ORION 手術排程以 AI 輔助規劃應對曼尼托巴省積壓個案

曼尼托巴大學研究員 Jay Toor 醫生正開發 ORION 手術排程系統，以處理骨科積壓個案；其預期帶來的服務容量增幅仍有待在當地驗證。這項計劃針對醫院的一項實際問題：如何把手術需求與可用手術時間配對。其核心問題是，在現有資源限制下，更完善的規劃可額外提供多少醫療服務。

大學於 2026 年 10 月 9 日介紹該項目，指將於溫尼伯 Health Sciences Centre 分階段測試。研究人員預測，骨科手術容量可增加 5% 至 8%，輪候時間可縮短 10% 至 15%。這些數字反映預期效益，而非已完成曼尼托巴部署所量度的改善成果。

多倫多 Sunnybrook Health Sciences Centre 的相關工作提供了一個有用參考。當地研究人員一直以 SMART-S 名義研究 AI 輔助手術排程，亦發表過結合預測與數學規劃的研究。這些項目共同檢驗一項具體主張：更準確的估算和排程可以釋放可用容量。醫院管理層仍需要證據，證明這些增益能在員工配置限制、日常突發情況及臨床優先次序下維持。

ORION 手術排程進入本地驗證階段

ORION 是 Operating Room Intelligence and Optimization Network 的縮寫。根據大學對其手術排程研究的說明，Toor 在 Research Manitoba Solutions Grant 支持下領導此計劃。計劃中的評估將先分析歷史資料，然後進行前瞻性測試，即隨新事件發生時評估系統表現。

首年將檢視 Health Sciences Centre 過去 10 年的病人資料，以評估對歷史手術需求的預測。第二年預計聚焦於該醫院的前瞻性測試。這項公告確立了一個研究次序；並不代表 AI 生成的排程已經決定日常病人預約。

眼前的改變是獲資助進行本地手術排程技術評估，而病人得益仍是一項有待驗證的假設。

這項分別影響讀者應如何理解該項目的抱負。歷史評估會問模型能否從紀錄中作出有用預測。實時評估則會問，人們能否在真實工作環境下根據這些預測採取行動。早期階段成功可支持進一步測試，但不能解答後續問題。

對醫院管理人員而言，這項分別把具潛力的規劃工具與可靠的營運基礎設施區分開來。建議必須及早提出，才可影響決策。它們亦必須反映人員實際可調動的資源，包括在排程完成後仍可能改變的限制。

試想一個假設的手術日，某段空檔看似足以容納另一項手術。填補該空檔不只是識別一名病人而已，相關團隊、設備、術前準備及術後復原安排都必須配合。只有當醫院能把預測轉化為可行預約時，預測才有價值。

此例說明實施層面的問題，並非聲稱描述了一宗已完成的 ORION 預約。項目的價值取決於更好的資訊能否改變這些決策。若更準確的預測從未影響排程，便仍只是一項研究結果，而非改善服務可及性。

本地環境還有另一個重要性。醫院紀錄反映過去的做法，也反映病人需要。評估應檢視哪些模式仍然適用，哪些只反映早期情況。否則，系統可能只會學會工作過去如何進行，卻未能充分支援下一步必須如何進行。

因此，對 ORION 手術排程而言，可信的早期里程碑應結合預測結果，以及預定營運用途的清晰說明。讀者應留意每項輸出支援哪些決策。預測需求、估算手術時間及選擇預約個案雖然相關，但各自需要獨立證據。

更多手術不必然代表更短輪候時間

醫院管理層面對的壓力，不僅是回收閒置時間。病人需要穩定改善的服務可及性，而員工需要能安全執行的排程。規劃系統必須連結這些目標，而非把手術室當成孤立的日曆。

全國數據顯示，僅看服務量並不完整。加拿大健康資訊研究所於其優先程序研究結果中指出，手術量增加的同時，服務可及性問題仍然存在。加拿大在 2024 年完成的髖關節置換手術較 2019 年多 26%，膝關節置換手術則多 21%。儘管如此，這些手術的及時服務水平仍低於疫情前。

2024 年，68% 的髖關節置換病人及 61% 的膝關節置換病人在建議的六個月內接受手術。這些全國數字提供背景，而非曼尼托巴省的基準，亦不是對 ORION 表現的預測。

