Meeting demand: A multi-method approach to optimizing hospital language interpreter staffing
Notice bibliographique
Résumé
Objective: The objective of this paper is to highlight a study on optimizing the full-time equivalent (FTE) for Spanish and Mandarin interpreters at Christiana Care Health System. In this study, there were multiple challenges that needed to be addressed, and a multi-method approach was taken.Methods: These methods include: (1) time-motion study to quantify interpreter workflow and variability of duration of time needed for each task; (2) an integer program to optimize the number of interpreters needed per hour based on historical demand patterns for interpreter services; (3) Discrete-Event Simulation (DES) to examine the use of agency interpreters in order to meet demand; (4) cost modelling to convert FTEs and the use of agency interpreters into overall costs to the hospital; and (5) sensitivity analysis to evaluate alternative number of interpreter FTEs and their corresponding costs to the hospital.Results: Overall cost to the hospital is predicted to decrease with additional FTE interpreters, up to a threshold level above which the cost will start to increase. Through this innovative methodology used in this paper, we predict that hiring 3.5 more FTEs for Spanish interpreters will result in 9.07% of cost savings, and predict that hiring one FTE for Mandarin interpreters will result in 25.87% in cost savings compared to the current expense of providing Mandarin language interpretation.Conclusions: Contrary to intuition, increasing number of FTEs results in cost savings. Besides the financial benefit, hospitals will also be able to ensure the quality of health services that Limited English Proficiency (LEP) patients and families receive.
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 | 0,003 |
| 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 | 0,001 |
| 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 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 ».