MétaCan
Menu
Retour à la cohorte
Enregistrement W2810209100 · doi:10.1287/msom.2019.0771

Collaboration, Interruptions, and Changeover Times: Workflow Model and Empirical Study of Hospitalist Charting

2019· article· en· W2810209100 sur OpenAlexaff
Itai Gurvich, Kevin J. O’Leary, Lu Wang, Jan A. Van Mieghem

Notice bibliographique

RevueManufacturing & Service Operations Management · 2019
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueBusiness Process Modeling and Analysis
Établissements canadiensKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésHuman multitaskingWorkloadWorkflowChangeoverTask (project management)Computer scienceUnobservableDocumentationHospital medicineMedicineMedical emergencyPsychologyDatabase

Résumé

récupéré en direct d'OpenAlex

Problem definition: Collaboration is important in services but may lead to interruptions. Professionals exercise discretion on when to preempt individual tasks to switch to collaborative tasks. Academic/practical relevance: Discretionary task switching can introduce changeover times when resuming the preempted task and, thus, can increase total processing time. Methodology: We analyze and quantify how collaboration, through interruptions and discretionary changeovers, affects total processing time. We introduce an episodal workflow model that captures the interruption and discretionary changeover dynamics—each switch and the episode of work it preempts—present in settings in which collaboration and multitasking is paramount. A simulation study provides evidence that changeover times are properly identified and estimated without bias. We then deploy the model in a field study of hospital medicine physicians: “hospitalists.” The hospitalist workflow includes visiting patients, consulting with other caregivers to guide patient diagnosis and treatment, and documenting in the patient’s medical chart. The empirical analysis uses a data set assembled from direct observation of hospitalist activity and pager-log data. Results: We estimate that a hospitalist incurs a total changeover time during documentation of five minutes per patient per day. Managerial implications: This estimate represents a significant 20% of the total processing time per patient: caring for 14 patients per day, our model estimates that a hospitalist spends more than one hour each day on changeovers. This provides evidence that task switching can causally lead to longer documentation time.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,048
Score d'incertitude au seuil0,096

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,041
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0030,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,017
Tête enseignante GPT0,254
Écart entre enseignants0,237 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueManufacturing & Service Operations ManagementMême sujetBusiness Process Modeling and AnalysisTravaux en français237 207