Vertical Patient Streaming in Emergency Departments
Notice bibliographique
Résumé
Tackling hospital emergency department (ED) overcrowding is a paramount challenge for healthcare systems. To combat this issue, an innovative approach is to identify patients who can be served vertically (i.e., in a seated position) and route them to a dedicated area termed the Vertical Processing Pathway (VPP). Successfully implementing this design requires understanding which patients should be routed to the VPP and when. Currently, the decision to leverage the VPP is made in an ad-hoc fashion. To assist our partner hospital and other EDs in capturing the value of the VPP, we develop a machine learning model that provides personalized risk scores predicting whether each arriving patient will need an ED bed. We use these scores as input to a stochastic patient flow model and analytically characterize the optimal VPP policy that minimizes length of stay. Employing simulation analyses, we identify settings in which our proposed VPP design is preferable in terms of operational performance to traditional ED flow approaches, such as “fast track” or “physician in triage.” Finally, we derive an interpretable VPP patient streaming protocol and conduct a before-and-after experiment where we leverage empirical analyses to evaluate the impact of integrating it in practice. The implemented protocol led to an 11-minute (4.2%) reduction in ED length of stay without any adverse effect on quality-of-care outcomes. This effect was statistically significant and remained robust after controlling for confounding factors and endogeneity. Our work results in a VPP protocol generalizable to other EDs, offering operational improvements without requiring additional resources.
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 | 0,002 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,001 |
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 ».