考虑麻醉师与患者满意度的双目标手术室调度鲁棒优化研究

本研究针对手术室调度(ORS)中麻醉师角色被忽视的问题，创新性地提出兼顾麻醉师加班时间(量化满意度)与患者等待时间的双目标β-鲁棒优化模型。通过开发基于ε-约束法的近似双目标算法(ABA)，结合分支定价算法和近似分支定界法(AB&B)，显著提升解的质量与效率。实验证明ABA优于NSGA-II算法，为医疗资源优化提供了兼顾人文关怀与效率的新范式。

　　

在医疗资源紧张的当下，手术室如同精密运转的"心脏"，其调度效率直接影响患者生命质量与医疗成本。然而现有手术室调度研究(ORSP)存在两大痛点：一方面过度聚焦外科医生而忽视麻醉师——这些从术前到术后全程监护患者的"隐形守护者"正承受着超负荷工作压力；另一方面传统模型片面追求经济效益，与"以人为中心"的现代管理理念背道而驰。中国医疗数据显示，麻醉师等紧缺医疗人员因高压工作导致的健康问题逐年递增，这种人力配置失衡不仅威胁医护身心健康，更可能通过疲劳作业危及患者安全。与此同时，患者因手术延迟导致的病情恶化与心理压力问题也日益凸显。

针对这一双重挑战，研究人员创新性地构建了考虑患者与麻醉师满意度的手术室调度问题(ORSPPA)模型。该模型通过麻醉师加班时间与患者等待时间量化双方满意度，采用β-鲁棒优化应对手术时长不确定性带来的非线性复杂度。为解决这一难题，研究团队开发了近似双目标方法(ABA)：运用分支定价算法精确优化患者满意度指标，同时设计包含近似上界方案和剪枝策略的近似分支定界法(AB&B)提升麻醉师满意度。研究还引入路径重连算法生成高质量初始解以加速求解。通过敏感性分析验证，ABA在综合性能上显著优于常用的非支配排序遗传算法II(NSGA-II)。

关键技术方面，研究主要采用：1)基于ε-约束法的多目标优化框架；2)融合分支定价与近似分支定界的混合算法；3)针对手术时长不确定性的β-鲁棒建模；4)利用医疗系统实际数据构建实验场景。

【问题描述】部分阐明：模型限定在每日择期手术场景，假设拥有专用急诊手术室，所有手术室功能相同且手术不可中断。通过数学建模将麻醉师分配、手术室分配、手术排序等决策变量与双目标函数关联。

【ABA方法】显示：该算法通过独立处理两个目标实现协同优化。麻醉师满意度优化采用深度优先搜索与回溯策略，设计基于问题特性的剪枝规则缩小搜索空间；患者满意度优化则借助经典分支定价算法确保解的质量。

【AB&B算法】详述：通过构建特殊搜索树结构，结合可行解构造策略与近似上界方法，显著降低计算复杂度。实验证明该方法能在合理时间内获得接近最优的解。

【实验结果】证实：在不同规模测试案例中，ABA获得的帕累托前沿明显优于NSGA-II，尤其在处理大规模实例时优势更显著。敏感性分析验证了β-鲁棒模型对参数波动的适应性。

这项研究的意义在于：首次在手术室调度中实现麻醉师与患者满意度的量化平衡，提出的β-鲁棒模型为医疗不确定性决策提供新工具。方法论层面，ABA算法框架为复杂双目标优化问题提供通用解决方案。实践方面，研究结果可直接指导医院制定更人性化的排程方案，对缓解医疗人员职业压力、提升患者就医体验具有重要价值。未来可扩展至多科室协作调度、动态应急响应等更复杂场景。