输送配合自主智能决策

更新于 2026年11月16日 版权声明
第二节 输送配合自主智能决策

在血管腔内器具的敏捷供应链管理中,涉及大量的决策问题。如输送配合决策(图20-1),首先需要考虑临床手术的各类需求、医师对相关器具的熟悉程度及使用偏好,还必须特别关注手术过程中可能出现的各种复杂情况及所采取的应急调整方案对关键器材的需求。

在血管腔内器具的供给方面,除了医院库存和科室库存中所提供的备货以外,还必须建立应对急缺器具的供应商应急输送服务体系,供应商对器具的调配能力和物流配送能力是上述应急输送服务中的关键环节。在输送配合的决策目标中,手术保障、患者成本、医院效益及各类利益相关者的满意度等均为应予以考虑重要目标,对于提高输送配合的协同创新能力、维持其可持续发展和更好地发挥经济、社会效益具有重要意义。与此同时,在上述决策中必须对已经发现的器具使用中的不良反应进行及时预警,并根据器具的创新发展动态和最新的使用经验为临床手术提供智能化推荐及参考。

图示

图20-1 血管腔内器具的输送配合决策

在上述器具的输送配合服务模式上,必须考虑常规输送配合和应急输送配合两种模式。其中,常规输送配合主要根据各临床手术小组事先给出的手术编排和器具需求方案,保障相关器具的及时、准确供给;而应急输送配合则主要针对手术过程中出现的变化情况,保障以最快的速度输送所急需的器具,尤其是上述关键性器具从不同供应商库存中进行调配和输送等待时间对于抢救危重病人的生命具有极为重要的意义。在器具的输送配合服务决策中,主要涉及两方面的决策问题:器具选择方案、器具输送方案。上述两方面的决策在常规输送配合和应急输送配合两种模式下所涉及的决策目标和约束条件都有所不同的。

在实际的选择方案决策中,除了关注手术保障、医生的使用经验及偏好和患者的成本之外,还必须考虑到供给约束、不良反应的预警提示、医院的经济效应以及供应商的利益等因素。既要从供应商的利益诉求出发,通过数据分析保障其合理的利润收入,以提高其在输送配合服务、医疗手术协同创新方面的积极性,又要引入适当的竞争机制,防止价格水平的虚高。而在应急输送配合模式下,其选择方案决策,除了上述影响因素以外,关键性器具的调配和输送等待时间是首要考虑的问题。随着手术进程和输送过程中的各种情况变化,上述决策必须从动态优化角度进行深入分析,在其输送方案决策中,主要考虑器具的实时库存分布、运输条件和运输时间等问题。在实际情况下,上述决策也可能涉及一系列随机优化和动态决策问题。

为了进一步分析上述决策问题的性质,我们将以上器具的选择方案、输送方案的决策模型表述如下:

(1)器具选择方案决策:

图示

以上模型中,Z (Ci)为选择方案决策的多目标函数,p1, p2,…, pm为上述决策中须考虑的器具适配性、手术成功率、并发症及其他不良反应的发生率、器具总成本,以及各方的利益诉求等子目标变量;C为可选择的器具方案集合,包括在同样病情下满足供给约束条件、医生的使用经验与偏好,以及排除不良反应的可能性等情况下所有可选择的器具方案。由于器具的更新速度较快,相关使用经验也在快速积累,以上可选择的器具方案集合C不能仅仅通过对历史数据的检索来简单生成,还必须针对器具的组合使用规则及相关知识给出智能化推荐方案。

(2)器具输送方案决策:

图示

以上模型中,S (Di)为输送方案决策的多目标函数,ti, ci分别为运输时间与运输成本子目标变量;q (Di)为器具的需求数量,Q为上述器具的实时库存数量;l (Di)为运输方案,L为满足上述运输要求的所有可选择运输方案集合,包括对运输条件、运输工具的专业要求。由于器具的需求一般涉及多种器具的组合使用,可能涉及从不同地点的供应商库存中进行多点调配,上述运输方案的集合L具有多样性和复杂性,运输时间与运输成本ti, ci要受到交通运输环境的动态变化影响。

