Preventative maintenance and unscheduled downtime from an economic perspective
Notice bibliographique
Résumé
A spreadsheet-based model for economically characterizing the operation of a radiation treatment program has been used to perform a quantitative financial analysis of scheduled and unscheduled downtime. The incremental cost of downtime is broken down into three categories: remuneration of in-house or third party service technologists, decreased patient capacity, and local operating procedures for dealing with downtime. Different service arrangements and operating procedures are simulated to demonstrate the financial cost of treatment machine unavailability due to either preventative maintenance or unexpected breakdown. Depending on the service arrangement and operating policies for accommodating downtime, the combined cost of scheduled and unscheduled downtime (at 5%) can exceed 10% of the total cost of the radiation treatment program. It has also been demonstrated that the greatest cost component of downtime is decreased patient capacity, which can exceed $400,000 (CAN) when unscheduled downtime reaches 5%. The interpretation of this cost depends on the funding environment. Although the emphasis of this study has been the financial consequences of downtime, there are other factors which must be considered when developing policies and procedures for accommodating downtime such as effects on treatment, patient convenience and quality of life for staff. Even though the numerical results are strictly valid only within the context of the simulations performed, they do provide a broad framework within which medical physicists can make recommendations regarding service support and downtime.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».