MétaCan
Menu
Retour à la cohorte
Enregistrement W2951953162 · doi:10.22059/imj.2018.255149.1007413

تعیین آمیخته بیماران و تخصیص ظرفیت به سرویسهای جراحی در بیمارستانها بهکمک شبیهسازی تبرید

2018· article· fa· W2951953162 sur OpenAlexaboutno aff

Notice bibliographique

RevueDOAJ (DOAJ: Directory of Open Access Journals) · 2018
Typearticle
Languefa
DomaineHealth Professions
ThématiqueHealthcare Operations and Scheduling Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSimulated annealingAnnealing (glass)Surgical proceduresComputer scienceOperations managementMathematical optimizationOperations researchBiomedical engineeringSurgeryMaterials scienceMathematicsAlgorithmMedicineEngineeringComposite material

Résumé

récupéré en direct d'OpenAlex

Objective: As a crucial industry,the health system needs both managerial and clinical knowledge to solve its problems. This research studies the strategic planning and capacity allocation in operating rooms considering planning and block scheduling strategies. And then, a combined model for determining the optimal case-mix planning and allocating capacity to surgical services is developed as a stochastic optimal programming to face with the uncertain demand for surgery. The purpose of this model is to minimize undesirable deviations including unsatisfied demand, services overutilization and inactive operating rooms. Methods: Because the problem is NP-hard in nature, determining the exact solution for real cases will be difficult exponentially. Therefore, a meta-heuristic simulated annealing algorithm is proposed. The results of the mathematical model using GAMS (COINBONMIN) and simulated annealing method, using MATLAB have been compared. Results: The samples have been extracted from a Canadian hospital with 9 surgical services, 110 surgeries, 16 operating rooms and 220 beds. To decrease the number of variables and solve the mathematic model, only a few services, surgeries and operating rooms have been selected. The number of operating rooms not underutilization as studied by both methods for all samples is zero – the optimal. The difference between the optimal values of the objective function obtained from the stochastic goal programming and the simulated annealing method for the samples lies within the range of [0/05, 0/6]. Conclusion: A stochastic goal programming model has been proposed to determine the number and composition of surgical operations and allocate capacity to surgical services with regard to uncertain demand. The idea of ​​the proposed model is that by changing the number and composition of surgical cases, undesirable deviations can be minimized

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,004
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Science ouverte, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesMéta-épidémiologie (sens strict), Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,107
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,004
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0060,001
Communication savante0,0030,006
Science ouverte0,0060,003
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0840,002

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 Opus0,534
Tête enseignante GPT0,688
Écart entre enseignants0,154 · 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

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

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDOAJ (DOAJ: Directory of Open Access Journals)Même sujetHealthcare Operations and Scheduling OptimizationTravaux en français237 207