【医疗篇09】手术室排程优化的效能评估：以接台时间与闲置率为核心的指标体系与建模实践

目录

一、场景介绍：为什么是手术室排程

1.1 问题的业务本质

1.2 排程的三层决策结构

1.3 两个核心指标的运营含义

1.4 场景建模：把流程画成时间轴

二、指标体系构建：从单点到三层架构

2.1 构建原则与数据源

2.2 三层指标架构

2.3 以"接台时间"为核心的指标体系（本文评估集）

2.4 接台时间的三阶段拆解（瓶颈定位利器）

三、指标数据处理：让数据"可算"

3.1 分布特征分析：对数正态是关键先验

3.2 数据标准化：极差法

3.3 缺失与极端值处理策略

四、评估模型选取：四种范式及其取舍

4.1 基准模型：TOPSIS（逼近理想解排序法）

4.2 权重怎么来：熵权法 + 序关系法（G1）组合赋权

4.3 前沿模型：DEA（数据包络分析）

4.4 验证模型：离散事件仿真（DES）

4.5 模型选型决策矩阵

4.6 一个完整的评估流水线示例

五、结论与工程经验

摘要：手术室是医院资源最密集、成本最集中的部门，占医院总成本的 33% 以上，贡献 60%~70% 的收入。排程方案的优劣不能凭"看着顺不顺"来判断，必须用一套可量化、可复现的效能评估体系来度量。本文以接台时间与闲置率为评估核心，完整呈现"场景建模 → 指标体系 → 数据预处理 → 评价模型"四条主线，给出可直接落地的公式、算法思路与 Python 实现骨架，适用于工业工程、医疗运营分析与运筹优化方向的工程实践。

一、场景介绍：为什么是手术室排程

1.1 问题的业务本质

手术室排程（Operating Room Scheduling and Planning, ORSP）本质上是一个带多重约束、强不确定性的资源分配问题：

• 资源有限：手术间、主刀医生、麻醉医生、器械护士、手术床、PACU（麻醉后监护室）床位都是硬约束；
• 需求不确定：手术实际时长、急诊插入、术中突发（中转开腹、大出血）都会打乱原定计划；
• 上下游耦合：手术室的产出直接决定 PACU、ICU、病房的床位压力，局部最优往往带来下游拥堵。

我国医疗资源供需矛盾突出，经验式排程会造成本已紧张的资源大量浪费。手术室管理的核心就是计划与调度，目标是在提高利用率、降低成本的同时，兼顾患者与医护满意度。

1.2 排程的三层决策结构

学术界通常把 ORSP 拆成三个层次，评估时需要对应到不同时间尺度：

层级

决策内容

时间尺度

典型评估关注点

本文聚焦战术层到操作层的交界，因为这里恰好是"接台时间"与"闲置率"两个核心指标发挥作用的地方。

1.3 两个核心指标的运营含义

（1）接台时间（Turnover Time, TOT）

定义为前一台患者离开手术间到下一台患者进入手术间的时间间隔，也可表述为"前一位患者出室到后一位患者入室"的周转时间。它是一段纯非生产性时间——手术室开着、空调层流开着、人员待命着，但没有产生任何治疗价值。行业基准：ASC（日间手术中心）≤20 分钟，医院手术室 ≤30 分钟，优秀机构可压到 20 分钟以内；行业基准中位数为 28.5 分钟。

（2）闲置率（Idle Rate）

与利用率互为补数。利用率的常见定义为：

文献中更严谨的表达是"期望总手术时长（含更换/清洁时间）除以分配时长"。因此：

需要注意粗利用率与净利用率的区分：粗利用率反映夜班与周末的闲置，净利用率反映排班时段内的忙闲。两者结合才能判断手术室是"真忙"还是"假忙"。行业经验：利用率 75%~85% 为健康区间，低于 70% 提示排程低效或临时取消，高于 85% 则可能意味着过度排班、加班激增与安全隐患。

关键洞察：接台时间和闲置率是一枚硬币的两面。接台时间直接"吃掉"可用时长，是闲置率的主要构成之一；但一味压低闲置率（追求 100% 利用率）会抹掉安全缓冲，导致加班和级联延误。评估体系必须同时考察二者，而非单点优化。

1.4 场景建模：把流程画成时间轴

一次排程的评估结果，源于对每台手术时间轴的拆解。一条典型的手术间时间轴如下：

其中：==== 为有效占用（患者入室到出室），~接台~ 为非生产周转，—- 为排程未填满的空闲。

这条时间轴对应文献中的经典模型：

松弛时间的管理意义在于：Slack 降低取消率和昂贵加班，但也会降低利用率。这正是排程优化中"效率—韧性"权衡的数学表达，也是效能评估必须设置多指标而非单一目标的原因。

