From prediction to decision: Optimizing long‐term care placements among older delayed discharge patients
Notice bibliographique
Résumé
This study examines long‐term care (LTC) discharge planning among older delayed discharge patients. While awaiting placements in alternate care such as LTC, these patients occupy hospital beds despite not requiring an intensive level of care. This study proposes a novel discharge decision model based on the Markov decision process (MDP) framework, which incorporates predictions regarding the patients' health trajectory and the associated hospital costs. Our machine learning (ML)‐based predictive analytics allow for considering heterogeneous health transitions, hence personalized decision making, leading to valuable information for reducing hospital costs. We also develop data‐driven cost functions using patient characteristics to estimate the person‐level costs associated with the decisions in the optimization model, that is, whether or not to discharge a patient to LTC. The data analyses and cost estimations are based on large historical data collected over 13 years in Ontario, Canada. To solve the resulting high‐dimensional MDP models, we develop an index policy, where each patient's index value is calculated using their health complexity (comorbidity), sex, age, and acute length of stay in the hospital. Using extensive numerical experiments, we illustrate the superior performance of the proposed index policy against some benchmarking policies and demonstrate the significance of predictive information in optimizing discharge decisions. Our results also indicate that the value of predictive information increases with LTC bed availability and decreases with hospital capacity. We also demonstrate that with the anticipated exacerbating mismatch between supply and demand, targeted prediction‐driven discharge policies, such as the proposed index policy, become even more critical.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».