Metaheuristic approaches for maximum blood collection problem

Abstract

Thanks to recent technological and medical advances, blood components can now be extracted from whole blood after a donation. One of such components is the platelet, which has a wide range of uses in medical fields, including cancer treatment and other surgical procedures. Due to the perishable nature of platelets, it is recommended that the separation occurs within six hours after the donation. Moreover, platelets constitute less than one percent of the whole blood volume, yet they are highly demanded. Thus, it becomes apparent that there is a need for an effective platelet supply chain that meets patient needs. Given the importance of platelets in healthcare, their perishability, and their limited supply, an effective platelet supply chain leans on well-managed whole blood collection operations. In this study, we consider a blood collection problem (BCP) focusing on the collection of whole blood donations from the blood donation sites (BDS). Different from the basic form of BCP, we consider processing time limit of blood and arbitrary donation patterns of donors as well as relaxing the assumption of assigning each blood collection vehicle (BCV) to a set of BDSs. Therefore, we define the non-clustered maximum blood collection problem (NC-MBCP) as a variant of BCP. In this problem, the goal is to maximize the total platelets collected from numerous BDSs utilizing a set of BCVs that collect blood from those BDSs and transfer it to a central processing facility before it becomes non-usable for platelet production. In this study, we examine routing decisions for platelet collections while relaxing the clustering requirement from the BDSs, resulting in a significant increase in the complexity of the problem. In order to solve the problem, we propose a hybrid genetic algorithm and an invasive weed optimization algorithm that provide considerable improvements over the best solution in the literature for the clustered variant of the problem and outperform it by 9.40% improvement by the hybrid genetic algorithm and 9.14% improvement by the invasive weed optimization algorithm on average.

Son teknolojik ve tıbbi gelişmeler sayesinde, kan bileşenleri artık bir bağıştan sonra tam kandan elde edilebilmektedir. Bu bileşenlerden biri de, kanser tedavisi ve diğer cerrahi işlemler de dahil olmak üzere tıp alanlarında geniş bir kullanım alanına sahip olan trombosittir. Trombositlerin çabuk bozulan yapısı nedeniyle, bağıştan sonra altı saat içinde ayrılması önerilmektedir. Ayrıca, trombositler tam kan hacminin yüzde birinden daha azını oluşturmasına rağmen oldukça talep görmektedir. Böylece, hasta ihtiyaçlarını karşılayan etkin bir trombosit tedarik zincirine ihtiyaç olduğu ortaya çıkmaktadır. Trombositlerin sağlık hizmetlerindeki önemi, çabuk bozulabilirlikleri, sınırlı tedarikleri ve etkili trombosit tedarik zinciri, iyi yönetilen tam kan alma işlemlerine dayanmaktadır. Bu çalışmada, kan bağışı merkezlerinden (BDS) tam kan bağışlarının toplanmasına odaklanılan bir kan alma problemi (BCP) ele alınmaktadır. BCP'nin temel halinden farklı olarak, her bir kan toplama aracını (BCV) bir dizi BDS'lere atama varsayımını esnetmenin yanı sıra, kanın işlem süresi sınırını ve donörlerin keyfi bağış modellerini ele almaktayız. Bu nedenle, kümelenmemiş maksimum kan alma problemini (NC-MBCP) BCP'nin bir çeşidi olarak tanımlanmaktadır.Bu problemdeki amaç, BDS'lerden kan toplayan ve trombosit üretimi için kullanılamaz hale gelmeden önce bir merkezi işleme tesisine aktaran bir dizi BCV'yi kullanarak çok sayıda BDS'den toplanan toplam trombositleri maksimize etmektir. Bu çalışmada, problemin karmaşıklığında önemli bir artışla sonuçlanan BDS'lerden kümeleme gereksinimini esnetirken trombosit toplamaları için rotalama kararları incelenmektedir. Problemi çözmek için, problemin kümelenmiş varyantı için literatürdeki en iyi çözüm üzerinde önemli iyileştirmeler sağlayan bir hibrit genetik algoritma ve bir istilacı yabani ot optimizasyon algoritması önerilmektedir. Önerilen hibrit genetik algoritma ortalama %9,40 ve istilacı yabani ot optimizasyon algoritması ile ortalama %9,14 iyileştirme ile daha iyi performans göstermektedirler.