Master Surgical Schedule Planning to Reduce Variability in Post-Operative Ward Bed Demand
Notice bibliographique
Résumé
Abstract Peaks in patients’ demand for inward hospitalization usually lead to disruptions in the provision of healthcare, having negative effects on patient and staff satisfaction. The two main sources of ward bed demand are the emergency department and the surgical center; while the former is random by nature, the latter may be managed through proper allocation of surgical specialties to time slots (or blocks) in the center’s timetable (or Master Surgical Schedule – MSS), and efficient scheduling of surgical procedures within time slots across specialties. We propose a three-step method to design an MSS timetable. In step 1, we mine historical data to determine the average duration of surgical procedures and the average length of stay in wards required by each surgical specialty. In step 2, we use a genetic algorithm to determine a good quality timetable that minimizes the ward bed demand variability overall specialties. In step 3, we approximate the new timetable to the one currently in use at the hospital through a refinement heuristic. Our propositions were tested using data from a tertiary public teaching hospital. The resulting timetable reduced post-operative ward bed demand variability by 99.9%, keeping 97% of surgical specialties allocated in their original slots. To the best of our knowledge, this is the first method for long-term MSS design that reduces post-operative ward bed demand variability and changes in allocations in the current surgical center’s timetable. We innovate by considering the hospital's current timetable to search for solutions promoting minimum changes to the surgical center’s operation.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».