强化学习排手术：模拟研究显示延误与加班可大幅下降

手术室效率并不是简单的“把空档填满”。急诊插入、手术时长波动、麻醉与护理资源耦合、复苏室床位不足，都会让一个看似合理的排程连锁失效。2026年一项研究在统一的离散事件模拟环境中，正面比较规则排程、预测后优化、遗传算法和强化学习。

强化学习在模拟中表现如何？

研究构建了包含择期与急诊病例、共享麻醉和护理资源、周转时间及下游瓶颈的普通外科手术室模型，并进行了500次重复模拟。与规则基线相比，所有AI策略都减少了延误与加班，并提高利用率。

强化学习的改善最大：总延误从182.4分钟降至104.2分钟，相对减少 42.9%；加班从76.3分钟降至41.2分钟，减少 46.0%；利用率从73.2%升至80.1%；当日取消量下降 54.8%。

麻醉科为什么是关键参与者？

算法若只优化手术间占用，可能把压力转移给麻醉准备区、PACU或人员排班。高质量排程必须把麻醉方式、诱导与苏醒时间、困难气道准备、术后去向和急诊保障能力纳入约束。麻醉科提供的真实流程数据，决定模型是在“优化系统”还是“优化报表”。

模拟不是现实世界证明

研究作者明确提醒：强化学习优势依赖于奖励函数、允许重排的范围和模拟的中断模式。模型代表一个“风格化”环境，并非特定医院复刻。上线前应采用影子模式、本地历史回放和分阶段试点，同时关注公平性、员工负荷和患者体验。

一句话总结：AI排程很有潜力，但好的目标函数必须同时尊重效率、安全与人的工作边界。

参考文献：Çalışkan YK, et al. Beyond block time: a head-to-head comparison of reinforcement learning, genetic algorithms, and predict-then-optimize scheduling for operating room workflow using discrete-event simulation. 2026. DOI｜PubMed

本文用于医学信息交流，不构成医院运营或个体诊疗建议。