編者按

優(yōu)化建模在實踐中的時常碰到的1個問題是：你的模型在現(xiàn)實中到底闊以實行嗎？這篇文章中提到的文章，根本以“成對”的形態(tài)顯現(xiàn)， 一篇文章討論建模流程中的優(yōu)化和理論難題，一篇文章與醫(yī)療體系協(xié)作，討論模型實際應(yīng)用中的細節(jié)。下列的三篇文章應(yīng)用的優(yōu)化決策工具都不盡相近，通過這篇文章，期望大家闊以了解醫(yī)療決策的理論和實踐。

（一）

+ 理論

Hu, Yue, Carri W. Chan, and Jing Dong. "Prediction-driven surge planning with application in the emergency department." Submitted to Management Science (2021).

摘要：這項工作研發(fā)了1個兩階段預(yù)判驅(qū)動的醫(yī)護職員配置框架，此中預(yù)判模型與急診室的根本（提早數(shù)周做出）和激增（幾乎實時做出）職員配置決策相結(jié)合。通過模型，作家明確計算了應(yīng)用更昂貴的激增雇員的好處，并確認(rèn)了平衡需要不確認(rèn)性和需要隨機性的首要性。文章還提出了1個靠近最優(yōu)的，闊以被直接闡明和施行的兩階段職員配置政策，最終，文章建立了1個統(tǒng)一的框架，將參數(shù)預(yù)計、實時需要預(yù)判和急診室的容量大小結(jié)合起來。仿生試驗標(biāo)明，本文提出的方式闊以在確保病人獲得即時護理的同時，將每年的職員配置本錢減低11%-16%（200萬-300萬美圓）。

+ 運用

Hu, Yue, et al. "Use of real-time information to predict future arrivals in the emergency department." Annals of Emergency Medicine (2023).

摘要：本文創(chuàng)建了1個急診科（ED）病人數(shù)目的預(yù)判模型，用以輔助醫(yī)護職員的雇用決策。文中考核了含蓋線性回歸、回歸樹、時間序列模型在內(nèi)的各類預(yù)判技術(shù)，以評價實時數(shù)據(jù)的預(yù)判成效。研發(fā)結(jié)果顯現(xiàn)，與不參考實時信息的模型相比，實時預(yù)判的預(yù)判模型成效更為確切，短期病人數(shù)目、天氣、谷歌形勢等擁有顯著的預(yù)判本領(lǐng)。在多種預(yù)判模型中，SARIMA獲得了最小的樣件外均方根偏差和平均一定預(yù)判偏差，其次是線性回歸。該研發(fā)的論斷是，實時數(shù)據(jù)能有效提升急診室需要的預(yù)判確切性，并為設(shè)計擁有實時需要預(yù)判的職員配置形式以減小急診室擁擠供應(yīng)了實踐和政策意義。

（二）

+理論

Hong, Young-Chae, et al. "Creating resident shift schedules under multiple objectives by generating and evaluating the Pareto frontier." Operations Research for Health Care 23 (2019): 100170.

摘要：本文提出了一類新的方式，為在兒科急診部供應(yīng)輪班服務(wù)的住院醫(yī)師制訂每月時間表。鑒于該問題的多目的本質(zhì)，作家偏重于形成帕累托主導(dǎo)的時間表，醫(yī)院闊以從中進行選取。他們應(yīng)用遞歸方式來形成一切帕累托主導(dǎo)的住院醫(yī)生策劃，用warm-start 來加快求解效益。文章供應(yīng)了1個案例研發(fā)，闡明住院醫(yī)生怎樣應(yīng)用形成的帕累托邊緣來選取時間表。

+ 運用

Perelstein, Elizabeth, et al. "Automation improves schedule quality and increases scheduling efficiency for residents." Journal of graduate medical education 8.1 (2016): 45-49.

摘要：本文簡介了優(yōu)化住院醫(yī)生排班助手（ORSA）的開發(fā)和施行，這一工具的應(yīng)用有效改進醫(yī)療住院醫(yī)生的排班品質(zhì)和提升排班效益。ORSA解析調(diào)度員供應(yīng)的信息，如住院醫(yī)生的項目和年份、睡覺日懇求和其余有關(guān)數(shù)據(jù)，以形成可行的、優(yōu)化的時間表。該工具于2012-2013學(xué)年在C.S. Mott兒童醫(yī)院兒科急診科施行，進而提升了排班品質(zhì)和效益。

（三）

+理論

Forecasting COVID-19 and Analyzing the Effect of Government Interventions

Li, Michael Lingzhi, et al. "Forecasting COVID-19 and analyzing the effect of government interventions." Operations Research 71.1 (2023): 184-201.

摘要：本文簡介了DELPHI，一類嶄新的盛行病學(xué)模型，用來預(yù)判COVID-19大盛行病接種前的病例和滅亡人數(shù)。不同于其余盛行病監(jiān)測模型，DELPHI將對傳染人數(shù)的探測不夠和政府干預(yù)手段的影響予以參考。通過在200多個國家和地方的運用， DELPHI與其余COVID-19盛行病學(xué)模型相比更勝一籌，并提早數(shù)月預(yù)判了2020年美國、英國和俄羅斯等國家和地方的大范圍盛行病。作家展現(xiàn)了DELPHI的簡潔運用。例如，應(yīng)用DELPHI來評價政府干預(yù)手段對大盛行病傳遞的影響。

+ 運用

Data-Driven COVID-19 Vaccine Development for Janssen

Bertsimas, Dimitris, et al. "Data-Driven COVID-19 Vaccine Development for Janssen." INFORMS Journal on Applied Analytics 53.1 (2023): 70-84.

摘要：這篇文章全面簡介了怎樣應(yīng)用 DELPHI 來加快III期疫苗實驗。鑒于DELPHI只可形成確切的近期到中期的預(yù)判，作家展現(xiàn)了怎樣在DELPHI的根基上，通過引入場景解析工具箱來戰(zhàn)勝持久盛行病預(yù)判的艱難。由DELPHI驅(qū)動的試驗選址流程將第三階段的實驗時間加速了8周，同時將實驗樣件量從60,000人減小到45,000人，這一實驗流程的加快有助于加速疫苗的交付應(yīng)用，以抗衡COVID-19大盛行病。另外，鑒于這一順利的施行，這一項目標(biāo)順利歷練闊以輔助變短更多醫(yī)藥的臨床實驗時間，并進一步減低醫(yī)藥開發(fā)的經(jīng)濟危害。