A forecasting tool for a hospital to plan inbound transfers of COVID-19 patients from other regions
Notice bibliographique
Résumé
BACKGROUND: In April 2021, the province of Ontario, Canada, was at the peak of its third wave of the COVID-19 pandemic. Intensive Care Unit (ICU) capacity in the Toronto metropolitan area was insufficient to handle local COVID patients. As a result, some patients from the Toronto metropolitan area were transferred to other regions. METHODS: A spreadsheet-based Monte Carlo simulation tool was built to help a large tertiary hospital plan and make informed decisions about the number of transfer patients it could accept from other hospitals. The model was implemented in Microsoft Excel to enable it to be widely distributed and easily used. The model estimates the probability that each ward will be overcapacity and percentiles of utilization daily for a one-week planning horizon. RESULTS: The model was used from May 2021 to February 2022 to support decisions about the ability to accept transfers from other hospitals. The model was also used to ensure adequate inpatient bed capacity and human resources in response to various COVID-related scenarios, such as changes in hospital admission rates, managing the impact of intra-hospital outbreaks and balancing the COVID response with planned hospital activity. CONCLUSIONS: Coordination between hospitals was necessary due to the high stress on the health care system. A simple planning tool can help to understand the impact of patient transfers on capacity utilization and improve the confidence of hospital leaders when making transfer decisions. The model was also helpful in investigating other operational scenarios and may be helpful when preparing for future outbreaks or public health emergencies.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».