Grouped scenario assumptions for scheduling, behavior, resources, and duration
스케줄 생성 규칙
Slot, buffer, booking, and queue rules
Fixed 하위 설정
가변 하위 설정
술자별 고정 슬롯
규칙기반 슬롯
ifto
술자별 규칙기반 슬롯
예측 기반 하위 설정
예측 선형조합
slot = a*x + b*y + c
Fixed 버퍼 설정
가변 버퍼 로직
규칙기반 하위 설정
ifto
술자별 규칙기반 버퍼
예측기반 하위 설정
buffer = a*x + b
예약 요청 순서
정렬 값 설정
min
예약 슬롯 배치
N
현장 진료 큐
min
min
환자 도착/행동 규칙
Arrival, punctuality, and no-show inputs
도착 모델
문헌 기반 기본값: show-up 환자 70/15/15 mix
내원 시간 비율
100%
%
%
%
conditional total = 100%
도착 오차 분포
No-show 민감도
%
denominator = scheduled_count
자원 제약
Capacity, demand, and reproducibility
실행 범위
전체 풀 기준 하위 설정
Fixed 하위 설정
명
포아송 하위 설정
의사별 기준 하위 설정
Fixed 하위 설정
포아송 하위 설정
관찰 배정 기준
현재 데이터에 포함된 의사/세션 배정을 그대로 사용합니다. 환자 수 재샘플링이나 의사별 수요 조정은 적용하지 않는 시나리오입니다.
시간/소요시간 모델
Sessions, breaks, and service time
세션 규칙
session
to
min
min
break
to
스케줄 시각화
예약 슬롯, 실제 시작, 체어 점유, turnover, 초과근무를 세션별로 표시합니다.
결과 지표
ML 슬롯 정책이 baseline 대비 처리량, 대기, 초과근무를 어떻게 바꾸는지 판단하는 표준 결과입니다.
지표 사전
결과 해석 중 의미가 헷갈리는 지표만 빠르게 확인합니다.
0 metrics
Simulation Log
Time-ordered trace for debugging and flow review
0 events
Config JSON
Ready
M3 Simulation Lab 소개
AI 기반 외래 시술 예약 최적화 연구 시스템
외래 시술 예약은 환자별 실제 소요시간, 시술자 숙련도, 체어 수, 조기·지각 도착, 노쇼, 세션 종료 시간이 동시에 작용하는 복합 운영 문제입니다.
기존의 고정 슬롯 또는 평균 소요시간 기반 예약 방식은 구현이 단순하지만, 긴 시술이 연속되면 환자 대기와 의료진 초과근무가 증가하고, 짧은 시술이 많으면 의사와 체어의 유휴시간이 커집니다. AI 모델이 시술 소요시간을 예측하더라도, 그 예측값을 실제 예약 슬롯, 버퍼, 배정 순서, 오버부킹 정책으로 어떻게 바꾸어야 운영 성과가 개선되는지는 별도의 검증 체계가 필요합니다.
본 시스템은 AI 기반 시술시간 예측값과 예측 불확실성을 외래 예약 정책에 직접 연결하고, 이를 실제 운영 조건에 가까운 이벤트 기반 시뮬레이션으로 평가하는 예약 최적화 플랫폼입니다. 환자별 예측 중앙값, 분위수, 불확실성 폭을 이용해 고정 슬롯, 시술자별 슬롯, 예측 기반 가변 슬롯, 규칙 기반 버퍼 정책을 생성할 수 있으며, 의사와 체어를 별도 자원으로 모델링하여 두 자원이 동시에 확보될 때만 시술을 시작하도록 합니다.
정책 비교
고정 슬롯, 시술자별 슬롯, 예측 분위수, 규칙 기반 버퍼와 오버부킹을 같은 조건에서 비교합니다.
대기시간, flow time, 초과근무, 활용률, 백로그, 의사별 불균형을 재현 가능한 결과로 저장합니다.
활용 방안은 외래 시술실의 일일 예약표 설계, 체어 수와 세션 시간 조정, 노쇼 대비 오버부킹 수준 결정, 고불확실성 환자의 배치 전략 평가, 의사별 workload 균형 분석, AI 예측모델 도입 전후의 운영 성과 검증입니다. 따라서 이 시스템은 실제 운영 위험을 감수하지 않고도 AI 기반 예약 정책의 효과를 사전에 검증하고 최적화할 수 있게 하는 의사결정 지원 기술입니다.