Modeling daily veterinary anesthetist patient care hours and probabilities of exceeding critical thresholds
Notice bibliographique
Résumé
OBJECTIVE: Use a referral dental clinic model to study how to calculate accurate 95% upper confidence limits for probabilities of workloads (total case duration, including turnover time) exceeding allocated times. ANIMALS: Dogs and cats undergoing dental treatments. METHODS: Managerial data (procedure date and duration) collected over 44 consecutive operative workdays were used to calculate the daily anesthetist workload. Workloads were compared with a normal distribution using the Shapiro-Wilk test, serial correlation was examined by runs test, and comparisons among weekdays were made using the Kruskal-Wallis test. The 95% confidence limits for normally distributed workloads exceeding allocated times were estimated with a generalized pivotal quantity. The impact of a number of procedures was assessed with scatterplots, Pearson linear correlation coefficients, and multivariable linear regression. RESULTS: Mean anesthetist's workload was normally distributed (Shapiro-Wilk P = .25), without serial correlation (P = .45), and without significant differences among weekdays (P = .52). Daily workload, mean 9.39 hours and SD 3.06 hours, had 95% upper confidence limit of 4.47% for the probability that exceeding 16 hours (ie, 8 hours per each of 2 tables). There was a strong positive correlation between daily workload and the end of the workday (r = .85), significantly larger than the correlation between the end of the workday and the number of procedures (r = .64, P < .0001). CLINICAL RELEVANCE: There are multiple managerial applications in veterinary anesthesia wherein the problem is to estimate risks of exceeding thresholds of workload, including the costs of hiring a locum, scheduling unplanned add-on cases, planning for late discharge of surgical patients to owners, and coordinating anesthetist breaks.
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 | 0,002 | 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 | 0,001 | 0,001 |
| 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 | 0,000 |
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 ».