Towards a systematic approach to resource optimization management in the healthcare domain
Notice bibliographique
Résumé
Increasing patient demand, constrained physical resources, and a rising cost of operations are imperative concerns in healthcare management which require improvements to the way medical services are provided to the public.The urgency of the problem in Ontario, Canada has forced the Provincial Government to put a plan in place to increase access and reduce wait times for major health services including cancer surgery, cardiac procedures, cataract surgery, hip and knee replacements, general surgery, paediatric surgery, and MRI and CT exams (Ontario, 2008).The main directives of the plan include four goals: Operations of the Image Guided Therapy (IGT) Department of the Hospital for Sick Children ("SickKids"), Toronto, Canada have been taken as a sample object in the study.The IGT department provides valuable diagnostic and therapeutic data using procedures that involve different forms of anesthesia or sedation administered to the patients (Khaiter et al., 2015).The study demonstrated that none of the investigated optimization algorithms was able to minimize the IGT schedules with regard to all selected time-based performance criteria.Each algorithm generated schedules which are more efficient from the perspective of a single performance indicator, but not optimal for the others.It is reasonable to assume that specific features of the IGT department (i.e., multi-server environment and variable-length blocks) make the optimization of heir scheduling a complex non-trivial problem requiring a hybrid approach that combines several optimization techniques.
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 | 0,042 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,008 |
| Communication savante | 0,013 | 0,009 |
| Science ouverte | 0,005 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».