[Paper] 门诊预约调度优化的遗传算法方法

Source: arXiv - 2602.21995v1

概览

在多个诊所安排门诊预约是一项众所周知的复杂问题——临床安全规则、患者出行以及资源有限常常冲突，导致预约缺失和长时间等待。Rodrigues 和 Rego 直接面对这一挑战，使用遗传算法（GA）自动生成可行且对患者友好的排程，展示了进化方法能够超越传统的先到先服务（FCFS）方式。

关键贡献

• 基于遗传算法的调度框架，能够满足复杂的跨过程不兼容约束（例如，“过程 A 不能在同一天后接过程 B”）。
• 两种遗传算法变体（预排序和无序）与确定性（FCFS）和随机（Random Choice）基线进行评估。
• 在包含四个健康中心的 50 项医疗行为的合成数据集上实现 100 % 约束满足率。
• 在以患者为中心的指标上实现 显著降低：大多数运行中空闲时间比率 (ITR) < 0.4，且跨中心出行次数减少。
• 统计验证（p < 0.001）确认遗传算法的解并非偶然产生。
• 对遗传算法动态的洞察：有序变体更快找到良好解，但两者在第 100 代时均收敛到相似的最优解。

方法论

1. 问题表述 – 作者将预约调度任务建模为组合优化问题，其中每个“基因”编码一个特定的医疗行为及其分配的时间段和地点。硬约束（临床不兼容、资源容量）被编码为惩罚项。
2. 遗传表示 –
   • 预排序 GA：染色体是已按启发式（例如最早截止时间优先）排序的行为序列。
   • 无序 GA：染色体是随机排列，让 GA 自行发现排序。
3. 进化算子 – 标准的交叉和变异算子被调整以尽可能保持可行性；不可行的后代通过简单的贪婪后处理步骤进行修复。
4. 适应度函数 – 结合 (a) 对任何违反约束的巨大惩罚，确保算法优先考虑可行性，和 (b) 对以患者为中心的目标的加权求和（最小化空闲时间、旅行距离和总工期）。
5. 实验设置 – 使用包含 50 项行为、四个诊所和真实不兼容规则的合成基准。每个 GA 运行 100 代，种群规模为 200，重复 30 次以获得统计稳健性。基线（FCFS、随机）在相同数据上运行以进行直接比较。

结果与发现

• 两种 GA 变体 消除了所有约束违规，而 FCFS 在大多数情况下无法实现。
• 以患者为中心的指标显著提升：ITR 降低约 40 %，且 旅行负担减半。
• 有序 GA 更快达到接近最优的解，但在约 100 代后，无序 GA 追赶上来，表明两种设计都能充分探索搜索空间。
• 统计检验（配对 t 检验）表明这些改进 高度显著 (p < 0.001)。

实际意义

• 自动化排程引擎 可以取代多诊所网络中手工、易出错的电子表格，让行政人员专注于更高价值的工作。
• 缩短患者等待时间和通勤 直接转化为更高的满意度评分和更低的未到诊率——这是门诊服务的关键绩效指标。
• GA 框架是 模块化 的：可以通过添加惩罚项来引入新约束（例如设备消毒窗口、临床医生偏好），而无需重新设计整个系统。
• 可扩展性：虽然已在 50 项任务上进行测试，但该算法的线性时间适应度评估和可并行的种群动态，使其适用于更大规模的实际排程（每日数百个预约）。
• 集成路径——该方法可以封装为微服务并提供 REST API，使现有的电子健康记录（EHR）或医院信息系统（HIS）平台能够按需请求优化后的排程。

限制与未来工作

• 合成数据: 该研究使用了生成的数据集；需要在真实的预约日志上进行实地验证，以评估其在噪声和不完整信息下的鲁棒性。
• 静态约束: 当前模型假设一组固定的不兼容规则；动态约束（例如突发设备故障）将需要在线重新优化。
• 计算预算: 收敛大约需要 ~100 代；对于非常大的排程，运行时间可能成为瓶颈——未来工作可以探索混合元启发式算法或 GPU 加速评估。
• 用户接受度: 论文未讨论临床医生如何与生成的排程交互或覆盖，这是一项重要的采纳因素。

底线: 通过展示经过精心调优的遗传算法能够生成完全符合规范、对患者友好的门诊排程，Rodrigues 和 Rego 为医疗机构现代化传统的手工流程打开了大门——削减浪费、提升安全性，并为患者和工作人员提供更流畅的体验。

作者

• Ana Rodrigues
• Rui Rego

论文信息

• arXiv ID: 2602.21995v1
• 类别: cs.NE, cs.LG
• 出版时间: 2026年2月25日
• PDF: 下载 PDF