A new approach to over-bedding in American healthcare: Statistical analysis and computer simulation of patient admission in a West Virginia state psychiatric hospital
Notice bibliographique
Résumé
Objective: To identify the factors that have a substantial impact on a West Virginia state psychiatric hospital’s bed occupancy by investigating historical admission data, and developing a computer simulation system to give insight into modifiable variables that reduce admission numbers, therefore to provide solutions to the over-bedding problem.Methods: Quantitative review of hospital admission data from January 2007 to November 2013 allowed for the construction of a simulation model to estimate the inpatient flow. The system’s performance was evaluated after alteration of selected parameters and variables.Results: The study revealed significant regional differences in admission numbers. The civil commitments and psychiatric hospitalizations do not directly correlate with county coverage populations. Some counties sent disproportionately more patients. Patients’ length of stay also varied among geographical areas. Re-admission was not uncommon. Using the percentage of diversion as the outcome measurement, the computer simulation model reconstructed the admission scenario multiple times, predicting that the diversion rate can be significantly reduced if certain variables (hospital capacity, patient arrivals from top referring counties, and patient length of stay) are changed.Conclusions: Involuntary admissions were unevenly distributed according to geography and population in the studied American state psychiatric hospital. Using historical data, computer simulations can model hospital admission systems to evaluate performance and predict needs for change.
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.
Comment cette classification a été obtenuedéplier
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».