排程改善應連同手術量一併按服務可及性增益評估，因為服務更繁忙，病人仍可能繼續等候。

分析上的關鍵在於需求與已完成醫療服務之間的關係。在其他因素不變下，額外手術只有在其數量超過新加入個案時，才有助縮減輪候隊列。若需求同時上升，醫院即使增加服務量，也未必帶來相應的輪候縮短。

這意味該項目的容量和輪候時間預測需要分開評估。容量增加描述服務可額外完成的工作；輪候時間縮短則描述病人的體驗轉變。兩者之間的關係取決於誰加入輪候隊列、哪些個案獲優先處理，以及隊列如何變化。

因此，醫院行政人員除了面對排程問題，亦面對量度問題。他們需要說明何謂改善：是完成更多手術、取消個案較少、輪候較短、加班較少，還是多項結果的組合？每項結果都回應不同的公眾關注。

這項分別亦影響臨床人員會否支持新流程。更充實的排程或可讓病人更早接受治療，但亦可能增加協調要求。評估應讓這些影響清晰可見，而非讓單一活動指標代表整體成功。

對病人而言，單看平均數的安慰有限。一項服務可改善其典型輪候時間，卻讓部分人等待得長得多。因此，任何日後結果均應說明效益如何分布，包括有較複雜需要的病人是否獲得相若改善。

醫院管理層承受直接壓力，要把技術實驗轉化為可理解的服務成果。研究人員可以報告預測準確度，但行政人員必須決定相關流程是否值得持續使用。這項決定需要模型團隊以外的人士也能理解的證據。

最有力的公開說明會連結每一個階段：更佳預測改變了一項預約決策，預約成為已完成的手術，而服務可及性隨之改善。缺少這種連結，有關效率的說法或會止步於病人最關心的結果之前。

更準確的時間估算會改變哪些個案能排入時段

這項技術先例比「AI 可改善醫療服務」的一般說法更具體。一項於 2026 年 1 月 23 日發表的同行評審研究，檢視了關節置換術排程，即置換或重建關節的手術。作者包括 Toor，以及與 Sunnybrook 和多倫多大學有關聯的研究人員。

該研究結合機器學習，即從數據中學習預測模式，與數學最佳化，即在既定限制下選擇安排。其排程研究把預測的手術時長及生成的排程，與使用滾動平均時間的方法作比較。

研究人員報告，生成的排程令未使用的手術室時間減少 56.2%，相當於每日 13.3 分鐘。加班時間則增加 17.2%，相當於每日 3.6 分鐘。這些結果屬於該研究的評估結果，不應被表述為曼尼托巴省已實現的成果。

已發表的研究結果支持一項排程機制，同時揭示其取捨：較少閒置時間伴隨額外加班。

預測與排程對這項機制的貢獻不同。預測會估算一宗個案需要多少時間；排程流程則決定個案如何配合。即使估算有用，也不會指定哪位病人應獲某個時段，或員工應接受多少不確定性。

一個假設例子可具體說明這項分別。假設現有估算留下的空檔看似不足以容納另一宗個案。更準確的估算可能顯示可以安排預約；相反，它亦可能顯示原有排程已經過於進取，應減少個案數目。

兩種結果都可代表更佳規劃。價值在於作出符合實際情況的決策，而非一味製作更滿的日程。若評估只聚焦於額外預約，便可能忽略防止不切實際承諾的改善。

加班結果與減少閒置時間同樣值得關注。相對百分比描述與基準相比的變化，而分鐘則反映其絕對規模。讀者需要兩者才能理解營運上的意義。單靠任何一項數字，都不能決定這項取捨在其他地方是否可接受。

醫院可能在某些情況下接受額外加班，在其他情況下則拒絕。這項選擇取決於本地優先次序和限制。尤其當演算法可按其接收的目標產生不同排程時，這一點應保持明確。

因此，ORION 手術排程的實際問題是，其建議將如何平衡相互競爭的需要。填補時間、限制超時、配合臨床緊急程度，以及維持可行的排程，並不總是指向同一種安排。

該研究提供了調查這種平衡的理由，而非普遍適用的答案。其結果支持更佳估算可改善排程決策的主張，但並未證明每間醫院都可獲得同樣的可用容量，或每一分鐘節省的時間都會轉化為另一宗完成的手術。

