MétaCan
Menu
Retour à la cohorte
Enregistrement W2129782357 · doi:10.12927/hcq.2011.22492

Enhancing Patient Flow in an Acute Care Hospital: Successful Strategies at the Juravinski Hospital

2011· article· en· W2129782357 sur OpenAlexaffabout
Bill Evans, Carol Potvin, Gail Johnson, Nancy Henderson, Ivan Yuen, Teresa Smith, Steve Metham, Susan Taylor, Daphne Sniekers

Notice bibliographique

RevueHealthcare Quarterly · 2011
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensHamilton Health SciencesHamilton General Hospital
Organismes subventionnairesnon disponible
Mots-clésAcute careBusinessQuality (philosophy)Patient careQuality managementOrder (exchange)NursingHealth careBest practiceMedical emergencyMedicineOperations managementProcess managementMarketingPolitical scienceEngineeringFinance

Résumé

récupéré en direct d'OpenAlex

ublicly funded healthcare institutions are faced with mounting pressure from the increasing burden of chronic illness in an aging population, new and expensive technologies and high public expectations. In Ontario, there is also a legislated requirement that hospitals balance their budgets while achieving or exceeding provincial targets for performance and quality. These competing pressures can be expected to continue and intensify. A 2006 report of the Ontario Health Quality Council emphasized the importance of managing patient flow in the hospital system using operations management concepts such as queuing, smoothing and simulation (Ontario Health Quality Council, 2006). However, the report did not provide specific guidance on how to achieve these improvements.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,080
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,028
Tête enseignante GPT0,356
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 tête enseignante, pas un consensus.

Devis d'étudeQualitatif
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

Citations11
Publié2011
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207