Applying health-six-sigma principles helps reducing the variability of length of stay in the emergency department
Notice bibliographique
Résumé
BACKGROUND: Reducing length of stay (LOS) is one of the urgent problems in healthcare systems worldwide. Popular methods that are used to reduce LOS are the Lean and the 6 Sigma, which in practice result in limited improvements. In this paper, we introduce and test a tailored method for implementing the 6 Sigma principles in healthcare (we call H-6S). OBJECTIVE: To reduce the variability in the time between admission and discharge of patients in the emergency department. METHODS: The study took place within the emergency department (ED) of Josephtal Medical Center in Eilat, Israel. Our analysis focused on the processes of examining and treating patients from admission to ED until discharge home. The analysis was done during the second quarter of 2018. The implementation of the recommendations took place during Q3 2018. The reported results are from Q3 2018 to Q2 2019, compared to the corresponding period in 2017 (experienced team). RESULTS: In Q2 2017, LOS was 2.42 ± 2.07 h (experienced team, n = 9928). In Q2 2018, the LOS was 2.62 ± 7.04 h (before the H-6S, inexperienced team, n = 9484). In Q2 2019 following the intervention, it reached 2.3 ± 1.74 h (n = 7647). The differences between the standard deviations of the three periods are significant. CONCLUSION: Implementing H-6S dropped the variance of LOS within 3 months and remained low for the whole year. Each new team of physicians who enter the ED should be thoroughly instructed as to the routines and expectations of the system from them, which should narrow the differences of previous education between them.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».