KI-gestützte Mehragenten-Lernmethode optimiert Tagesplanung von Operationssälen
Ein neues Forschungsprojekt aus dem Bereich der künstlichen Intelligenz präsentiert einen innovativen Ansatz zur Planung von Operationssälen innerhalb eines Tages. Durch die Kombination von Multi-Agent Reinforcement Learning (MARL) und einem kooperativen Markov-Spiel werden die komplexen Anforderungen von elektiven, dringenden und Notfalloperationen in einer einzigen, optimierten Strategie zusammengeführt.
Der Ansatz nutzt ein gemeinsames Policy-Netzwerk, das mit Proximal Policy Optimization (PPO) trainiert wird. Jeder Operationsraum agiert als eigenständiger Agent, der während des Trainings zentralisiert, aber im Einsatz dezentralisiert arbeitet. Ein spezielles Sequenzierungsprotokoll sorgt dafür, dass die erstellten Zeitpläne für alle Räume konfliktfrei sind.
In realitätsnahen Simulationen mit sechs Operationsräumen und acht unterschiedlichen Operationsarten übertrifft die KI-Lösung sechs etablierte Regelheuristiken in sieben Leistungskennzahlen. Zudem wird die Nähe zur optimalen Lösung durch einen Mixed-Integer-Pre-Schedule-Ansatz und eine klare Belohnungsstruktur, die Durchsatz, Pünktlichkeit und Arbeitsbelastung berücksichtigt, quantifiziert.
Die Analyse der erlernten Politik zeigt, dass das System Notfälle priorisiert, ähnliche Eingriffe zusammenfasst, um Aufbautechnische Verzögerungen zu minimieren, und weniger wertvolle elektive Eingriffe zurückstellt. Trotz einiger Einschränkungen, wie der Annahme homogener Operationsräume, liefert die Studie einen vielversprechenden Weg, die operative Effizienz in Krankenhäusern nachhaltig zu steigern.