Innovative use of operational tools to improve care delivery for the uninsured ESRD patients and to inform healthcare policy-makers
Notice bibliographique
Résumé
End-stage renal disease (ESRD) is a direful diagnosis for which regular (i.e., periodically scheduled) dialysis is typically the only immediate and accessible treatment. ESRD patients who are uninsured are in a high-risk category as they do not have access to regular treatment and have to rely on safety-net hospitals, funded by county governments, for access to dialysis. Since no national funding provides scheduled dialysis to this population, their only option is to seek dialysis under “emergency” conditions. These conditions are such that without urgent medical attention in the Emergency Room (ER), the patient’s life is under threat. Hence, ER serves as a screening stage for gaining access to regular dialysis by the uninsured, and the resulting practice is known as “compassionate dialysis,” a type of emergent dialysis treatment frequently offered at county hospitals serving uninsured ESRD patients. For a typical compassionate dialysis practice, existing county policy is such that patients are subject to a screening protocol upon arrival in the ER. The protocol serves to assess the severity of the patients’ condition in the ER, and, hence, a certain fraction of the patients may not be offered treatment, i.e., these patients have to revisit the hospital at a later time, potentially within a few hours due to the nature of the underlying disease. The fraction of patients not offered the treatment is referred to as the screening threshold. As documented in the literature, the practice is costly and leads to significant congestion and treatment delays. Motivated by a real-life compassionate dialysis practice, we employ process flow mapping to gain a better understanding of the patient flow and identify inefficiencies and bottlenecks caused by the screening protocol of the existing county policy. We use simulation modeling to examine and estimate various system and patient-oriented metrics as a function of stochastic arrival rates and service times. Our eventual goal is to explore and analyze two proposals as alternatives to the current practice: one modifies the existing screening threshold based on the available capacity, and the other schedules and consolidates the future revisits of patients. We analyze and compare the effectiveness of both proposals using simulation optimization approaches. Ultimately, our goal is to propose solutions for alleviating congestion and treatment delays, and to inform hospital administrators and policy-makers about such solutions.
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 | 0,047 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,014 | 0,015 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,004 |
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 ».