Predict, then schedule: Prescriptive analytics approach for machine learning-enabled sequential clinical scheduling

Salah, Haya; Srinivas, Sharan

doi:10.1016/j.cie.2022.108270

Cited by 17 publications

(5 citation statements)

References 45 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…For those that do use data [20][21][22][23], their datasets are mostly withheld for privacy concerns [24]. As a result, publicly available datasets that could benefit the entire HOM research community are scarce.…”

Section: Discussionmentioning

confidence: 99%

“…Leveraging the rich feature information in the Hangu dataset, researchers can explore various ways of dealing with heterogeneity among patients, which helps determine the service time they need. Research shows that the larger the number of subgroups, the smaller the variability within each subgroup, thus the more predictable the service time becomes [21][22][23]. However, too many subgroups complicate the appointment scheduling decisions and make such decisions difficult to use in practice.…”

mentioning

confidence: 99%

See 1 more Smart Citation

A Dataset of Service Time and Related Patient Characteristics from an Outpatient Clinic

Feng

Jia²,

Zhou³

et al. 2023

Data

View full text Add to dashboard Cite

Outpatient clinics’ productivity largely depends on their appointment scheduling systems. It is crucial for appointment scheduling to understand the intrinsic heterogeneity in patient and service types and act accordingly. This article describes an outpatient clinic dataset of consultation service time with heterogeneous characteristics. The dataset contains 6637 consultation records collected from 381 half-day sessions between 2018 and 2019. Each record includes encrypted session and patient IDs, consultation start and (approximated) end times, the month and day of the week, whether it was on a holiday, the patient’s visit count for a specific medical condition, gender, whether the consultation was cancer-related, and the distance from the patient’s mailing address to the clinic. These features can be used to classify patients into heterogeneous groups in studies of appointment scheduling. Therefore, this dataset with rich, heterogeneous patient characteristics provides a valuable opportunity for healthcare operations management researchers to develop, test, and benchmark the performance of their models and methods. It can also be used for studying appointment scheduling in other service industries. More generally, it provides pedagogical value in areas related to management science and operations research, applied statistics, and machine learning.

show abstract

Section: Discussionmentioning

confidence: 99%

mentioning

confidence: 99%

A Dataset of Service Time and Related Patient Characteristics from an Outpatient Clinic

Feng

Jia²,

Zhou³

et al. 2023

Data

View full text Add to dashboard Cite

show abstract

“…The AUC-ROC (or equivalently c -statistic) is a single measure for evaluating the overall discriminative performance of the ML model 52 . Besides, AUC-ROC has been consistently used in prior research dealing with classification 53 – 56 . On the other hand, AUC-PR is considered to be a robust metric for evaluating models dealing with class imbalances 57 .…”

Section: Methodsmentioning

confidence: 99%

“…52 . Besides, AUC-ROC has been consistently used in prior research dealing with classification [53][54][55][56] . On the other hand, AUC-PR is considered to be a robust metric for evaluating models dealing with class imbalances 57 .…”

Section: Model Development and Analysismentioning

confidence: 99%

Explainable machine learning framework for predicting long-term cardiovascular disease risk among adolescents

Salah

Srinivas

2022

Sci Rep

Self Cite

View full text Add to dashboard Cite

Although cardiovascular disease (CVD) is the leading cause of death worldwide, over 80% of it is preventable through early intervention and lifestyle changes. Most cases of CVD are detected in adulthood, but the risk factors leading to CVD begin at a younger age. This research is the first to develop an explainable machine learning (ML)-based framework for long-term CVD risk prediction (low vs. high) among adolescents. This study uses longitudinal data from a nationally representative sample of individuals who participated in the Add Health study. A total of 14,083 participants who completed relevant survey questionnaires and health tests from adolescence to young adulthood were chosen. Four ML classifiers [decision tree (DT), random forest (RF), extreme gradient boosting (XGBoost), and deep neural networks (DNN)] and 36 adolescent predictors are used to predict adulthood CVD risk. While all ML models demonstrated good prediction capability, XGBoost achieved the best performance (AUC-ROC: 84.5% and AUC-PR: 96.9% on testing data). Besides, critical predictors of long-term CVD risk and its impact on risk prediction are obtained using an explainable technique for interpreting ML predictions. The results suggest that ML can be employed to detect adulthood CVD very early in life, and such an approach may facilitate primordial prevention and personalized intervention.

