MétaCan
Menu
Retour à la cohorte
Enregistrement W1993812576 · doi:10.1097/00000539-200201000-00026

Calculating a Potential Increase in Hospital Margin for Elective Surgery by Changing Operating Room Time Allocations or Increasing Nursing Staffing to Permit Completion of More Cases: A Case Study

2002· article· en· W1993812576 sur OpenAlexaff
Franklin Dexter, John T. Blake, Donald H. Penning, David A. Lubarsky

Notice bibliographique

RevueAnesthesia & Analgesia · 2002
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensSunnybrook Health Science CentreUniversity of TorontoHealth Sciences CentreDalhousie University
Organismes subventionnairesnon disponible
Mots-clésMedicineStaffingPerioperativeElective surgeryRevenueVariable costMargin (machine learning)Emergency medicineNursingSurgeryFinance

Résumé

récupéré en direct d'OpenAlex

UNLABELLED: Administrators routinely seek to increase contribution margin (revenue minus variable costs) to better cover fixed costs, provide indigent care, and meet other community service responsibilities. Hospitals with high operating room (OR) utilizations can allocate OR time for elective surgery to surgeons based partly on their contribution margins per hour of OR time. This applies particularly when OR caseload is limited by nursing recruitment. From a hospital's annual accounting data for elective cases, we calculated the following for each surgeon's patients: variable costs for the entire hospitalization or outpatient visit, revenues, hours of OR time, hours of regular ward time, and hours of intensive care unit (ICU) time. The contribution margin per hour of OR time varied more than 1000% among surgeons. Linear programming showed that reallocating OR time among surgeons could increase the overall hospital contribution margin for elective surgery by 7.1%. This was not achieved simply by taking OR time from surgeons with the smallest contribution margins per OR hour and giving it to the surgeons with the largest contribution margins per OR hour because different surgeons used differing amounts of hospital ward and ICU time. We conclude that to achieve substantive improvement in a hospital's perioperative financial performance despite restrictions on available OR, hospital ward, or ICU time, contribution margin per OR hour should be considered (perhaps along with OR utilization) when OR time is allocated. IMPLICATIONS: For hospitals where elective surgery caseload is limited by nursing recruitment, to increase one surgeon's operating room time either another surgeon's time must be decreased, nurses need to be paid a premium for working longer hours, or higher-priced "traveling" nurses can be contracted. Linear programming was performed using Microsoft Excel to estimate the effect of each of these interventions on hospital contribution margin.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Étude de cas · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,015
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,377
Écart entre enseignants0,328 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeÉtude de cas
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations102
Publié2002
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueAnesthesia & AnalgesiaMême sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207