Developing a Novel Integrated Generalised Data Envelopment Analysis (DEA) to Evaluate Hospitals Providing Stroke Care Services
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
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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