Machine Learning to Improve Resident Scheduling: Harnessing Artificial Intelligence to Enhance Resident Wellness
Notice bibliographique
Résumé
Introduction: Excessive resident duty hours (RDH) is a recognized issue with implications for physician well-being and patient safety. A significant component of the RDH concern is on-call duty. While other industries have adopted machine learning models (MLMs) to optimize scheduling and employee well-being, medicine has lagged. This study aimed to investigate the use of MLMs to predict demand on orthopaedic residents to optimize scheduling. Methods: Daily surgical handover emails over an eight-year (2012-2019) period at a level I trauma centre were used to model demand on residents. Various MLMs were trained to predict the workload, with their results compared to the current approach. Quality of models was determined by using the area under the receiver operator curve (AUC) and accuracy. The top ten most important variables were extracted from the most successful model. Results: The reduction in orthopaedic resident shifts possible per annum was 24.7%. The most successful model during testing was the neural network (AUC: 0.81, accuracy: 73.7%). All models were better than the current approach (AUC: 0.50, accuracy: 50.1%). Key variables used by the neural network model were (descending order): spine call duty (y/n), year, weekday/weekend, month, and day of the week. Conclusion: This was the first study using MLMs to predict demand for orthopaedic residents at a major academic institution. All MLMs were more successful than the current scheduling approach. Future work should look to incorporate predictive models with optimization strategies, matching scheduling with demand to improve resident well-being and patient care.
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 | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».