在上述决策中,对于器具总成本、利益均衡、运输时间与运输成本等目标变量的计算,在一定的环境条件或具有稳定的随机分布特性下,基本上属于结构化问题,可以通过模型优化来解决。而器具选择方案的推荐、医生的使用经验及偏好、不良反应的预警提示等问题具有非结构化或半结构化的性质,且随着新器具的大量使用和相关知识的不断更新,必须考虑到将模型优化与经验知识引导、基于案例的推理和数据驱动等非结构化决策模式相结合。在以上决策中,还涉及外部相关动态信息的获取,尤其在应急输送配合模式下必须针对手术进程的需求和运输环境的动态变化进行随机优化和动态决策,其中器具的选择和调配可能涉及对来自不同地点的供应商库存产品进行组合优化,以最大限度地降低运输等待时间,具有一定的复杂性。

通过上述分析可见,面向临床手术的器具输送配合决策,不同于一般的医院对器具的集中采购决策,必须考虑面向临床手术及其动态变化过程中对服务水平与服务质量的多方面要求,涉及全程供应链外部各个环节的动态变化影响因素,具有较高的复杂性和深入研究的价值。与此同时,上述器具中包含了大量医院不作统一采购及库存备货的高值耗材和特殊器具,对医疗成本和各方利益相关者的影响巨大,解决好上述决策问题可以对临床手术的保障、医疗费用的控制、各方利益的合理分配、患者满意度的提升以及促进不同手术组之间的经验交流与学习进步带来显著的经济效益和社会效益。

从决策理论来看,面向临床手术的血管腔内器具输送配合决策是一个多目标动态决策的问题。L. Ritchie 和S. T. Young等深入分析了其利益关系的复杂性,指出上述器材的选用和输送配合方案不仅关系到临床手术的成功,而且与患者医疗成本、医院效益和供应商利益及其协同创新意愿有着密切的关系。C. R. Rosales和M.S. Pishvaee 等对其影响因素和多目标动态决策特征做了研究,阐述了临床应用现场决策中各类影响因素的复杂性及手术过程中需求的动态变化特性。K. E. Bourland、W. Padula等学者通过对上述需求的变化特征分析,提出了Markov动态预测模型。在对上述问题进行深入分析的基础上,X. Kong、H. T. Wong、O. Y. Al-Jarrah等指出面对实际应用中的复杂性,上述决策问题必须通过机器学习、数据挖掘和各种人工智能手段,结合有效的经验知识来建立新的智能化决策模式。

在上述决策中,可以通过对已有案例的分析及各类利益相关者的调研,深入分析器具输送配合的需求特征及医师、患者、医院、供应商各类利益相关者的主要诉求和从目前现状与其期望对比所能描述的指标水平参数,并对影响输送配合的医学因素、经济因素、社会因素及其决策目标与原则进行综合性分析,构建影响因子模型与决策目标模型。在此基础上,再根据大数据驱动决策的相关理论针对面向临床手术的器具决策问题特征,研究其中的大数据敏感特征指标,大数据驱动的决策机制、决策方法与模型。最后,构建面向临床手术的大数据驱动决策模式架构及其与经验决策的集成,形成智能化解决方案,以上是血管腔内器具输送配合决策的发展方向。(https://www.daowen.com)

我们针对上述决策问题的性质及其要求,通过对10余年积累的器具输送配合案例剖析和系统性深入思考,从数据驱动、经验知识引导与模型优化相结合的角度出发,提出了一种新的混合决策模式解决方案(图20-2)。

