DOI: https://doi.org/10.58496/mjaih/2025/006
تاريخ النشر: 2025-05-03
المؤلف: Khder Alakkari وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية
نظرة عامة
تقدم هذه الدراسة إطار عمل لتحسين متعدد الأهداف مدفوع بالذكاء الاصطناعي باستخدام خوارزمية الفرز الجيني غير المهيمن II (NSGA-II) لتعزيز الكفاءة التشغيلية في المستشفيات السورية، مع تحليل بيانات مستشفى تشرين الجامعي على مدى 60 يومًا. تستهدف البحث ثلاثة أهداف متضاربة: تقليل متوسط وقت انتظار المرضى، وتقليل التكاليف التشغيلية اليومية، وزيادة عدد المرضى المعالجين. من خلال اختيار ستة متغيرات تشغيلية حاسمة، بما في ذلك توفر الأسرة وعدد الأطباء، أنتجت خوارزمية NSGA-II مجموعة من الحلول المثلى وفقًا لمبدأ باريتو التي توضح مختلف التبادلات بين الأهداف. تكشف النتائج عن تعقيد وعدم خطية العمليات في المستشفيات، مما يشير إلى أن زيادة الموارد أو التكاليف ببساطة لا يضمن تحسين النتائج. يعمل هذا النموذج كأداة لدعم اتخاذ القرار لمديري الرعاية الصحية، خاصة في البيئات ذات الموارد المحدودة.
تؤكد الدراسة على إمكانيات تحسين الكفاءة في المستشفيات من خلال تحسين متعدد الأهداف قائم على الذكاء الاصطناعي، موضحة أنه يمكن تحقيق توازن بين وقت الانتظار والتكاليف وتدفق المرضى من خلال تكوينات مثلى مرنة وفقًا لمبدأ باريتو. توفر مساحة الحلول الناتجة رؤى قابلة للتنفيذ لتخصيص الموارد وتخطيط السعة. تهدف الأبحاث المستقبلية إلى تعزيز قدرات النموذج التنبؤية من خلال دمج البيانات في الوقت الحقيقي وتوسيع نطاق المتغيرات التشغيلية، بما في ذلك الحالات الطارئة وتغيرات الطلب الموسمية. بالإضافة إلى ذلك، قد يؤدي استكشاف النماذج الهجينة التي تجمع بين NSGA-II وتقنيات التعلم الآلي إلى تعزيز القدرة على التكيف في البيئات غير المؤكدة. سيكون التحقق عبر مرافق الرعاية الصحية المتعددة أمرًا حاسمًا لتقييم قابلية تعميم النموذج ودعم قابليته للتوسع عبر نظام الرعاية الصحية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الدور التحويلي للذكاء الاصطناعي (AI) في تحسين خدمات الرعاية الصحية، خاصة في سياق سوريا، حيث تواجه العمليات الصحية تحديات كبيرة بسبب الطلبات المتزايدة والموارد المحدودة. تركز الدراسة على مستشفى تشرين الجامعي، الذي يكافح لتحقيق توازن بين الكفاءة التشغيلية، والجدوى الاقتصادية، ومعايير الجودة في الرعاية الطبية. لمعالجة هذه القضايا، تستخدم الدراسة خوارزمية الفرز الجيني غير المهيمن II (NSGA-II)، وهي أداة قوية لتحسين متعدد الأهداف، لتحسين العمليات في المستشفى من خلال تقليل أوقات الانتظار والتكاليف التشغيلية في الوقت نفسه مع تحسين تدفق المرضى.
