MétaCan
Menu
Retour à la cohorte
Enregistrement W2969778366 · doi:10.1002/hpm.2887

Breast cancer treatment pathway improvement using time‐driven activity‐based costing

2019· article· en· W2969778366 sur OpenAlexaffabout
Véronique Nabelsi, Véronique Plouffe

Notice bibliographique

RevueThe International Journal of Health Planning and Management · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical practice guidelines implementation
Établissements canadiensUniversité du Québec en Outaouais
Organismes subventionnairesnon disponible
Mots-clésActivity-based costingTrajectoryCost driverComputer scienceProcess (computing)Health careBreast cancerWork (physics)Operations managementResource allocationResource (disambiguation)Cost accountingBusinessOperations researchCancerMedicineEconomicsEngineeringAccounting

Résumé

récupéré en direct d'OpenAlex

Time-driven activity-based costing (TDABC) is increasingly used to establish more accurate and time-dependent costs for complex health care pathways. We propose to extend this approach to detect the specific improvements (eg, lean methods) that can be introduced into a care process. We analyzed a care trajectory in radiation oncology for breast cancer patients at major Canadian urban hospital. This approach allowed us to identify the activities and resource groups related to the execution of each activity, and to estimate the execution time for each. Based on the model, we were able to extract financial data with which we could evaluate process costs. The total cost of the care trajectory was $2383.82 for 2015 to 2016. Out of a total of 1389 trajectories, only 268 were completed. The implementation of TDABC gives users a clearer idea of costs and encourages managers to understand how they break down over the course of a care trajectory. Once these costs are understood, decisions can be made regarding resource allocation and waste elimination, enabling lean methods to be implemented. The result is better reorganization of work by allocating resources differently, optimizing the care trajectory, and thereby reducing its costs.

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)0,006
score de la tête « metaresearch » (Gemma)0,026
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,097
Score d'incertitude au seuil0,193

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,026
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0060,007
Études des sciences et des technologies0,0010,000
Communication savante0,0030,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,178
Tête enseignante GPT0,491
Écart entre enseignants0,313 · 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

Citations14
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe International Journal of Health Planning and ManagementMême sujetClinical practice guidelines implementationTravaux en français237 207