二、指标体系构建：从单点到三层架构

2.1 构建原则与数据源

指标体系应遵循 SMART-C​ 原则：具体（Specific）、可测（Measurable）、可获得（Available）、相关（Relevant）、有时效（Time-bound）、可比较（Comparable）。

数据主要来自医院信息系统（HIS）与手术室麻醉管理系统（ORMS），典型字段包括：手术间编号、手术开始/结束时间、患者入室/出室时间、手术名称与编码、主刀医生、麻醉方式、ASA 分级、住院天数、取消标记等。

2.2 三层指标架构

借鉴成熟的医院管理实践，建议采用三层指标架构，让不同层级的人看不同的数：

层级

典型指标

使用对象

更新频率

战略指标用于宏观决策，管理指标用于日常管理，操作指标用于行为改进，三层用数据关联形成闭环。当某科室接台时间异常时，可下钻到操作层，定位是清洁、转运还是医生到位的问题。

2.3 以"接台时间"为核心的指标体系（本文评估集）

围绕评估目标，本文构造 6 个可量化指标，分为效率型、成本型与质量型三类：

编号

指标名称

类型

定义与计算

方向

指标选取的依据：

• 是主评估指标，直接度量排程的操作效率；
• 很重要，因为方差大的排程比均值高的排程更致命——它导致下游 PACU 床位、护理人力的不可预测，是级联延误的根源；
• 是主评估指标的另一半，反映容量使用的充分性；
• 是"多米诺骨牌的第一张牌"：首台延迟会级联影响全天所有连台，且它反映术前准备（患者到位、设备、人员）的成熟度；
• 、 作为平衡项，防止为压闲置率而过度排班或为保准时率而少排手术。

2.4 接台时间的三阶段拆解（瓶颈定位利器）

接台时间是复合指标，必须拆解才能找到瓶颈：

对应优化策略各不相同：阶段一靠"超前准备"（上一台收尾时通知下一台备皮），阶段二靠"分时清洁"（大小手术间清洁错峰，避免保洁人力撞车），阶段三靠"标准化麻醉流程"。没有拆解就不知道瓶颈在哪，不知道瓶颈就无法精准优化。

三、指标数据处理：让数据"可算"

原始手术日志是"脏数据"，直接进入模型会产生误导性结论。本章是评估成败的关键，占工程工作量的 60% 以上。

3.1 分布特征分析：对数正态是关键先验

研究证实，不同类型手术的时间均服从对数正态分布。这一结论直接决定了后续建模的假设：

• 用对数变换​ 稳定方差、接近正态，再做参数估计；
• 手术时长预测用对数线性混合模型效果显著优于直接用历史均值，可分别减少偏短预测 2.8 分钟、偏长预测 6.6 分钟/台；
• 手术操作、团队特征对时长的解释力最强，患者特征（如 BMI 越高时长越长、>60 岁患者偏短）影响虽 modest 但明确，而外科医生的自身预估始终是强预测因子。

3.2 数据标准化：极差法

由于指标量纲不同（分钟、百分比、台次），必须无量纲化。设评价对象（决策单元 DMU）为 个手术间或 个排程方案， 个指标，原始矩阵为。

极差标准化：

• 效益型指标（越大越好，）：
• 成本型指标（越小越好，）：

3.3 缺失与极端值处理策略

问题

处理方法

理由

四、评估模型选取：四种范式及其取舍

这是本文的重点。评估模型回答的是"如何把多个指标合成一个可比的总分/排序"。我按适用场景从简到繁介绍四类模型，并给出推荐方案。

4.1 基准模型：TOPSIS（逼近理想解排序法）

适用场景：方案数适中（数十到数百个排程方案/手术间）、需要清晰排序与可解释权重。

原理：在标准化矩阵中构造"正理想解"（各指标最优值）与"负理想解"（各指标最劣值），计算每个方案到两者的欧氏距离，用相对接近度 $C_i$ 排序：

越接近 1 越优。TOPSIS 在手术室相关评价中已被反复验证：组合赋权 TOPSIS 联合 RSR 法用于手术科室运营效能评价，结果与学科发展实际吻合；组合赋权（熵权+AHP）TOPSIS 也被用于外科科室医疗服务质量评价。

