An LLM-based framework for event-driven operating room scheduling

Yifan Bao

doi:10.1080/00207543.2026.2728019

An LLM-based framework for event-driven operating room scheduling

2026-09-06

0

PRE

AI

DOI：10.1080/00207543.2026.2728019

原文链接

原文求助

摘要

En 中文

急诊手术室调度在不确定性条件下构成一个复杂的在线决策问题，其特点是随机到达和严格的时间限制。尽管混合整数规划（MIP）能提供最优性保证，但缺乏对外部干扰的实时适应性。本研究提出了一种集成长短期记忆网络（LSTM）预测、大型语言模型（LLM）约束合成和精确MIP优化的可验证框架。具体而言，LSTM模型用于预测患者到达，而检索增强型LLM将非结构化运营更新转化为通过中间表示验证的正式约束。我们在来自伊朗公立急诊科的一个公开数据集上评估了该方法。短期预测的适应性使用在高度拥堵情况下将调度成本的中位数降低20.4%，总体降低12.6%。此外，利用中国宁波第一医院十次历史急诊手术案例进行回顾性重放评估表明，该框架可通过减少最晚开始违反来降低模型定义的调度目标，同时保持相近的等待时间。本研究开发了一个将自适应预测和可验证的LLM合成嵌入精确在线优化的框架，支持基于数据的决策支持，用于急诊手术室调度。

Keyword:

Emergency department

online scheduling

long short-term memory prediction

large language model

mixed-integer programming

Applications in healthcare systems

optimisation

scheduling

An LLM-based framework for event-driven operating room scheduling

摘要

期刊

机构

引用论文