MétaCan
Menu
Retour à la cohorte
Enregistrement W4386442901 · doi:10.1038/s41598-023-40149-x

Complexity measure based on sensitivity analysis applied to an intensive care unit system

2023· article· en· W4386442901 sur OpenAlexaff
João R. B. Paiva, Viviane Margarida Gomes Pacheco, Poliana S. Barbosa, Fabiana R. Almeida, Gabriel Wainer, Flavio A. Gomes, A. Paulo Coimbra, Wesley Pacheco Calixto

Notice bibliographique

RevueScientific Reports · 2023
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueComplex Systems and Decision Making
Établissements canadiensCarleton University
Organismes subventionnairesFundação para a Ciência e a TecnologiaDivision of Graduate EducationInstituto Federal GoiásConselho Nacional de Desenvolvimento Científico e TecnológicoCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésQueueRobustness (evolution)Computer scienceMetric (unit)Sensitivity (control systems)Measure (data warehouse)Computational complexity theoryIntensive careIntensive care unitReal-time computingData miningAlgorithmMedicineIntensive care medicineOperations managementComputer networkBiologyEngineering

Résumé

récupéré en direct d'OpenAlex

This work proposes a system complexity metric and its application to Intensive Care Unit (ICU) system. The methodology for applying said complexity metric comprises: (i) parameters sensitivity indices calculation, (ii) mapping connections dynamics between system components, and (iii) system's complexity calculation. After simulating the ICU computer model and using the proposed methodology, we obtained results regarding: number of admissions, number of patients in the queue, length of stay, beds in use, ICU performance, and system complexity values (in regular or overloaded operation). As the number of patients in the queue increased, the ICU system complexity also increased, indicating a need for policies to promote system robustness.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,002
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,259
Tête enseignante GPT0,404
Écart entre enseignants0,145 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetComplex Systems and Decision MakingTravaux en français237 207