من خلال تحليل البيانات الحقيقية من مستشفى تشرين الجامعي، تحدد الدراسة المتغيرات الرئيسية مثل متوسط وقت الانتظار، وعدد المرضى المقبولين يوميًا، والأسرة المتاحة، وعدد الأطباء، والتكاليف التشغيلية، والمرضى المعالجين لبناء إطار عمل لتحسين متعدد الأهداف. يسمح استخدام NSGA-II بتوليد مجموعات من الحلول المثلى وفقًا لمبدأ باريتو، مما يوفر لأصحاب المصلحة الوصول إلى التبادلات دون الحاجة إلى تعيين أوزان مسبقة. تساهم النتائج في الأدبيات المتعلقة بتحسين العمليات الصحية وتقدم استراتيجيات عملية مصممة لتلبية احتياجات المستشفيات السورية، مما يدعم التطبيقات الأوسع للذكاء الاصطناعي في الرعاية الصحية. تستخدم الدراسة الإحصاءات الوصفية وتحليل جبهة باريتو للتحقق من فعالية الحلول المقترحة، مما يساعد في النهاية قادة الرعاية الصحية وصانعي السياسات في تحسين الخدمات العامة وسط الطلبات المتزايدة على الرعاية الصحية والتمويل المحدود.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث. يتناول تصميم التجربة، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة لتقييم النتائج. استخدمت الدراسة إطار عمل كمي، مستفيدة من الأدوات الإحصائية لتقييم أهمية النتائج.
تم تجنيد المشاركين بناءً على معايير إدراج محددة، مما يضمن عينة تمثيلية ذات صلة بسؤال البحث. شمل جمع البيانات أدوات وبروتوكولات موحدة للحفاظ على الاتساق والموثوقية. تم إجراء التحليل باستخدام أساليب إحصائية مناسبة، مثل تحليل الانحدار أو ANOVA، لاستخلاص استنتاجات ذات مغزى من البيانات.
بشكل عام، تم تصميم المنهجية بدقة لضمان صلاحية وموثوقية النتائج، مما يسمح بتفسيرات قوية للنتائج فيما يتعلق بأهداف البحث.
النتائج
يتناول قسم النتائج في الورقة البحثية تطبيق خوارزمية NSGA-II في تحليل البيانات التشغيلية من مستشفى تشرين الجامعي. تكشف الإحصاءات الوصفية الأولية عن تباين كبير في مؤشرات الأداء الرئيسية على مدى فترة الدراسة التي استمرت 60 يومًا، بما في ذلك متوسط وقت الانتظار البالغ 52.72 دقيقة (SD = 21.38)، ومتوسط عدد المرضى المقبولين يوميًا 137.73 (SD = 35.36)، ومتوسط التكاليف التشغيلية 861,302.4 ليرة سورية (SYP). تشير تحليل الربع إلى أن 25% من الأيام كانت لديها أوقات انتظار أقل من 32.92 دقيقة، بينما تجاوزت 75% 69.99 دقيقة، مما يبرز عدم الاتساق في تقديم الخدمة.
حددت خوارزمية NSGA-II أفضل 10 حلول مثلى وفقًا لمبدأ باريتو، موضحة التبادلات بين تقليل أوقات الانتظار، وتقليل التكاليف التشغيلية، وزيادة تدفق المرضى. على سبيل المثال، كانت الحلول المثلى ذات أقل متوسط وقت انتظار (21.44 دقيقة) تحافظ أيضًا على تكلفة تشغيل معتدلة (744,446.7 SYP) وعالجت 122 مريضًا. على العكس من ذلك، أدت الحلول التي تعطي الأولوية لتقليل التكاليف إلى أوقات انتظار أطول وتوافر أقل للأطباء، مما يوضح التبادلات الكامنة في تخصيص الموارد. توضح التمثيلات المرئية لهذه الحلول، بما في ذلك الرسوم البيانية ثلاثية الأبعاد، العلاقات المعقدة بين المقاييس التشغيلية، مما يمكّن مديري المستشفيات من اتخاذ قرارات مستنيرة توازن بين الجدوى الاقتصادية وكفاءة تقديم الخدمة. تؤكد النتائج على فائدة تحسين متعدد الأهداف القائم على الذكاء الاصطناعي في تعزيز استراتيجيات العمليات الصحية.
