Finding the Waste: Parts Inventory Analysis Using Lean Methodology
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
During a 12-year period (2011-23), the number of staff in the Clinical Engineering (CE) Department at the Children's Hospital of Eastern Ontario (CHEO) increased from five to more than 20 biomedical equipment technicians/technologists. However, despite this increase in staff, processes did not evolve and procedures that used modern technological and shipping advances were not implemented. The absence of standardized procurement and inventory processes for parts created discrepancies between on-hand inventory and the computerized maintenance management system (CMMS). Owing to inaccurate CMMS information and unsystematic parts documentation, time and money were wasted. This situation led to a lack of confidence in CMMS data, causing staff disengagement, loss of accountability, and limited parts tracking. The current article describes a project that used Lean methodologies and use of the define, measure, analyze, improve, and control structure, including tools such as interviews, a survey, process mapping, and Gemba walks, to create a list of prioritized problems. A total of 16 problems were formulated, four of which were identified as prerequisites to be implemented regardless of prioritization. The four prerequisites described the scope of each problem and potential solutions. The goal of this process was to create a workflow that could save time and money while improving the morale of stakeholders involved in the parts procurement and inventory process.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle