Risk-averse appointment scheduling for healthcare institutions

Abstract

Son yıllardaki sağlık harcamalarındaki sürekli artışla birlikte, yöneylem araştırması temelli karar verme sağlık kurumları yönetiminde önemli bir yer kazanmaktadır. Randevu çizelgeleme, performasınının önerilen hizmetlerin yerinde arttırılmasında ve işletme maliyetinin azaltımında fazlaca etkili olarak, sağlık kurumları yönetimi için çokça değinilen bir araştırma konusudur. Bu tezde farklı sebeplerden kaynaklanan belirsizlikleri dikkate alan, görüntüleme/tanı klinikleri için oluşturulan randevu çizelgeleme problemini çözebilmek adına iki farklı iki aşamalı riskten kaçınan rassal programlama modelleri geliştirdik. Hastanın gelmemesi ve hastanın beklemesinin maliyeti ve doktorun fazla mesai koşulları her iki modelin kurulumunda da dikkate alındı. İlk model toplam maliyet minimizasyonu temelli iken, ikinci model gelmeyen hastaları dikkate alarak getiriyi arttırır. Sınırlı sayıdaki senaryo tarafından rassal parametreleri nitelendirdik ve rastgele çıktıların gerçeklenmesindeki olası büyük senaryoları kontrol edebilmek için koşullu risk değeri ölçütünü kullandık. L şekilli algoritmanın geliştirilmiş varyantları kullanarak en iyi randevu zamanlarını elde ettik. Ayrıca önerilen modelleme yöntemlerinin etkinliğini göstermek için bir sayısal çalışma yaptık.

In line with the consistent rise in health expenses in the lastdecades, operations research based decision-making has gained animportant place in the healthcare management. Appointment schedulingis a widely addressed research area for the healthcare management asits performance is very influential in enhancing on-site servicesoffered and reduce operational costs. In this thesis, we develop twodifferent two-stage risk-averse stochastic programming models to solvethe appointment scheduling problem for diagnostic/treatment clinicswhile considering different sources of uncertainty. The no-show andwaiting times of the patients and overtime working conditions of thedoctors are included in the formulation of both models. The firstmodel is total cost reduction oriented while the scope of the secondmodel is raising revenue with the addition of walk-in patients. Wecharacterize the random parameters by finite sets of scenarios and useconditional value-at-risk measure to control the possible largerealizations of random outcomes. We obtain the optimum appointmenttimes by the variants of the L-Shaped algorithm developed. We alsoconduct a computational study to illustrate the effectiveness of theproposed modelling approaches.