Dynamic Capacity Allocation for Elective Surgeries: Reducing Urgency-Weighted Wait Times
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
Problem definition : Given the variety of urgency levels in highly utilized operating rooms, capacity allocation decisions can have a major impact on how wait times are rationed. We examine a longer-term sequential capacity planning problem in which a hospital allocates operating room time to different surgical specialties. We seek to minimize an urgency-weighted wait-time metric. Academic/practical relevance : Our data set on patient selection patterns revealed considerable noise in the queuing discipline. We apply an urn model to generate a probabilistic queuing discipline, which validates well against the selection patterns observed in practice. We believe that this model may prove to be useful for representing noisy queuing disciplines in other settings. Also, our validated simulation model, in combination with our proposed solution approach, demonstrates a substantial reduction in urgency-weighed wait times. Methodology : For representing the noisy queuing discipline, we fit a Wallenius noncentral hypergeometric distribution. We formulate the capacity allocation problem as a Markov decision process. The large state space and detailed system dynamics lead us to simulation-based dynamic programming approaches for finding good capacity allocation decisions. Rather than approximate the expected cost-to-go function, we propose a limited look-ahead policy and embed this in a rolling-horizon framework. Results : Our baseline model-based allocation policy yields a 14.3% reduction in urgency-weighed wait time compared with current practice. It also results in a 21.0% improvement in the number of patients treated within their urgency-based recommended wait-time limits. Managerial implications : In elective surgery settings, it may be important to ration capacity in a way that considers the different urgency levels of patients. We propose a flexible modeling approach for achieving this.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 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) | 0,001 | 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