Forecasting Institutional LINAC Utilization in Response to Varying Workload
Notice bibliographique
Résumé
ObjectivesPandemics, natural disasters, and other unforeseen circumstances can cause short-term variation in radiotherapy utilization. In this study, we aim to develop a model to forecast linear accelerator (LINAC) utilization during periods of varying workloads. Methods: Using computed tomography (CT)-simulation data and the rate of new LINAC appointment bookings in the preceding week as input parameters, a multiple linear regression model to forecast LINAC utilization over a 15-working day horizon was developed and tested on institutional data. Results: Future LINAC utilization was estimated in our training dataset with a forecasting error of 3.3%, 5.9%, and 7.2% on days 5, 10, and 15, respectively. The model identified significant variations (≥5% absolute differences) in LINAC utilization with an accuracy of 69%, 62%, and 60% on days 5, 10, and 15, respectively. The results were similar in the validation dataset with forecasting errors of 3.4%, 5.3%, and 6.2% and accuracy of 67%, 60%, and 58% on days 5, 10, and 15, respectively. These results compared favorably to moving average and exponential smoothing forecasting techniques. Conclusions: The developed linear regression model was able to accurately forecast future LINAC utilization based on LINAC booking rate and CT simulation data, and has been incorporated into our institutional dashboard for broad distribution. Advances in knowledge: Our proposed linear regression model is a practical and intuitive approach to forecasting short-term LINAC utilization, which can be used for resource planning and allocation during periods with varying LINAC workloads.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».