Lean thinking by integrating with discrete event simulation and design of experiments: an emergency department expansion
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
BACKGROUND: Many management tools, such as Discrete Event Simulation (DES) and Lean Healthcare, are efficient to support and assist health care quality. In this sense, the study aims at using Lean Thinking (LT) principles combined with DES to plan a Canadian emergency department (ED) expansion and at meeting the demand that comes from small care centers closed. The project's purpose is reducing the patients' Length of Stay (LOS) in the ED. Additionally, they must be assisted as soon as possible after the triage process. Furthermore, the study aims at determining the ideal number of beds in the Short Stay Unit (SSU). The patients must not wait more than 180 min to be transferred. METHODS: , and, with the Design of Experiments (DoE), the optimal number of beds, seats, and resources for each shift was determined. Data collection and modeling were executed based on historical data (patients' arrival) and from some databases that are in use by the hospital, from April 1st, 2017 to March 31st, 2018. The experiments were carried out by running 30 replicates for each scenario. RESULTS: The results show that the emergency department cannot meet expected demand in the initial planning scenario. Only 17.2% of the patients were completed treated, and LOS was 2213.7 (average), with a confidence interval of (2131.8-2295.6) min. However, after changing decision variables and applying LT techniques, the treated patients' number increased to 95.7% (approximately 600%). Average LOS decreased to 461.2, with a confidence interval of (453.7-468.7) min, about 79.0%. The time to be attended after the triage decrease from 404.3 min to 20.8 (19.8-21.8) min, around 95.0%, while the time to be transferred from bed to the SSU decreased by 60.0%. Moreover, the ED reduced human resources downtime, according to Lean Thinking principles.
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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