（メタデータ） (2024-03-08T21:31:00Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Causal Estimation of Exposure Shifts with Neural Networks [2.9248916859490173]
  本稿では、ニューラルネットワーク(TRESNET)を用いた露光シフトのための目標正規化を導入し、シフト応答関数(SRF)の推定を行う。 次に,米国国家大気基準(NAAQS)を12$mug/m3$から9$mug/m3$に改定する際の因果効果を推定するために,本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-06T04:35:08Z)
• Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in Edge Industrial IoT [106.83952081124195]
  強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。 本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。 実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
  論文  参考訳（メタデータ） (2021-06-30T16:49:07Z)
• Active Screening for Recurrent Diseases: A Reinforcement Learning Approach [29.78172882606022]
  我々は,Deep Q-Networks(DQN)に基づく新しい強化学習(RL)手法を提案する。 実世界の複数のネットワーク上でRLアルゴリズムを評価する。
  論文  参考訳（メタデータ） (2021-01-07T21:07:35Z)

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。