Sunnybrook 提供比較，而非曼尼托巴省的成果

Sunnybrook 是一個相關的機構比較對象，因為其研究人員正推進密切相關的排程工作。其 2026 年項目介紹把 SMART-S 描述為一個預測選擇性骨科手術時間，並利用相關估算支援排程的系統。

醫院基金會的 SMART-S 計劃更新指出，由 Cari Whyne 醫生帶領的團隊正與現有的人手流程比較成效。該報告亦把預測創傷及緊急個案量列為目標之一。這顯示有關工作屬於持續評估計劃的一部分。

值得比較的是不同機構如何驗證 AI 輔助規劃，而非哪個項目作出更宏大的承諾。

人手排程提供關鍵參照，因為新系統必須改善人們現時採用的流程。這項比較應當公平。若模型只是與對現行做法過度簡化的描述比較，其證據價值會低於根據實際營運決策進行測試的模型。

對醫院採購方而言，這項區別會改變採購對話的重點。精美的示範可以顯示軟件能產生排程，但無法證明這些排程比掌握同等資訊的資深協調員更優勝。這需要圍繞實際服務而設計的比較。

SMART-S 與 ORION 之間的關係也需要審慎報道。共同的研究興趣及重疊的合作者提供了相關背景，但不足以假定兩套系統擁有相同的軟件、輸入資料、實施安排或結果。

本地評估應說明哪些組件可直接沿用，哪些需要調整。部分可轉移價值或許來自方法或經驗，而非未經改動的模型。只要報道清楚交代界限，這仍代表有用的進展。

更廣泛的技術啟示是，營運 AI 需要有明確角色。醫院應能說清楚軟件是估算時長、提出排程建議、預測即將到來的需求，還是支援其他決策。把所有這些功能簡單稱為 AI，會掩蓋評估各項功能所需的工作。

對開發者而言，最具挑戰的介面在於建議與必須採取行動的人員之間。實用的輸出需要提供足夠說明，讓員工評估是否可行；也需要設有方法，記錄看似合理的建議為何不適用。

這些回饋可為未來開發提供參考，而不應把每次意見分歧都視為用戶抗拒。協調員可能知道資料中遺漏的限制條件；另一方面，某項建議也可能揭示值得重新檢視的假設。實施安排需要容納這兩種可能性。

因此，Sunnybrook 持續進行的比較為 Manitoba 提供了具意義的參考點，但未有提供預先定論。最有力的證據將顯示各項本地工作流程如何改變、哪些結果獲得改善，以及技術在哪些方面仍無法提供幫助。

員工採納與公平獲得服務應納入評估

關於實施的證據提供了有別於模型表現的視角。一項於 2026 年 7 月發表的質性研究，檢視加拿大一所骨科中心為採用機器學習排程所作的準備。參與者包括 17 名從事臨床、行政及領導職務的人員。

這項排程實施研究指出，參與者關注資訊零散、既有流程及資源限制。他們對擬議技術的支持程度各異，但均強調工作流程配合、培訓、易用設計及分階段實施的重要性。這些發現描述的是實施前的觀感，而非量度所得的病人效益。

員工接受程度是營運表現的一部分，而會增加工作量的系統可能削弱自身在排程上的收益。

這是實際問題，而非對臨床人員是否喜歡 AI 的公投。員工必須知道何時參考建議、誰可更改建議，以及變更如何傳達給所有受影響人士。這些環節如有模糊之處，便可能增加額外的協調工作。

研究結果支持及早檢視這些問題，但並不顯示 ORION 曾遇到相同障礙。對 Manitoba 而言，恰當的推論是實施安排值得明確評估，而不應假定有用的預測會自動納入日常實務。

公平獲得服務帶來另一項設計問題。排程目標反映系統嘗試改善甚麼。若該目標着重完成個案數量，評估者應檢視它會否產生與臨床優次衝突的誘因。這是需要測試的風險，而非關於 ORION 的既定結論。

例如，評估可檢視需要較長手術程序的病人是否受惠於新流程，也可追蹤排程變更時被反覆調動的個案。這些檢查有助區分真正廣泛改善服務的系統，與表面成果掩蓋不均衡影響的系統。