المناقشة
تسلط المناقشة الضوء على دمج بحوث العمليات (OR) والذكاء الاصطناعي (AI) في إدارة الرعاية الصحية، مشددة على الحاجة إلى تحسين استخدام الموارد وتحسين نتائج المرضى. تشير الأدبيات إلى أن تقنيات بحوث العمليات، وخاصة خوارزمية الفرز الجيني غير المهيمن II (NSGA-II)، تعزز بشكل فعال أداء المستشفيات التشغيلية من خلال توليد حلول مثلى وفقًا لمبدأ باريتو لمشاكل التحسين المعقدة. تطبق هذه الدراسة بشكل خاص NSGA-II لمعالجة التحديات التشغيلية التي تواجه مستشفى تشرين الجامعي في سوريا، مع التركيز على تحقيق توازن بين متوسط أوقات الانتظار، والتكاليف التشغيلية اليومية، وعدد المرضى المعالجين. تؤكد الأبحاث على أهمية اتخاذ القرارات المستندة إلى البيانات والتعاون بين تحليلات البيانات الكبيرة ونماذج بحوث العمليات لتحديد وتوقع القضايا التشغيلية.
تحدد الدراسة ستة متغيرات أداء رئيسية – متوسط وقت الانتظار، وعدد المرضى المقبولين يوميًا، والأسرة المتاحة، والأطباء المتاحين، والتكاليف التشغيلية اليومية، وعدد المرضى المعالجين – لتشكيل أساس نموذج تحسين متعدد الأهداف. يهدف النموذج إلى تقليل أوقات الانتظار والتكاليف التشغيلية مع زيادة تدفق المرضى، مما يعكس الطبيعة المتضاربة لهذه الأهداف. تظهر النتائج أن خوارزمية NSGA-II يمكن أن تولد بفعالية حلولًا تسمح لمديري الرعاية الصحية باتخاذ قرارات مستنيرة بشأن تخصيص الموارد وتخطيط السعة. تشمل اتجاهات البحث المستقبلية تعزيز قدرات النموذج التنبؤية باستخدام البيانات في الوقت الحقيقي واستكشاف الأساليب الهجينة التي تجمع بين NSGA-II وتقنيات التعلم الآلي لتحسين القدرة على التكيف في بيئات الرعاية الصحية الديناميكية.
DOI: https://doi.org/10.58496/mjaih/2025/006
Publication Date: 2025-05-03
Author(s): Khder Alakkari et al.
Primary Topic: Artificial Intelligence in Healthcare
Overview
This study introduces an AI-driven multi-objective optimization framework utilizing the Non-Dominated Sorting Genetic Algorithm II (NSGA-II) to enhance operational efficiency in Syrian hospitals, specifically analyzing data from Tishreen University Hospital over a 60-day period. The research targets three conflicting objectives: minimizing average patient waiting time, reducing daily operational costs, and maximizing the number of patients treated. By selecting six critical operational variables, including bed availability and physician count, the NSGA-II algorithm produced a set of Pareto-optimal solutions that illustrate various trade-offs among the objectives. The findings reveal the complexity and nonlinearity of hospital operations, indicating that simply increasing resources or costs does not guarantee improved outcomes. This model serves as a decision-support tool for healthcare administrators, particularly in resource-limited settings.
The study underscores the potential of AI-based multi-objective optimization in improving hospital efficiency, demonstrating that a balance among waiting time, costs, and patient throughput can be achieved through flexible Pareto-optimal configurations. The solution space generated offers actionable insights for resource allocation and capacity planning. Future research aims to enhance the model’s predictive capabilities by incorporating real-time data and expanding the range of operational variables, including emergency cases and seasonal demand variations. Additionally, exploring hybrid models that integrate NSGA-II with machine learning techniques may further enhance adaptability in uncertain environments. Validation across multiple healthcare facilities will be crucial for assessing the model’s generalizability and supporting its scalability across the healthcare system.
Introduction
The introduction of this research paper highlights the transformative role of artificial intelligence (AI) in enhancing healthcare services, particularly in the context of Syria, where healthcare operations face significant challenges due to increasing demands and limited resources. The study focuses on Tishreen University Hospital, which struggles to balance operational efficiency, cost-effectiveness, and quality standards in medical care. To address these issues, the research employs the Non-dominated Sorting Genetic Algorithm II (NSGA-II), a robust multi-objective optimization tool, to optimize hospital operations by simultaneously reducing waiting times and operational costs while improving patient flow.
