Blockchain-IoT-Driven Nursing Workforce Planning for Effective Long-Term Care Management in Nursing Homes
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
Due to the global ageing population, the increasing demand for long-term care services for the elderly has directed considerable attention towards the renovation of nursing homes. Although nursing homes play an essential role within residential elderly care, professional shortages have created serious pressure on the elderly service sector. Effective workforce planning is vital for improving the efficacy and workload balance of existing nursing staff in today's complex and volatile long-term care service market. Currently, there is lack of an integrated solution to monitor care services and determine the optimal nursing staffing strategy in nursing homes. This study addresses the above challenge through the formulation of nursing staffing optimisation under the blockchain-internet of things (BIoT) environment. Embedding a blockchain into IoT establishes the long-term care platform for the elderly and care workers, thereby decentralising long-term care information in the nursing home network to achieve effective care service monitoring. Moreover, such information is further utilised to optimise nursing staffing by using a genetic algorithm. A case study of a Hong Kong nursing home was conducted to illustrate the effectiveness of the proposed system. We found that the total monthly staffing cost after using the proposed model was significantly lower than the existing practice with a change of -13.48%, which considers the use of heterogeneous workforce and temporary staff. Besides, the care monitoring and staffing flexibility are further enhanced, in which the concept of skill substitution is integrated in nursing staffing optimisation.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 découle