Optimization of preventive health care facility locations
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: Preventive health care programs can save lives and contribute to a better quality of life by diagnosing serious medical conditions early. The Preventive Health Care Facility Location (PHCFL) problem is to identify optimal locations for preventive health care facilities so as to maximize participation. When identifying locations for preventive health care facilities, we need to consider the characteristics of the preventive health care services. First, people should have more flexibility to select service locations. Second, each preventive health care facility needs to have a minimum number of clients in order to retain accreditation. RESULTS: This paper presents a new methodology for solving the PHCFL problem. In order to capture the characteristics of preventive health care services, we define a new accessibility measurement that combines the two-step floating catchment area method, distance factor, and the Huff-based competitive model. We assume that the accessibility of preventive health care services is a major determinant for participation in the service. Based on the new accessibility measurement, the PHCFL problem is formalized as a bi-objective model based on efficiency and coverage. The bi-objective model is solved using the Interchange algorithm. In order to accelerate the solving process, we implement the Interchange algorithm by building two new data structures, which captures the spatial structure of the PHCFL problem. In addition, in order to measure the spatial barrier between clients and preventive health care facilities accurately and dynamically, this paper estimates travelling distance and travelling time by calling the Google Maps Application Programming Interface (API). CONCLUSIONS: Experiments based on a real application for the Alberta breast cancer screening program show that our work can increase the accessibility of breast cancer screening services in the province.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle