预测精度与重调度灵活性在择期手术管理中的关系

下游资源的可用性在规划择期手术患者入院过程中至关重要，其中最关键的是住院床位。为确保床位可用性，医院可在入院规划阶段使用机器学习（ML）模型预测患者的住院时长（LOS）。然而，每位患者的实际住院时长可能与预测值存在差异，可能导致调度计划不可行。

为解决此类不可行性问题，可实施利用操作灵活性的重调度策略。例如，规划人员可能推迟入院日期、将患者转移至不同病房，甚至对已入院患者进行跨病房转移。一个直观的假设是：更好的住院时长预测有助于降低重调度的影响。但能够实现此类精准预测的机器学习模型的训练过程可能成本极高。

基于先前提出的模拟机器学习方法评估数据驱动方案的研究，本文探讨了在不同纠正策略下住院时长预测精度与重调度灵活性之间的关系。具体而言，本研究旨在住院时长预测误差存在的情况下，通过最有效的患者重调度策略预防床位溢出，同时优化资源利用率。

主题分类：
机器学习（cs.LG）；优化与控制（math.OC）

引用信息：
arXiv:2507.15566 [cs.LG]

版本记录：

• v1 提交时间：2025年7月21日
• v2 修订时间：2025年7月29日

全文链接：
可通过某机构提供的PDF查看论文全文，或通过TeX源码及其他格式获取。