Bottleneck detection for improvement of Emergency Department efficiency
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to introduce a method of the bottleneck detection for Emergency Department (ED) improvement using benchmarking and design of experiments (DOE) in simulation model. Design/methodology/approach – Four procedures of treatments are used to represent ED activities of the patient flow. Simulation modeling is applied as a cost-effective tool to analyze the ED operation. Benchmarking provides the achievable goal for the improvement. DOE speeds up the process of bottleneck search. Findings – It is identified that the long waiting time is accumulated by previous arrival patients waiting for treatment in the ED. Comparing the processing time of each treatment procedure with the benchmark reveals that increasing the treatment time mainly happens in treatment in progress and emergency room holding (ERH) procedures. It also indicates that the to be admitted time caused by the transfer delay is a common case. Research limitations/implications – The current research is conducted in the ED only. Activities in the ERH require a close cooperation of several medical teams to complete patients’ condition evaluations. The current model may be extended to the related medical units to improve the model detail. Practical implications – ED overcrowding is an increasingly significant public healthcare problem. Bottlenecks that affect ED overcrowding have to be detected to improve the patient flow. Originality/value – Integration of benchmarking and DOE in simulation modeling proposed in this research shows the promise in time-saving for bottleneck detection of ED operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle