Walk-In Multi-Stage Patient Flow Scheduling: An ASP Model with DES-Based Evaluation
本文提出了一种基于答案集编程（ASP）的门诊医院反应式多阶段患者流调度模型，旨在优化检查路径并最小化就诊与等待时间，并通过离散事件仿真（DES）证明，该模型在减少患者停留时长方面显著优于贪婪基准模型，尤其是在高负荷条件下。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正走进一个巨大的、繁忙的主题公园，那里的游乐设施是医疗检查，而整个公园就是一家医院。在一个理想的世界里，你应该买好票，拿到地图，然后从一个项目滑向下一个项目，完全不需要排队等待。但在现实世界中，特别是在繁忙的医院里，情况是混乱的。患者在没有预约的情况下到达，他们需要按特定顺序完成一系列不同的“游乐项目”（比如抽血、X光检查和扫描）。而且队伍很长。科学家们面临的核心问题是：如何组织这种混乱？你是应该直接让人们抢占第一个空闲的位置（一种“贪婪”的方法），还是应该使用一台超级智能的计算机来规划每个人的完美路线，同时考虑到排队长度和步行距离？这就是“调度”（scheduling）领域的核心，该领域试图让复杂的系统平稳运行。这就像是在担任一名城市交通指挥官，只不过这里的汽车是人，道路是走廊，而交叉路口则是诊室。如果你做错了，人们就会等待太久；如果你做对了，整个系统就会像流水一样顺畅。
在本文中，作者处理了一种特定类型的混乱：“随访型”患者（walk-in patient）。这些人是在没有预订时间的情况下出现在医院，并且需要在单次就诊期间完成一系列检查。研究人员利用一种巧妙的逻辑谜题求解器——答案集编程（Answer Set Programming, ASP），为这些患者开发了一种全新的调度方式。把 ASP 想象成一位超级组织有序的图书管理员，他能瞬间查看安排患者一天的所有可能方式，检查规则（例如“你必须在做扫描之前先做抽血检查”），并选出绝对最佳的路径。但转折在于：医院并不是一个静态的谜题，它是一个充满活力、不断变化的场所，排队情况和人员到达都是随机的。因此，作者不仅解决了这个谜题，还构建了一台名为离散事件模拟（Discrete-Event Simulation, DES）的“时光机”。这台时光机可以带着随机的延迟，将这一天重新演练数千次，以观察他们的智能调度方案在混乱发生时是否依然有效。
团队将这种智能 ASP 规划器与现实中使用的两种更简单的算法进行了对比。第一种是“贪婪”方法，即患者被送往第一个空闲的房间，而不考虑后续情况。第二种则稍微聪明一点，它试图预测未来的排队情况，但仍然是采取一步一决策的方式。在针对代表 100 到 650 名患者规模医院的大型模拟数据集进行的测试结果表明，ASP 方法是一个“游戏规则改变者”，尤其是在医院非常拥挤的时候。在重度拥挤的模拟场景中，ASP 方法缩短了患者在医院的总停留时间，并显著增加了无需等待的人数。例如，在有 400 名患者的繁忙场景下，ASP 方法帮助 6.5% 的患者实现了全程无需等待，而贪婪方法仅为 5%。更令人印象深刻的是，这款智能规划器保持了较低的平均“停留时间”，证明了对整个旅程进行前瞻性思考比仅仅对当前时刻做出反应效果更好。
然而，作者也谨慎地指出，这并不是能瞬间解决一切问题的“魔杖”。当医院压力较小、房间充足且患者较少时，所有方法的表现大致相同，改进效果并不明显。此外，虽然 ASP 方法在减少等待时间方面表现出色，但它并没有大幅减少在房间之间走动的时长，因为医院的布局是固定的，且并没有太多捷径可寻。研究还指出，由于真实数据通常出于隐私保护原因难以获取，其数据是基于典型的医院模式进行模拟的。他们还假设一旦患者进入房间，就会按照到达的先后顺序接受服务，忽略了紧急情况或需要插队的重症患者。
最终，论文表明，通过将强大的逻辑求解器与真实的模拟相结合，我们可以创建一个“反应式”系统，在每位新患者进门时都能做出调整。这就像拥有一个 GPS，它不仅能告诉你前往目的地的最快路线，还能在每辆新车进入高速公路时重新计算整个行程，确保你不会陷入拥堵。尽管作者承认仍有许多工作要做——比如在真实医院数据上进行测试以及处理紧急情况——但他们的研究表明，借助正确的工具，我们可以让医院的就医体验变得更轻松、更高效。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。