A complexity-based measure for emergency department crowding
Notice bibliographique
Résumé
Purpose Overcrowding continues to afflict emergency departments (EDs), and its attendant consequences are becoming increasingly severe. The burden of the COVID-19 pandemic is further escalating the situation worldwide. One of the most critical questions is how to adequately quantify what constitutes overcrowding and determine implications for operations management in improving service efficiency. This paper aims to discuss the aforementioned. Design/methodology/approach The authors propose the time and class complexity measures for ED service systems, taking into account important patient-level and system characteristics. Using an extensive data set from a Canadian ED, the authors investigate the performance of complexity-based measures in predicting service delays. Findings The authors find that the complexity measure is potentially more important than some well-known crowding metrics. In particular, EDs can improve service efficiency by managing the level of complexity within a desirable interval. Furthermore, complexity exposes how the interplay between demand-side behavioral changes and supply-side responses affects operational performance. Moreover, the results suggest that arrival patterns—the number of patients of each class arriving per time and times between events (arrivals and service completions)—increase the risk of service delays more than the demand volume. Originality/value This paper is the first to provide an extensive investigation into the application of the complexity-based measure for ED crowding. The study demonstrates potential values to be gained in ED service systems if complexity measure is incorporated into their operations management decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».