Apprendimento guidato dall’ottimizzazione per politiche di pianificazione in tempo reale delle sale operatorie

Operating room schedules are defined before the actual conditions under which they will be carried out are known. Variability in surgical durations and stochastic non- elective patient arrivals reduce the capacity available for scheduled activity. During the operating day, it may consequently become necessary to decide whether to perform the next elective surgery, accepting the risk of additional overtime, or to cancel it. This thesis develops an optimization-guided machine learning framework that trans- fers offline optimization decisions to a fast online policy. Weekly elective schedules are constructed through a two-stage stochastic integer programming model under patient- centered and facility-centered objectives. A perfect-information MILP oracle then gen- erates execute/cancel decisions under Monte Carlo realizations of surgical durations and non-elective demand. These decisions are used as labels for classifiers trained only on information observable at the corresponding decision time. The selected policy is an XGBoost classifier with execution threshold τ = 0.12, evaluated in a closed-loop discrete-event simulation. Compared with an always-execute policy, it reduces mean extra overtime by approximately 55% under facility-centered schedules and 49% under patient-centered schedules. Compared with a conservative expected-capacity rule, it preserves more elective activity under facility-centered sched- ules and more patient priority under patient-centered schedules, while producing fewer cancellations, although at the cost of higher overtime. Under facility-centered schedules, this corresponds to about 225 additional minutes of executed elective activity per week. The simulation also shows that approximately one quarter of the canceled elective surgeries do not result from a separate decision by the classifier. Indeed, canceling one surgery also leads to the cancellation of the subsequent procedures in the same operating room sequence. Consequently, predictive metrics computed at the level of individual decisions alone do not fully capture the operational impact of the policy. The computational results show that integrating stochastic programming, supervised learning, and simulation can support real-time operational decision-making while explic- itly accounting for the trade-off between elective activity performed, patient priorities, and overtime utilization.

I piani delle sale operatorie vengono definiti prima che siano note le condizioni effet- tive in cui dovranno essere eseguiti. La variabilità delle durate chirurgiche e gli arrivi stocastici dei pazienti non elettivi possono ridurre la capacità disponibile per l’attività programmata. Durante la giornata operatoria può quindi rendersi necessario decidere se eseguire il successivo intervento elettivo, accettando il rischio di ulteriore straordinario, oppure cancellarlo. Questa tesi sviluppa un approccio di machine learning guidato dall’ottimizzazione che trasferisce decisioni ottenute mediante ottimizzazione offline a una rapida policy decisionale online. I piani settimanali degli interventi elettivi vengono costruiti mediante un modello di programmazione stocastica intera a due stadi, secondo obiettivi patient- centered e facility-centered. Un modello MILP oracle a informazione perfetta genera successivamente decisioni di esecuzione/cancellazione sotto realizzazioni Monte Carlo delle durate chirurgiche e della domanda non elettiva. Tali decisioni vengono utilizzate come etichette per classificatori addestrati esclusivamente su informazioni osservabili al momento della corrispondente decisione. La policy selezionata è un classificatore XGBoost con soglia di esecuzione τ = 0.12, valutato mediante una simulazione a eventi discreti a ciclo chiuso. Rispetto a una policy always-execute, essa riduce lo straordinario aggiuntivo medio di circa il 55% nei piani facility-centered e del 49% nei piani patient-centered. Rispetto a una regola conservativa expected-capacity, preserva una maggiore attività elettiva nei piani facility-centered e una maggiore priorità complessiva dei pazienti nei piani patient-centered, producendo al tempo stesso un numero inferiore di cancellazioni, sebbene a fronte di un maggiore ricorso allo straordinario. Nei piani facility-centered, ciò corrisponde a circa 225 minuti aggiuntivi di attività elettiva eseguita per settimana. La simulazione mostra inoltre che circa un quarto delle cancellazioni degli interventi elettivi non deriva da una decisione distinta del classificatore. Infatti, la cancellazione di un intervento comporta anche la cancellazione degli interventi successivi nella stessa sequenza di sala operatoria. Di conseguenza, le sole metriche predittive calcolate a livello delle singole decisioni non descrivono completamente l’impatto operativo della policy. I risultati computazionali mostrano che l’integrazione tra programmazione stocastica, apprendimento supervisionato e simulazione può supportare decisioni operative in tempo reale, mantenendo esplicito il compromesso tra attività elettiva eseguita, priorità dei pazienti e utilizzo dello straordinario.