Observations on Surgical Demand Time Series
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
BACKGROUND: Surgical scheduling is complicated by both naturally occurring and human-induced variability in the demand for surgical services. Surgical demand time series are decomposed into periodic, lagged, and linear trends with frequent occurrences of nonconstant variations in mean and variance. The authors used time series methods to model surgical demand time series in order to improve the scheduling of scarce surgical resources. METHODS: With institutional approval, the authors studied 47,752 surgeries undertaken at a large academic medical center. They initially extracted periodic information from the time series using two frequency domain techniques: the harmonic F test and the multitaper test. They subsequently extracted lagged (correlated) behavior using a seasonal autoregressive integrated moving average model. Finally, they used moving variance filters on the residuals to identify variance in the time series that coincided with major US holidays. RESULTS: Linear terms such as periodic cycles, trends, and daily and weekly lags explained 80% of the variance in the raw time series. In the residuals, the authors used moving variance filters to detect nonlinear variance artifacts that correlated with surgical activities on specific US holidays. CONCLUSIONS: After extracting linear terms, the remaining variance was attributable to a combination of nonlinear and unexplained random events. The authors used the term holiday variance to describe a specific nonlinear disturbance in surgical demand attributable to statutory US holidays. Resolving these holiday variances may assist in management and scheduling of scarce surgical personnel and resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 0,002 |
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