Validierung eines Kostenkalkulationsalgorithmus und Identifizierung von Kostentreibern
Notice bibliographique
Résumé
Neugeborenen-Intensivstationen (NICUs; Neonatal Intensive Care Units) verursachen mehr als 35 % der pädiatrischen Krankenhauskosten. Ein besseres Verständnis der Ausgaben auf NICUs kann helfen, Bereiche mit Verbesserungspotenzial zu identifizieren. Ziel dieser Studie war es, den Kostenberechnungsalgorithmus des Canadian Neonatal Network (CNN) für 7 Case-Mix-Gruppen mit den tatsächlichen Kosten einer tertiären NICU zu validieren und die Kostentreiber zu untersuchen. Fazit Den Autoren zufolge prognostiziert der CNN-Algorithmus die Gesamtkosten der NICU für 7 Case-Mix-Gruppen. Die Personalkosten machen 3 Viertel der krankenhausinternen Gesamtkosten aller Neugeborenen in der NICU aus. Sehr unreife Frühgeborene, die vor der 33. SSW geboren werden, beanspruchen den größten Teil der Ressourcen der NICU. Publication History Article published online: 25 February 2025 © 2025. Thieme. All rights reserved. Georg Thieme Verlag KG Oswald-Hesse-Straße 50, 70469 Stuttgart, Germany
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 | 0,042 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».