show abstract

“…Haya Salaha and Sharan Srinivas [97] investigated the usage of a hybrid artificial intelligence system to solve the issue of hospital patient scheduling. To enhance patient scheduling, they have presented a mix of genetic algorithms and an Artificial Neural Network (ANN).…”

Section: Thesis I/31: An Open Source Patient Flow Simulation Tool For...mentioning

confidence: 99%

Identification of Data Privacy Challenges and Development of Solutions for the Edge Components of the Telemedicine Datapath

Szabó

View full text Add to dashboard Cite

Az egészségügy és az informatika integrációja folyamatosan erősödik, ám ez a gyorsuló folyamat újabb és újabb kihívásokat és akadályokat támaszt, amelyek jelentős mértékben megnehezítik az olyan technológiai megoldások kidolgozását, melyek javíthatják a páciensellátás minőségét és megkönnyíthetik az egészségügyi dolgozók munkáját. Disszertációmban bemutatom kutatási eredményeimet, melyeket a telemedicina alkalmazások biztonsága és jogosultságkezelése terén végzett munkám során értem el. Munkámat két részre osztottam, melyek közül az első a felhő és edge computing elemeit kombináló heterogén telemedicina adatútra fókuszál; különösen az edge szegmens két, speciális esetére, a feldolgozó és tároló edge-re, melyek jogosultságkezelés szempontjából kimagaslóan komplex kihívást jelentenek, mivel a felhőtől függetlenül kell érvényesíteniük a hozzáférési szabályokat, hasonló hatékonysággal és minimális késleltetéssel. Formálisan definiáltam egy taxonómiát, melynek révén négy jogosultságkezelési típust határoztam meg az adatút igényeinek lefedésére; hasonlóan tettem a különböző edge típusokkal, illetve egy kutatócsoport tagjaként megvizsgáltam az okostelefon alapú peer-to-peer hálózatok stabilitását és potenciálját, melyek az edge egy speciális esetét képviselik; kidolgoztam egy keretrendszert a Policy Enforcement Point (PEP) koncepciójából kiindulva, mely képes mind a feldolgozó, mind a tároló edge-en megvalósítani a definiált jogosultságkezelési kategóriákat; ehhez a keretrendszer kísérleti implementációkat hoztam létre, melyeken teszteltem a módszertan hatékonyságát; végül kidolgoztam egy nyílt forráskódú szimulációs eszközt, mely képes a betegfolyam modellezésére, és ezáltal validációs paraméterek generálására, melyekkel ellenőrizhető a jogosultságkezelési módszertanom hatékonysága és alkalmazhatósága. Munkám második felében az adatút végén elhelyezkedő frontend alkalmazásokat vizsgáltam. Analitikai szempontból ezek különösen komplex területet képviselnek, ugyanis a frontend keretrendszerek felépítése, illetve az ilyen webalkalmazások dinamikus, nehezen követhető navigációi jelentős mértékben megnehezítették a forráskód statikus elemzésére tett próbálkozásokat. Emiatt kidolgoztam egy saját módszertant, mely a nagy nyelvi modellek (LLM) képességeire építkezve elemzi és azonosítja az alkalmazások forráskódját, azon belül is azokat a szegmenseket, melyek érzékeny, biztonságkritikus adatokkal dolgoznak, és ahol fennáll a veszély ezek kiszivárgására. Ehhez létrehoztam egy formális kategorizálást az adat érzékenységi szintjeinek megkülönböztetésére, mely három szintből áll az alapján, hogy egy potenciális adatszivárgás mekkora károkat okozna, illetve egy másik kategorizálását, mely az alkalmazások komponenseinek védettségi szintjét kvantifikálja. Az érzékenységi taxonómiám validitását a GPT-4 és GPT-3.5 API-k segítségével végeztem, előbb egy változónevekből összeállított szótár, majd véletlenszerűen kiválogatott, nyílt forráskódú webalkalmazások forráskódjai segítségével. Ezt követi a védettségi taxonómia validálása, majd a két kiértékelés eredményeinek összevonásával a potenciál érzékeny adat-szivárgási pontok detektálása.

show abstract

Predict, then schedule: Prescriptive analytics approach for machine learning-enabled sequential clinical scheduling

Cited by 17 publications

References 45 publications

A Dataset of Service Time and Related Patient Characteristics from an Outpatient Clinic

A Dataset of Service Time and Related Patient Characteristics from an Outpatient Clinic

Explainable machine learning framework for predicting long-term cardiovascular disease risk among adolescents

Identification of Data Privacy Challenges and Development of Solutions for the Edge Components of the Telemedicine Datapath

Contact Info

Product

Resources

About