Planning Capacity for Mental Health and Addiction Services in the Emergency Department: A Discrete-Event Simulation Approach
Notice bibliographique
Résumé
Ontario has shown an increasing number of emergency department (ED) visits, particularly for mental health and addiction (MHA) complaints. Given the current opioid crises Canada is facing and the legalization of recreational cannabis in October 2018, the number of MHA visits to the ED is expected to grow even further. In face of these events, we examine capacity planning alternatives for the ED of an academic hospital in Toronto. We first quantify the volume of ED visits the hospital has received in recent years (from 2012 to 2016) and use forecasting techniques to predict future ED demand for the hospital. We then employ a discrete-event simulation model to analyze the impacts of the following scenarios: (a) increasing overall demand to the ED, (b) increasing or decreasing number of ED visits due to substance abuse, and (c) adjusting resource capacity to address the forecasted demand. Key performance indicators used in this analysis are the overall ED length of stay (LOS) and the total number of patients treated in the Psychiatric Emergency Services Unit (PESU) as a percentage of the total number of MHA visits. Our results showed that if resource capacity is not adjusted, ED LOS will deteriorate considerably given the expected growth in demand; programs that aim to reduce the number of alcohol and/or opioid visits can greatly aid in reducing ED wait times; the legalization of recreational use of cannabis will have minimal impact, and increasing the number of PESU beds can provide great aid in reducing ED pressure.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».