4.2 权重怎么来：熵权法 + 序关系法（G1）组合赋权

权重决定"评估口径"，是模型中最容易被质疑的一环。纯主观（AHP/德尔菲）易被质疑拍脑袋，纯客观（熵权）会放大数据波动。推荐组合赋权：熵权法反映数据本身的离散度，序关系法（G1，AHP 的改进版，无需一致性检验）融入管理偏好。

熵权法步骤：

计算第 项指标下第 个对象的贡献度：

计算熵值：

计算差异系数：

熵权：

组合权重（以线性加权为例）：，其中体现对客观数据的信任程度，一般取 0.5，也可按最小二乘法优化。

实操提示：在本文场景中，建议赋予 （接台时间）和（闲置率）较高主观权重，因为它们是评估核心；同时让熵权去修正（变异系数）——数据若显示某间室的接台波动极大，熵权会自动提升它的区分度。

4.3 前沿模型：DEA（数据包络分析）

适用场景：评估多个同类单元（DMU）的相对效率，如 20 间手术室的横向比较、11 个专科的 OR 时间竞争效率。

为什么选 DEA：手术室是多输入（手术间、设备、床位、人力、患者满意度）、多输出的复杂系统，各指标量纲不同、难以归约为单一成本口径。DEA 作为非参数方法，无需预设生产函数形式、能缓解内生性偏误，还能为低效单元给出明确的改进目标值（输入该减少多少、输出该增加多少）。

建模要素（参考成熟研究）：

类别

典型变量

模型选择：采用投入导向、规模报酬可变（BCC 模型），用 DEAP 2.1 求解。输出三个效率值：

• 技术效率（TE）：综合效率，样本平均可达 0.929
• 纯技术效率（PTE）：管理能力维度
• 规模效率（SE）：规模匹配维度，

研究结论显示，规模效率对整体效率的贡献往往大于管理效率——即大医院通常更接近最优规模，提升利用效率应优先从"盘活现有容量"入手。

DEA + GRA 组合拳：DEA 的短板是无法对同为有效的单元排序。解决方案是用灰色关联分析（GRA）对 DEA 有效单元做二次排序，同时识别影响效率的关键变量（文献中发现"患者数"与"医护人员数"最关键）。

4.4 验证模型：离散事件仿真（DES）

适用场景：评估一个尚未实施的新排程算法是否真的优于现状。这是评估体系中最"硬"的一环。

为什么必须用仿真：真实手术室无法做 A/B 试验（伦理与运营不允许），而历史数据对比又受混杂因素干扰。DES 能在受控且带干扰的虚拟环境中，对多种调度范式做"头对头"比较，并显式模拟资源耦合与下游拥堵。

DES 建模要点：

最新实证：2026 年一项研究在同一 DES 环境下对比了强化学习（RL）、遗传算法（GA）与"预测—优化"（PTO）三种范式，主要结果差异均显著（$p<0.001$）。强化学习在基线与压力情景下都取得最一致、最稳健的改进，而 PTO 与 GA 也带来有意义的、更易部署的改进。另一项 DES 研究聚焦暑期儿科高峰，发现非对称集中池化调度（区分"短频快"与复杂手术）相比按科室分区排程，可使整体吞吐量提升 38.34%。还有研究指出，"先处理门诊病例"（OPF）策略比传统的"最简单优先"（SCF）和"最复杂优先"（LCF）更优，可使手术室等待时间减少 54%、PACU 等待时间减少 15%。

4.5 模型选型决策矩阵

评估目的

推荐模型

不推荐

4.6 一个完整的评估流水线示例

原始手术日志 (HIS/ORMS)
│
▼ 清洗、逻辑校验、IQR 截断
干净的手术事件流
│
▼ 时间轴拆解 → 三阶段接台
指标矩阵 X (m × 6)
│
├──► 标准化 Z ──► 熵权 + G1 组合赋权 ──► TOPSIS 排序 ──┐
│ ├──► 综合效能报告
├──► DEA (投入导向 BCC) ──► 低效单元 + 改进目标量 ──────┤
│ │
└──► DES 仿真 ──► RL vs GA vs PTO 头对头验证 ───────────┘
│
▼
识别瓶颈（阶段一/二/三）→ 精准干预

落地建议：先用 TOPSIS 做现状画像（哪个专科、哪间室是短板），用 DEA 给低效单元算"改进目标值"（该把接台时间压到多少、闲置率降到多少），再用 DES 验证干预方案（比如引入集中池化调度、专职翻台团队）在虚拟环境中是否真的能带来吞吐量与闲置率的双重改善，最后小范围试点、回灌数据迭代模型。

五、结论与工程经验

【专栏目录】效能评估系列目录