图示

图20-2 面向临床手术的器具输送配合服务混合决策模式

在上述决策模式中,首先对医院内部数据和各类外部相关数据,如供应商的产品数据、库存数据、运输工具与环境数据、卫生管理部门关于器具使用的政策规制及不良反应通告信息、互联网对供应商产品与手术方案的评价信息及相关医疗事件报道信息、文献研究信息等,进行采集并构建面向临床手术服务决策的大数据库。然后,通过对上述数据的智能挖掘分析,建立数据驱动的决策指标集,当数据变化使得上述指标达到一定程度时,则通过数据驱动的自主决策生成相关决策方案。上述数据驱动决策主要针对器具输送配合服务的总体策略、基本保障和各手术小组的共性需求进行决策,如依据器具使用状况、手术效果的统计分析给出的不同手术小组使用偏好分析、手术效果评价、库存水平设置以及基于上述分析做出的器具推荐、采购总体策略等等。

在面对具体的临床手术时,首先通过手术需求的分析选择合适的输送配合服务模式,然后根据上述服务模式所涉及的相关决策问题及其决策目标与原则,对决策问题进行分解。其中的结构化问题将采用模型优化决策模式来解决,为了提高模型优化的效率和决策方案的可行性,在上述优化过程中将采用相关的经验知识进行引导。对于非结构化问题则,则通过经验知识引导和在上述引导下的数据挖掘分析技术,如基于案例的推理等方法来解决,并以数据挖掘分析所获得的知识和客观事例对已有的经验知识进行更新。最终,上述混合决策模式所产生的决策方案进行综合分析,向手术小组提供推荐方案,经过其评价、修正以后采纳,满足以上临床手术对器具输送配合服务的需求,并将上述决策方案及其实际应用效果反馈至大数据库中,为后续决策提供参考。

从总体上看,血管腔内器具的敏捷供应链管理及其输送配合服务中涉及大量复杂的决策及操作处理问题,难以在有限的时间约束下通过人工方式来完成,必须通过机器自主智能化管理来及时做出响应、生产优化决策方案并在一定的规则和数据驱动下自主执行。以上自主智能技术与一般智能技术的主要区别在于:①通过对目标对象及相关环境信息的动态监测,可自主采取预设的自主行动,如在临床手术进程过程中会根据器具的变化和手术知识库自动向供应商启动紧急订货程序;②采用了可在服务链不同组织之间自主迁移的移动Agent,以解决服务链中大量的智能协商与决策问题。由于临床手术涉及的器具种类复杂繁多,通过上述自主智能技术为实现器具的敏捷、精准、安全、智能输送配合提供了关键技术手段。

例如,通过对以往手术案例的深入分析,我们根据各类手术的特点及不同医师的偏好对相关器具的需求规律进行了归纳和总结,基于上述知识构建了主要器具的动态需求预测模型:

pi,j=f (t, d, i, j)

其中,pi,j表示种类为i、规格为j的器具需求预测概率,t、d、i、j分别为手术名称、手术医师姓名、器具的种类与规格。比如,表20-1为在腹主动脉瘤腔内修复术中,某位手术医师对部分器具的需求预测概率表。

表20-1 部分器具的需求预测概率表

图示

续表

图示

然后,根据各位医师的手术安排计划,计算出对各类器具的备货需求水平。在此基础上,通过对现有库存变化的动态监测,建立自动补货的最优化模型:

si,j=min cos t (pi,j, qt,d, ci,j, wi,j)| li,j≤Li,j

其中,si,j为对种类i、规格j的器具自动补货数量cos t()为上述器具的补货成本函数,是一个与需求预测概率pi,j、医师的手术数量qt,d、器具成本ci,j及现有库存量wi,j有关的变量。li,j为上述器具的应急输送时间,Li,j为从确定必须使用该器具到该器具被配送到临床手术现场所允许的等待时间。上述模型的优化计算结果,能够在保障特定的器具输送配合服务水平前提下,使得总的补货成本最低。自主智能Agent可根据模型所计算出的自动补货数量,综合考虑医师、患者、医院、供应商各类利益相关者的需求,自主做出补货决策,向相关供应商发出补货订单并对上述器具的配送过程进行监控。上述Agent还可以携带需求信息,迁移至供应商信息系统的接口区域,与供应商系统中的Agent进行信息交互和自主协商之后,在一定的规则约束下做出新的补货决策,为血管腔内器具的输送配合管理提供了自主智能化新模式。

✍AI写作