A Network‐Based Formulation for Scheduling Clinical Rotations
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
We investigate the scheduling practices of a medical school that must assign a cohort of students to a series of clinical rotations, while respecting both operational and quality‐of‐service requirements. Students become available to start clerkship progressively throughout the year and can complete rotations at hospitals in different geographic regions. Each hospital may offer a subset of the clinical rotations, with different start dates, capacities, and cost rates. We propose a novel network‐flow model based on decision diagrams, a graphical structure that compresses the state space of a dynamic program, to model feasible schedules. We demonstrate that our network model has several interesting structural features, is computationally superior as compared to a classical mixed‐integer linear program, and can be used to generate useful insights that can aid in managerial decision‐making. Using a dataset collected from the American University of the Caribbean, we perform a counterfactual analysis which shows that had our scheduling approach been implemented, a cost reduction of approximately 19% on average could have been achieved. To understand how assignment decisions can affect future costs, we develop a discrete‐event simulation of the licensing examination and clerkship scheduling process. We then compare our exact scheduling approach with current practice and achieve an average cost reduction of 25%. We also show that this cost reduction is robust with respect to estimation and forecast uncertainty, specifically, the licensing exam failure rate and the future cohort size.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 découle