Developing a Novel Integrated Generalised Data Envelopment Analysis (DEA) to Evaluate Hospitals Providing Stroke Care Services
Notice bibliographique
Résumé
Stroke is the biggest cause of adult disability and the third biggest cause of death in the US. Stroke is a medical emergency, and the treatment given in the early hours is important in shaping the patient's long-term recovery and prognosis. Despite the fact that substantial attention has been dedicated to this complex and difficult issue in healthcare, novel strategies such as operation research-based approaches have hardly been used to deal with the difficult challenges associated with stroke. This study proposes a novel approach with data envelopment analysis (DEA) and multi-objective linear programming (MOLP) in hospitals that provide stroke care services to select the most efficient approach, which will be a new experiment in literature perception. DEA and MOLP are widely used for performance evaluation and efficiency measurement. Despite their similarities and common concepts, the two disciplines have evolved separately. The generalised DEA (GDEA) cannot incorporate the preferences of decision-makers (DMs) preferences and historical efficiency data. In contrast, MOLP can incorporate the DM's preferences into the decision-making process. We transform the GDEA model into MOLP through the max-ordering approach to (i) solve the problem interactively; (ii) use the step method (STEM) and consider DM's preferences; (iii) eliminate the need for predetermined preference information; and (iv) apply the most preferred solution (MPS) to identify the most efficient approach. A case study of hospitals that provide stroke care services is taken as an example to illustrate the potential application of the proposed approach method.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 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 ».