Operations Research to Solve Kidney Allocation Problems: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Operations research techniques enable health care administrators to optimize resource allocation and to find solutions to staff and patient scheduling problems. We aimed to conduct the first systematic review of the international literature on the use of operations research for allocating deceased-donor kidneys. METHODS: We searched the MEDLINE, EMBASE, and PubMed databases from inception to February 2023. Two reviewers independently screened the title/abstract and subsequently the full text of potentially eligible articles and abstracted the data. Quality assessment of the final set of studies was conducted using Subben's checklist. RESULTS: Of the 302 citations identified, 5 studies were included. These studies covered three themes, including (1) provider-facing decision aids to determine the timing of transplant for single or multiple patients; (2) system-level planning on kidney allocation based on blood type matching rules; and (3) patient-facilitated wait times estimation using incomplete information. Markov models, sequential stochastic assignment models, and queuing models were amongst the most used techniques. Although we found all included studies to meet Subben's criteria, we believe the checklist in its current form lacks items to assess the validity of model inferences. As such, we ended this review with a set of practical recommendations. CONCLUSIONS: Our review demonstrated the utility of operations research techniques in assisting the system, healthcare providers, and patients in the transplantation process. More research is needed to reach a consensus on a model that can be used to support the decision-making of different stakeholders for efficient kidney allocation, with the ultimate goal of reducing the gap between kidney supply and demand and enhancing the population's well-being.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,004 |
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 ».