服务运营｜摘要：M&SOM智慧医疗文章合集

编者按

本期涵盖了Manufacturing & Service Operations Management, Volume 26中与智慧医疗相关的文章及其基本信息。这些研究通过结构化方法或数据驱动的分析，为改善医疗服务的效率和质量提供了深入洞察，希望能对各位读者有所帮助。

Title: What Causes Delays in Admission to Rehabilitation Care? A Structural Estimation Approach

是什么导致了康复护理入院的延期？一种结构估计方法

Link: https://doi.org/10.1287/msom.2022.0377

Reference: Dong, Jing, Berk Görgülü, and Vahid Sarhangian. "What Causes Delays in Admission to Rehabilitation Care? A Structural Estimation Approach." Manufacturing & Service Operations Management (2024).

问题定义

康复护理的入院延期可能对患者病情结果产生不利影响。此外，延期的患者会继续占用急救病床，使其无法供给新来的患者使用。入院延期主要是由康复床位不足以及计划康复活动所需的时长（我们将其称为“处理时间”）导致的。由于实践中床位分配决策的不规范以及数据限制，量化这两个延误来源的大小在技术上具有挑战性，但对设计实证的干预措施以减少延期至关重要。由此，我们提出了一种实证方法，来了解当只有单一（综合）入院延期衡量指标时两种延误来源的贡献。

方法论

我们提出了隐马尔可夫模型（HMM）来估计未观察到的处理时间和当前床位分配策略。我们的估计结果量化了处理时间与床位量驱动的延期大小，并揭示了影响床位分配决策的因素。我们使用患者流量排队模型验证了我们的估计策略，并发现忽视处理时间或使用简单的床位分配策略可能导致延迟估计的高度不准确。相比之下，我们的估计策略允许对不同的操作性干预进行准确评估。我们发现，减少处理时间在减少入院延期和占床成本方面可以非常有效。此外，允许提前转床——即患者可以在康复中心完成部分康健需求——可以显著减少入院延期，且康复住院时间（Rehabilitation Length of Stay, rehab LOS）仅小幅增加。

主要结论

我们的研究表明，在设计有效的运营干预措施以减少康复护理入院延期时，量化不同延期来源的重要性。所提出的估计框架可以应用于其他具有个性化容量分配决策和潜在处理延期的护理转移问题中。

Title: Interpretable Policies and the Price of Interpretability in Hypertension Treatment Planning

高血压治疗规划中的可解释政策及解释性的代价

Link: https://doi.org/10.1287/msom.2021.0373

Reference: Garcia, Gian-Gabriel P., et al. "Interpretable policies and the price of interpretability in hypertension treatment planning." Manufacturing & Service Operations Management 26.1 (2024): 80-94.

问题定义

有效的高血压管理对于减轻动脉粥样硬化心血管疾病的后果至关重要，该疾病在美国为主要死亡原因之一。可以利用决策分析方法捕捉治疗规划中的复杂性，以增强高血压的临床指南的有效性。然而，模型得出的建议可能是难以解释的/不直观的，从而限制了其临床可接受性。我们通过研究可解释的治疗计划来解决这一挑战。

方法论

我们将可解释的治疗计划建模为马尔可夫决策过程（MDPs），并分析了优化单调策略和类排序单调策略的问题。其中，单调策略禁止对病情更为严重的患者降低治疗强度，而类排序单调策略则泛化了单调策略。我们确定了这两种策略都依赖于初始状态分布，并且对于许多治疗规划问题，最优的单调策略可以轻松生成。接下来，我们提出了广泛优化可解释策略的确切公式。然后，我们分析了可解释性的代价，证明了类排序单调策略的可解释性代价不超过单调策略的可解释性代价。最后，我们使用美国人口的全国代表性大数据集，创建并评估了用于高血压治疗规划的马尔可夫决策过程。我们将最优单调策略和类排序单调策略的结构和性能与基于马尔可夫决策过程的最优策略和当前临床指南进行比较。在患者层面上，最优的基于马尔可夫决策过程的策略可能不直观，因此建议较健康的患者比病情较重的患者采取更积极的治疗。相反，单调策略和类排序单调策略从不降低治疗强度，这反映了临床直觉（clinical intuition）。在6650万患者中，优化的单调策略和类排序单调策略表现优于临床指南，每10万患者可延长超过3246个更高质量的生命年，而这两种策略都付出了较低的可解释性代价。敏感性分析表明，单调策略和类排序单调策略对“可解释性”的各种定义都很稳健。

