Optimalizace vyhodnocování laboratorních vzorků při neurčité době připravenosti

Abstract

Cílem této práce je optimalizace jednoho z úzkých hrdel pracovního postupu zdravotnické laboratoře. Budeme navazovat na datovou analýzu provedenou v [1], přičemž tato data také použijeme k vytvoření efektivního řešení problému obsazení dávek na odstředivce. Na rozdíl od předchozích přístupů budeme uvažovat vliv neurčitosti na čas uvolnění jednotlivých vzorků, který pramení z pracovního postupu. Nejdříve provedeme rešerši nejaktuálnější literatury v oboru rozvrhování s neurčitostí. Poté zanalyzujeme a formálně zadefinujeme náš problém. Dále prozkoumáme nejnadějnější přístupy řešení. Na základě získaných poznatků navrhneme model schopný vytvoření proaktvního rozvrhu, jehož robustnost jsme schopni ovládat. Potom jej využijeme k vytvoření proaktivně-reaktivního řešení celého problému, načež experimentálně ověříme, že je rychle vypočitatelné. Chování rozvrhovacího modelu je posléze osvětleno na malých instancích problému. V poslední řadě provádíme experiment, jehož cílem je věrně replikovat procesy v laboratoři. Docházíme k závěru, že zvyšováním robustnosti proaktivního rozvrhu dojde ke zhoršení průměrné doby odbavování, ale zároveň také k podstatnému snížení jejího rozptylu.

This thesis aims to optimize one of the bottlenecks in the workflow of medical laboratories. We build on top of the data analysis performed in [1] while using the same data to create an efficient solution to the batching problem of the centrifuge. Unlike the existing approaches, we also consider an element of uncertainty on the release times of the samples, which stems from the workflow. Firstly, we investigate the state-of-the-art literature in the field of scheduling under uncertainty. Afterwards, we analyze and formally define our problem. Then, we examine the most promising approaches and based on the insights gained; we propose a proactive schedule generating model, whose robustness might be adjusted. Later, we incorporate this model into a proactive-reactive framework. Subsequently, we demonstrate the computational tractability of this approach, and explain its behavior in small instances of the problem. Finally, we run a simulation emulating the real processes in the laboratory. We conclude that by increasing the level of robustness of the proactive schedule, we get worse average in the total turnaround time of some samples, but with considerably decreased variance.