MétaCan
Menu
Retour à la cohorte
Enregistrement W2006690339 · doi:10.5430/jha.v3n6p205

A modular simulation study to improve patient flow to inpatient units in the emergency department

2014· article· en· W2006690339 sur OpenAlexvenueno aff
Shaghayegh Norouzzadeh, Joseph Garber, Melonie Longacre, Salaahuddin Akbar, Nancy Riebling, Robin Clark

Notice bibliographique

RevueJournal of Hospital Administration · 2014
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésOvercrowdingWorkflowEmergency departmentDiscrete event simulationModular designProcess (computing)Operations managementComputer scienceMedical emergencyEvent (particle physics)Patient satisfactionMedicineEmergency medicineSimulationEngineeringNursing

Résumé

récupéré en direct d'OpenAlex

In this study, a modular discrete event simulation (computer modeling) has been presented to support process improvements in a hospital’s emergency department (ED) to streamline admitted patient flow to inpatient units. Because the ED in this study has less than 10 beds, unnecessary occupation of beds affects the patient wait time dramatically. Additionally, ED overcrowding diminishes the quality of care, increases costs, and decreases employee and patient satisfaction. The modular simulation model evaluated the effectiveness of several recommended workflow improvements, resulting from comprehensive statistical analysis, based on their impact on cycle time and time traps in the process. The results suggested that, to ensure better efficiency and optimal cycle time, all of the suggested workflow improvements should be implemented simultaneously. The model also suggested that achieving customer satisfaction is possible 96.26% of the time with the current resource allocations in the ED.

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)0,001
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,036
Tête enseignante GPT0,394
Écart entre enseignants0,358 · 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'étudeSimulation ou modélisation
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

Citations16
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Hospital AdministrationMême sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207