Increased Surgical Capacity without Additional Resources: Generalized Operating Room Planning and Scheduling
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
We study a generalized operating room planning and scheduling (GORPS) problem at the Toronto General Hospital (TGH) in Ontario, Canada. GORPS allocates elective patients and resources (i.e., operating rooms, surgeons, anesthetists) to days, assigns resources to patients, and sequences patients in each day. We consider patients’ due‐date, resource eligibility, heterogeneous performances of resources, downstream unit requirements, and lag times between resources. The goal is to create a weekly surgery schedule that minimizes fixed‐ and over‐time costs. We model GORPS using mixed‐integer and constraint programming models. To efficiently and effectively solve these models, we develop new‘ multi‐featured logic‐based Benders decomposition approaches. Using data from TGH, we demonstrate that our best algorithm solves GORPS with an average optimality gap of 2.71% which allows us to provide our practical recommendations. First, we can increase daily OR utilization to reach 80%—25% higher than the status quo in TGH. Second, we do not require to optimize for the daily selection of anesthetists—this finding allows for the development of effective dominance rules that significantly mitigate intractability. Third, solving GORPS without downstream capacities (like many papers in literature) makes GORPS easier to solve, but such OR schedules are only feasible in 24% of instances. Finally, with existing ORs’ safety capacities, TGH can manage 40% increase in its surgical volumes. We provide recommendations on how TGH must adjust its downstream capacities for varying levels of surgical volume increases (e.g., current urgent need for more capacity due to the current Covid‐19 pandemic).
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