臨床判斷需要在這個流程中有清晰位置。建議不應僅因由軟件產生而變得更難質疑。員工應有實際途徑推翻不合適的建議，並記錄營運或臨床理由。

相關紀錄可成為有用的評估材料。頻繁推翻建議可能反映資料遺漏、目標選擇不當，或限制條件變化速度超出系統可適應範圍。偶爾推翻建議，則可能只是人員對特殊情況負上適當責任。

由於擬進行的歷史資料評估涉及病人資訊，私隱問題仍然相關。公開說明應交代研究人員如何管治資料存取及使用。現有公告沒有提供足夠細節，以評估每項技術或組織保障措施。

歷史資料集是分析機會，但其規模並不能決定資料是否足以支援預期決策。評估者應檢視完整性、一致性及相關性。再多紀錄也無法彌補從未被記錄的重要限制條件。

因此，最有力的審慎立場很明確：僅有預測準確度不足以證明服務有所改善。ORION 需要在易用性、可行決策、病人獲得服務的機會及員工工作量方面接受評估。這項標準既可讓有前景的結果獲得肯定，也可清楚識別尚未經測試的效益。

在期待縮減輪候積壓前先留意評估設計

下一項值得關注的發展，是研究人員如何界定成功並逐步進行測試。未來數月，讀者應區分方法公告與病人結果證據。大學的分階段計劃不足以令人預期會即時完成輪候時間評估。

首個值得留意的訊號，是更清晰的評估設計。有用的資訊包括基線、ORION 支援的決策，以及研究人員擬量度的結果。具體設計可令日後的主張更易評估，並減少預期效益的模糊之處。

有關資訊亦應區分歷史測試與實際使用。以過往紀錄得出的回溯性結果，可加強進行前瞻性評估的理據；但不能獨立證明當建議影響實際排程時，員工及病人的反應如何。

第二個訊號是營運整合的證據。讀者應留意誰會接收建議、建議何時送達，以及員工如何審閱。明確的工作流程可加強以下觀點：預測結果能影響醫療服務的提供。

相反，若展示僅限於模型準確度，實施問題仍然懸而未決。這不會令研究失去價值，只代表現有證據所支持的主張，較改善醫院容量更為狹窄。

第三個訊號是平衡報告結果與取捨。當實際使用結果公布時，已完成程序及輪候時間應與取消個案、超時工作及相關服務可及性指標一併呈現。伴隨新負擔的改善需要一同理解。

獨立背景資料有助說明這種平衡為何重要。CIHI 的關節置換指標量度計劃置換手術中，從準備接受治療起計 26 星期或 182 天內完成的比例。界定清晰的指標可令比較更容易理解。

這個定義亦說明日後任何 Manitoba 結果的報告責任。研究人員應說明輪候期何時開始，以及哪些病人納入計算。改變定義可以在不改變病人經驗的情況下，改變表面結果。

當更準確的預測帶來可行排程及可量度的服務可及性改善，同時不掩蓋營運成本時，證據才會更具說服力。

這些訊號會按次序加強項目的理據。透明設計會澄清主張；可行流程會顯示人們能使用系統；平衡的結果則可證明這種使用是否帶來值得持續的效益。

反面的結果同樣具資訊價值。不清晰的基線會削弱比較，持續的工作流程問題會限制實用性，而不均衡結果則需要調整做法。報告這些發現，比把每項發展都當作確認更有貢獻。

對 AI 開發者及企業採購方而言，ORION 手術排程提供了一個實際例子，說明營運證據應包含甚麼。相關問題不止於模型能否準確預測，也包括機構能否把預測轉化為更佳決策，並驗證其後果。

在把預期縮短輪候時間視為既定效益前，應追蹤項目的評估里程碑。應問的是哪些決策改變了、哪些病人能更早獲得服務，以及取消個案和員工工作量出現了甚麼變化。結果公布後，應先比較定義及基線，再比較標題中的百分比。歷史測試應與前瞻性發現分開看待，並檢視研究人員如何解釋建議被拒絕的個案。Manitoba 的倡議值得關注，因為它以可測試的方法處理具體的服務問題。它的貢獻將透過透明報告有用的改善、實際限制及必要調整而變得更清晰。甚麼證據能令病人及醫院員工相信，新排程流程令醫療服務更容易獲得？