How many patients can each surgeon have on their waiting list and still treat them all in time?
Notice bibliographique
Résumé
Objective: In many advanced economies patients wait on elective surgery waiting lists longer than clinically recommended times. This results from either a demand and capacity differential or challenges with the chronological management of patient bookings. This paper describes a novel algorithm that calculates elective surgery capacity and demand imbalances at a surgeon and urgency category level.Methods: An algorithm was developed that is surgeon-specific, sensitive to clinical urgency, relates to patient- and procedure level, and is scalable, dynamic and efficient. The novel measure designated the “Nominal Waiting List Maximum”, uses historic waiting list removal rates to approximate waiting list capacity at a surgeon- and urgency category-level. This measure can then be compared to the actual patients on each surgeon’s waiting list for each urgency category at a given point in time to measure imbalances.Results: In 2014, the algorithm was automated and implemented across a large Hospital and Health Service (HHS), in QLD, Australia, within an analytics solution. The solution extracts current and historic elective surgery waiting list episode-level data from underlying repositories and calculates “Nominal Waiting List Maximum” for every surgeon at an urgency category level with daily data flows.Conclusions: The solution helped the large tertiary hospital group to identify demand and capacity imbalances at a surgeon and urgency category level to improve theatre session allocations. With the aid of this measure, the HHS achieved zero patients waiting longer than clinically recommended times and was able to hold this position for more than 2 years demonstrating the value of this algorithm. The solution was subsequently rolled out to 55 hospitals across QLD, Australia and anonymised views provided to the hospitals’ governing body.
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 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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».