By analyzing real data from Tishreen University Hospital, the study identifies key variables such as average waiting time, daily patient admissions, available beds, physician count, operational costs, and treated patients to construct a multi-objective optimization framework. The use of NSGA-II allows for the generation of Pareto-optimal solution sets, providing stakeholders with access to trade-offs without the need for predetermined weighting assignments. The findings contribute to the literature on healthcare operations optimization and offer practical strategies tailored to the needs of Syrian hospitals, thereby supporting broader applications of AI in healthcare. The research employs descriptive statistics and Pareto-front analysis to validate the effectiveness of the proposed solutions, ultimately assisting healthcare leaders and policymakers in enhancing public services amidst growing healthcare demands and constrained funding.
Methods
The methodology section outlines the systematic approach employed in the research. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized to evaluate the results. The study employed a quantitative framework, utilizing statistical tools to assess the significance of the findings.
Participants were recruited based on specific inclusion criteria, ensuring a representative sample relevant to the research question. Data collection involved standardized instruments and protocols to maintain consistency and reliability. The analysis was conducted using appropriate statistical methods, such as regression analysis or ANOVA, to draw meaningful conclusions from the data.
Overall, the methodology was rigorously designed to ensure the validity and reliability of the results, allowing for robust interpretations of the findings in relation to the research objectives.
Results
The results section of the research paper details the application of the NSGA-II algorithm in analyzing operational data from Tishreen University Hospital. Initial descriptive statistics reveal significant variability in key performance indicators over a 60-day study period, including an average waiting time of 52.72 minutes (SD = 21.38), daily patient admissions averaging 137.73 (SD = 35.36), and operational costs averaging 861,302.4 Syrian dinars (SYP). The quartile analysis indicates that 25% of days had waiting times below 32.92 minutes, while 75% exceeded 69.99 minutes, highlighting inconsistencies in service delivery.
The NSGA-II algorithm identified the top 10 Pareto-optimal solutions, showcasing trade-offs between minimizing waiting times, reducing operational costs, and maximizing patient throughput. For instance, the optimal solution with the lowest average waiting time (21.44 minutes) also maintained a moderate operational cost (744,446.7 SYP) and treated 122 patients. Conversely, solutions prioritizing cost reduction resulted in longer waiting times and lower physician availability, illustrating the inherent trade-offs in resource allocation. Visual representations of these solutions, including three-dimensional scatter plots, elucidate the complex relationships between operational metrics, enabling hospital administrators to make informed decisions that balance cost-effectiveness with service delivery efficiency. The findings underscore the utility of AI-based multi-objective optimization in enhancing healthcare operational strategies.
Discussion
The discussion highlights the integration of operations research (OR) and artificial intelligence (AI) in healthcare management, emphasizing the need for optimized resource utilization and improved patient outcomes. The literature indicates that OR techniques, particularly the Non-Dominated Sorting Genetic Algorithm II (NSGA-II), effectively enhance hospital operational performance by generating Pareto-optimal solutions for complex optimization problems. This study specifically applies NSGA-II to address the operational challenges faced by Tishreen University Hospital in Syria, focusing on balancing average waiting times, daily operational costs, and the number of patients treated. The research underscores the importance of data-driven decision-making and the collaboration between big data analytics and OR models to identify and forecast operational issues.
The study identifies six key performance variables—average waiting time, daily patient admissions, available beds, available physicians, daily operational costs, and the number of treated patients—forming the basis for a multi-objective optimization model. The model aims to minimize waiting times and operational costs while maximizing patient throughput, reflecting the conflicting nature of these objectives. The findings demonstrate that the NSGA-II algorithm can effectively generate solutions that allow healthcare administrators to make informed decisions regarding resource allocation and capacity planning. Future research directions include enhancing the model’s predictive capabilities with real-time data and exploring hybrid approaches that combine NSGA-II with machine learning techniques to improve adaptability in dynamic healthcare environments.