Plánování chirurgických zákroků pomocí metody branch and price zrychlené pomocí strojového učení

Abstract

Plánování operačních sálů ve zdravotnických zařízeních je zásadní úkol ovlivňující kvalitu péče o pacienty a provozní náklady. Plánovací pravidla používaná v nemocnicích často vedou k suboptimálním rozvrhům. Optimalizační techniky nabízejí slibné východisko. Řešení problému plánování operačních sálů je však obtížné kvůli velkému počtu proměnných a omezení. Tato práce řeší tento problém využitím algoritmu branch-and-price. Výsledky ukazují, že většina výpočetního času je strávena řešením pricing problémů. Proto je navržen model strojového učení, který algoritmus urychluje analýzou struktury problému a určením pořadí řešení pricing problémů. Tento algoritmus je hodnocen na syntetických instancích generovaných na základě nastavení reálných nemocnic. Výsledky ukazují významné snížení počtu vyřešených pricing problémů přes 40 % a snížení výpočetního času více než 10 % ve srovnání s původní metodou. Tento přístup zlepšuje efektivitu algoritmu branch-and-price a může být aplikován i na jiné optimalizační problémy s podobnými vlastnostmi.

The scheduling of operating rooms in healthcare institutions is an essential task impacting the quality of patient care and operating expenses. Planning rules utilised in hospitals often result in suboptimal schedules. Optimisation techniques offer a promising solution. However, solving the operating room scheduling problem is challenging due to the large number of variables and constraints. This work addresses the problem by utilising the branch-and-price algorithm. Results show that most of the computation time is consumed by solving pricing problems. Thus, a machine learning model is proposed to accelerate the algorithm by analysing the structure of the problem and guiding the order for solving pricing problems. The algorithm is evaluated on synthetic instances generated based on real-world hospital settings. Results demonstrate significant improvements reducing more than 40 % of the number of solved pricing problems and over 10 % of computation time compared to the baseline method. This approach improves the efficiency of the branch-and-price algorithm and can be applied to other optimisation problems with similar characteristics.