A data‐driven approach to determine daily platelet order quantities at hospitals
Notice bibliographique
Résumé
BACKGROUND: Determining the required daily number of platelet units in hospitals is a challenging task due to the high uncertainty in daily usage and short shelf life of platelets. STUDY DESIGN AND METHODS: We developed a linear prediction model to guide the daily ordering quantity of platelet units at a hospital that orders the required units from a central supplier. The predictive model relies on historical demand data and other information from the hospital's information system. The ordering strategy is to place an order at the end of each day to bring the platelet inventory to the predicted demand for the next day. Unlike typical prediction models, the quality of the predictions is measured with respect to the resulting inventory costs of wastage and shortage. We used data from two hospitals in Hamilton, Ontario from 2015 to 2016 to train our model and evaluated its performance based on the resulting wastage and shortage rates in 2017. RESULTS: In 2017, respectively 1915 and 4305 platelet units were transfused at the two hospitals, with daily average (SD) usage of 5.2 (3.7) and 11.8 (4.4). The expiry (estimated shortage) rates were 8.67% (13.86%), and 2.28% (8.48%) at the two hospitals, respectively. Our baseline model would have reduced the expiry (shortage) rates to 2.54% (4.01%) and 0.05% (0.44%) for the two hospitals, respectively. DISCUSSION: Guiding daily ordering decisions for platelets using our proposed model could lead to a significant reduction of wastage and shortage rates at hospitals.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».