Relieving emergency department crowding: Simulating the effects of improving patient flow over time
Notice bibliographique
Résumé
Background: Emergency Departments (ED) are challenged with excess demand for services and inadequate system capacity.Crowding at two independent EDs within a health system prompted an examination of the potential effects of improving patientthroughput. The objective of this study was to determine the effects of reducing ED dwell time on temporal patterns of patientflow and demand for ED resources.Methods: Separate discrete event simulation (DES) models were developed for the EDs of a 1,000-bed urban medical centerand a 560-bed community medical center using patient flow information. These models characterized the effects of reducingpatient dwell time on ED care area census (i.e., staffing needs), waiting room census, total length of stay (LOS) and waiting time. Dwell time was defined as the time interval from when a patient entered the main ED care area to when the patient exited the ED by discharge or hospital admission. Total LOS is defined as the entire time interval from ED from arrival to exit (includingwaiting time).Results: DES results for each site demonstrate how natural patient arrivals and common hospital admission processes generatecommon temporal patterns of decreased crowding. Improving flow translates to most substantial reductions in waiting timeand waiting room census during evening hours (17:00 to 22:00 hours). Significant effects on ED care area census and staffingdemands are lagged, not occurring until overnight hours (2:00 to 8:00 hours). We reduced patient dwell time in 5% incrementswithin the urban ED (16.2 min) and community ED (13.5 min) from 5% to 15%. For example, a 10% decrease in dwell timeat the urban ED (32.4 min) and community ED (27.0 min) resulted in respective decreases in evening waiting room census by49% (10.8 patients) and 26% (3.5 patients) during evening hours and ED care area census by 16% (3.6 patients) and 11% (2.0patients) overnight.Conclusions: DES results suggest that increasing ED efficiency will most significantly decrease delays experienced by eveningarrivals and provide opportunities to decrease care area census and reduce staff overnight.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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) | 0,000 | 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 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 ».