研究结论

文章对高血压治疗规划中的可解释政策进行了敏感性分析，展示了这些策略在不同初始状态分布和不同的状态与行动类别定义下的鲁棒性。结果表明，可解释政策在实践中可能更容易被接受，因为它们给了临床直观的治疗建议，并且与最优策略相比，性能损失很小。

Title: Disease Bundling or Specimen Bundling? Cost- and Capacity-Efficient Strategies for Multidisease Testing with Genetic Assays

疾病组合还是样本组合？多疾病基因检测的成本高效和能力高效策略

Link: https://doi.org/10.1287/msom.2022.0296

Reference: Bish, Douglas R., Ebru K. Bish, and Hussein El Hajj. "Disease Bundling or Specimen Bundling? Cost-and Capacity-Efficient Strategies for Multidisease Testing with Genetic Assays." Manufacturing & Service Operations Management 26.1 (2024): 95-116.

问题定义

传染病的筛查可能成本高且诊断能力有限。我们为多疾病筛查开发了具有成本效益和能力效益的测试设计，其中考虑了两种方式：（1）多重检测（疾病组合），即一次筛查使用同一标本（例如，鼻拭子、血液）检测多种疾病，以及（2）合并检测（标本组合），即一次筛查实行于来自多个被汇总到一个测试池中的受试者的样本。一个测试设计指定一个检测方案（单疾病/多重检测混合筛查）和一个测试方法（合并/每个检测单独筛查）。

方法论

我们针对非线性、组合多疾病测试设计问题开发了新的模型：确定性模型和无分布的鲁棒变体模型，两者都生成了成本高效和能力高效的帕累托前沿。我们表征了最优设计的结构特性，制定了鲁棒模型的决定性对应物，并对具有相似临床表现的呼吸道疾病（包括2019年新型冠状病毒引起的疾病）进行了案例研究。

研究结论

优化设计的关键驱动因素包括检测成本函数、测试者对成本与检测能力效率的偏好、患病率/共感染率，以及对于鲁棒模型的患病率的不确定性。当最优设计使用多种筛查时，它会与合并检测一起使用，并且最多只使用单个检测来进行一次筛查。尽管患病率的不确定性可能是一个设计上的阻碍，特别是对于新出现的或季节性的疾病而言，但多重检测和合并检测的结合以及最优设计的有序划分特性（在某些共感染结构下）有助于使设计在结构上对不确定性更加稳健。鲁棒模型进一步增强了稳健性，而且也很实用，因为它只需要对每种疾病的流行情况设定一个不确定性。我们的帕累托设计展示了成本与检测能力的权衡，并表明仅采用多重检测或仅采用合并检测的设计并不一定位于帕累托前沿。我们的案例研究说明了最优集成设计相对于当前实际做法的优势，并显示了在稳健性方面的低代价。

Title: Data-Driven Allocation of Preventive Care with Application to Diabetes Mellitus Type II

基于数据驱动的预防性护理分配及其在治疗II型糖尿病中的应用

Link:  https://doi.org/10.1287/msom.2021.0251

Reference: Kraus, Mathias, Stefan Feuerriegel, and Maytal Saar-Tsechansky. "Data-driven allocation of preventive care with application to diabetes mellitus type II." Manufacturing & Service Operations Management 26.1 (2024): 137-153.

问题定义

医疗保健成本的增加凸显了有效疾病预防的重要性。然而，用于分配预防性护理的决策模型却是缺乏的。

方法论

在本文中，我们开发了一个数据驱动的决策模型，用于确定对高危患者进行具有成本效益的预防性治疗分配。具体来说，我们结合反事实推理、机器学习和优化技术，构建了一个可扩展的、可以利用高维医疗数据（例如现代电子健康记录中的数据）的决策模型。我们基于来自89191名糖尿病前期患者的电子健康记录对我们的决策模型进行了评估。我们将我们的数据驱动的决策模型制定的预防性治疗（二甲双胍）的分配与当前实践进行了比较。我们发现，如果我们的方法应用于美国人口，每年可以节省11亿美元。最后，我们分析了在不同预算水平下的成本效益。

研究结论

我们的工作支持健康管理决策，旨在以更低的成本实现有效的疾病预防。重要的是，我们的决策模型是通用的，因此可以用于有效分配其他可预防疾病的预防性护理。

Title: Shared Service Delivery Can Increase Client Engagement: A Study of Shared Medical Appointments

共享服务交付可提高客户参与度：一个预约共享医疗的研究

Link: https://doi.org/10.1287/msom.2021.0012

Reference: Buell, Ryan W., et al. "Shared Service Delivery Can Increase Client Engagement: A Study of Shared Medical Appointments." Manufacturing & Service Operations Management 26.1 (2024): 154-166.

问题定义

客户和服务提供者通常认为一对一的服务交付是理想的，或许是毫无疑问地认为，投入个性化关注最有利于改善客户结果。相比之下，在共享服务交付中，客户被分批服务，群体互动的动态可能会提高客户参与度，从而改进结果。然而，隐私和个人联系的丧失可能会削弱参与度。一对一和共享交付模式中的参与动态尚未得到严格研究。在某种程度上，共享交付可能导致与一对一交付相当或更好的参与度，各种环境中的服务提供者可能能够通过分批提供服务为客户创造更多价值。

方法论

我们对1,000名正在一家大型眼科医院接受青光眼治疗的患者进行了一项为期三年的随机对照试验。利用我们试验期间录制的超过20,000分钟的视频的文字和行为记录，我们研究了预约共享医疗（shared medical appointments, SMAs）——即患者分批服务——对参与度的影响。平均而言，参与预约共享医疗的患者每分钟提出的问题多出33.3％，每分钟做出的非问题性评论多出8.6％。由于一个共享医疗预约中有多名患者，这种个体层次上参与度的提升导致了患者在群体环境中得到了更多的评论。相对于参加一对一预约的患者，参与预约共享医疗的患者在一系列指标上还表现出更高水平的非言语参与度（专注度、积极性、摇头、或泰米尔语中的“thalai aattam”：一种南印度手势，表示同意或理解、眼神交流和预约结束时的幸福感）。

研究结论

这些结果揭示了共享服务交付模型在提高客户参与度从而提升服务绩效方面的潜力。

Title: A Contextual Ranking and Selection Method for Personalized Medicine

个性化医疗的情景排名和选择方法

Link:  https://doi.org/10.1287/msom.2022.0232

Reference: Du, Jianzhong, Siyang Gao, and Chun-Hung Chen. "A contextual ranking and selection method for personalized medicine." Manufacturing & Service Operations Management 26.1 (2024): 167-181.

问题定义

个性化医疗（Personalized medicine, PM）旨在在一系列可用的治疗方法中为每位患者寻找最佳治疗方案。由于某种特定的治疗方法并不适用于所有患者，通常，最佳治疗方案是基于医生的个人经验和专业知识所选择的，这意味着可能存在人为错误。与此同时，针对许多主要疾病的随机模型在历史文献中已经得到很好的开发。这导致了个性化医疗基于仿真的解决方案的出现，其利用仿真模拟工具评估治疗方法和患者生物特征组合的表现，并在此基础上为针对患者特征选择最佳的治疗方法。

方法论

在这项研究中，我们将基于仿真决策的排名和选择（R&S）模型扩展到个性化医疗问题的解决。患者的生物特征被视为排名和选择的背景条件，且我们称之为情境排名和选择（CR&S）。我们分别考虑了具有小型和大型背景空间的情况两种情境排名和选择的形式，并开发了新技术来解决这些问题和确定速率最优的预算分配规则。基于此，我们提出了两种选择算法，且通过一系列对模拟和真实示例的测试，可以证明它们在数值上更优。

研究结论

该研究为基于仿真的个性化医疗决策提供了一种系统的方法。为了提高可能情况下的整体决策质量，应该将更多的仿真工作投入到那些难以区分最佳治疗方案和非最佳治疗方案的情境中，我们的结果量化了仿真工作在情境和治疗对之间的最优权衡。

参考文献

Bish, Douglas R., Ebru K. Bish, and Hussein El Hajj. "Disease Bundling or Specimen Bundling? Cost-and Capacity-Efficient Strategies for Multidisease Testing with Genetic Assays." Manufacturing & Service Operations Management 26.1 (2024): 95-116.

Buell, Ryan W., et al. "Shared Service Delivery Can Increase Client Engagement: A Study of Shared Medical Appointments." Manufacturing & Service Operations Management 26.1 (2024): 154-166.

Dong, Jing, Berk Görgülü, and Vahid Sarhangian. "What Causes Delays in Admission to Rehabilitation Care? A Structural Estimation Approach." Manufacturing & Service Operations Management (2024).

Du, Jianzhong, Siyang Gao, and Chun-Hung Chen. "A contextual ranking and selection method for personalized medicine." Manufacturing & Service Operations Management 26.1 (2024): 167-181.

Garcia, Gian-Gabriel P., et al. "Interpretable policies and the price of interpretability in hypertension treatment planning." Manufacturing & Service Operations Management 26.1 (2024): 80-94.

Kraus, Mathias, Stefan Feuerriegel, and Maytal Saar-Tsechansky. "Data-driven allocation of preventive care with application to diabetes mellitus type II." Manufacturing & Service Operations Management 26.1 (2024): 137-153.