Evaluating post‐earthquake functionality and surge capacity of hospital emergency departments using discrete event simulation
Notice bibliographique
Résumé
Past earthquakes have illustrated the impacts of reduced hospital functionality due to physical damage resulting in a health service deficit immediately after a major seismic event. In this article, a methodology was developed to quantify the deficit in health care anticipated due to a loss of functionality of a hospital emergency department (ED) and a surge in demand due to regional damage in an earthquake scenario. Earthquake‐induced patient arrivals were calculated using multi‐severity casualty estimation for the catchment area of the hospital. The surge in patients (demand) was then compared to the ability of the hospital to treat patients (capacity) based on anticipated functionality. Nonlinear response history analysis of the hospital building was performed using simplified structural models, and the structural and non‐structural component damage was estimated based on FEMA P‐58. Expected damage was linked to the post‐earthquake functionality of the ED service areas on each floor by incorporating the fault‐tree analysis method. Finally, discrete event simulation was used to evaluate the ED surge capacity, providing hospital performance metrics, such as wait times (WTs) and length of stay (LOS) for patients of ranging acuity. A case study of a hospital in the City of Vancouver subjected to an M w 9.0 Cascadia Subduction Zone scenario earthquake was presented. Emergency rooms (ERs) were identified as the ED bottleneck during the emergency response. The mean ER WT exceeded its limit of 2 h and reached up to 17 h in the most unfavorable simulation. Likewise, the mean LOS nearly doubled from 6.5 to 12 h, also exceeding the established target of 10 h. The deployment of field hospitals for less severe patients as an emergency plan to mitigate the ED overcrowding was also analyzed to demonstrate that the methodology can be used as a decision support tool to improve healthcare disaster planning.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».