Predicting Surgical Service Demands: A Modeling challenge using Administrative Data.
Notice bibliographique
Résumé
ObjectivePublicly funded healthcare delivery systems use projections to ensure the availability of adequate future service delivery. Planning cycles need to consider infrastructure, human resources, and other essential requirements with an adequate lead time. Projections are fraught with challenges due to multiple unknowns but new developments in modeling may be useful. ApproachWe explored the available data to determine the best approach to modeling surgical demand. The Manitoba Population Research Data Repository includes 90+ databases linkable at the person level over time. These include the population registry which includes all Manitobans registered for the universal healthcare benefit. Hospital discharge abstracts include over 20 relevant diagnoses (ICD10) and procedure codes for each admission. Medical services claims include all physician services provides with ICD 9CM codes. Fee-for-service physicians are paid based on these and alternate funded physicians are required to submit shadow claims. ResultsWe found 349,171 orthopedic procedures of which 18.1% were absent from the Medical claims files and 551,508 medical claims of which 27.5% lacked a corresponding hospital abstract. We also identified 230,717 ophthalmologic procedures in the hospital data of which 2.5% had no corresponding medical claim; of the 648,826 medical claims 66.2% had no matching hospital abstract. Resource requirements of procedures are reflected in the number and complexity of each procedure performed. Historical changes over time reflect changing demand (population growth and aging) balanced by available resources. Available resources cannot be predicted via modelling. The best fit based on the validation dataset was a Seasonal Autoregressive Integrated Moving Average model with a Mean Absolute Percentage Error (MAPE) of 5.327%. which translates to 94.7% accuracy. ConclusionDespite the limitations of modeling based on past behavior, we were able to predict surgical demand with 95% accuracy. These projections are valid partly due to the persistence of historical constraints through the validation period. Policies that address these service provision limitations would precipitate a need to adjust the model.
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 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».