Reducing Pediatric ED Length of Stay by Reducing Diagnostic Testing: A Discrete Event Simulation Model
Notice bibliographique
Résumé
Quality improvement efforts can require significant investment before the system impact of those efforts can be evaluated. We used discrete event simulation (DES) modeling to test the theoretical impact of a proposed initiative to reduce diagnostic testing for low-acuity pediatric emergency department (ED) patients. METHODS: We modified an existing DES model, built at another large, urban, academic pediatric ED, to forecast the impact of reducing diagnostic testing rates on mean ED length of stay (LOS). The modified model included local testing rates for Emergency Severity Index (ESI) 4 and 5 patients and additional processes defined by local experts. Validation was performed by comparing model output predictions of mean LOS and wait times to actual site-specific data. We determined the goal reduction in diagnostic testing rates using the Achievable Benchmark of Care methodology. Model output mean LOS and wait times, with testing set at benchmark rates, were compared to outputs with testing set at current levels. RESULTS: During validation testing, model output metrics approximated actual clinical data with no statistically significant differences. Compared to model outputs with current testing rates, the mean LOS with testing set at an achievable benchmark was significantly shorter for ESI 4 (difference 19.1 mins [95% confidence interval 12.2, 26.0]) patients. CONCLUSION: A DES model predicted a statistically significant decrease in mean LOS for ESI 4 pediatric ED patients if diagnostic testing is performed at an achievable benchmark rate compared to current rates. DES shows promise as a tool to evaluate the impact of a QI initiative before implementation.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».