MétaCan
Menu
Retour à la cohorte
Enregistrement W2015086092 · doi:10.1108/01443571311307253

Appointment system design with interruptions and physician lateness

2013· article· en· W2015086092 sur OpenAlexaff
Kenneth J. Klassen, Reena Yoogalingam

Notice bibliographique

RevueInternational Journal of Operations & Production Management · 2013
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensBrock University
Organismes subventionnairesnon disponible
Mots-clésSession (web analytics)Computer scienceOperations managementHealth careScheduling (production processes)Variance (accounting)Variety (cybernetics)Operations researchBusiness

Résumé

récupéré en direct d'OpenAlex

Purpose Physician lateness and service interruptions are a significant problem in many health care environments but have received little attention in the literature. The purpose of this paper is to design appointment systems that reduce waiting times of the patient while maintaining utilization of the physician at a high level. Design/methodology/approach Empirical data from time studies and surveys of medical professionals from multiple outpatient clinics are used to motivate the study. Simulation optimization is used to simultaneously account for uncertainty and to determine (near) optimal scheduling solutions. Findings As lateness increases, it is shown that, in general, appointment slots should be shorter and pushed later in the session. Conversely, as interruptions rise, appointments in the middle of the session should be longer. These findings are fairly consistent over a variety of environmental conditions, including clinic sizes, service time variance, and costs of physician time compared to patients' time. Practical implications This paper demonstrates that the dome/plateau‐dome scheduling patterns that have been found in prior studies work well under many of the new factors modeled here. This is encouraging because it suggests that a generalizable pattern is emerging in the literature for the range of environments studied in these papers and this research provides guidance as to how to adjust the pattern to account for the factors studied here. In addition, it is shown that some environments will perform better with a different pattern, which the authors denote a “descending step” pattern. Originality/value This paper differs from most prior studies in that the complexity of environmental variables and stochastic elements of the model are simultaneously accounted for by the simulation optimization algorithm. The (very few) prior papers that have used simulation optimization have not addressed the factors studied here.

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)0,002
score de la tête « metaresearch » (Gemma)0,007
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 enseignants0,004
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,047
Tête enseignante GPT0,369
Écart entre enseignants0,322 · 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

Citations45
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Operations & Production ManagementMême sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207