Optimization of medical radiation technologist schedules using advanced analytical tools
Notice bibliographique
Résumé
INTRODUCTION/BACKGROUND: Medical imaging departments are facing significant workforce challenges due to a shortage of medical radiation technologists (MRTs), leading to increased wait times and staff burnout. Traditional manual scheduling methods are time-consuming, prone to error, and contribute to staff dissatisfaction. To address these operational challenges and improve clinical workflow, a quality improvement initiative was undertaken to optimize MRT scheduling using advanced analytical tools. METHODS: A cost-constrained optimization model was developed using Microsoft Excel's Solver tool. Staffing data from the University Health Network (UHN) medical imaging department served as the basis for model design. Key constraints included staff availability, fairness in shift assignments, overtime cost minimization, and maximum consecutive shifts. The model incorporated full-time, casual, and agency staff, with an emphasis on equitable work distribution and cost control. RESULTS: The optimized scheduling model successfully created a fair, fully staffed 4-week schedule while minimizing costs. Full-time MRTs were assigned 40-hour work weeks without exceeding contractual limits, and agency and casual staff were effectively integrated to prevent overtime. The model reduced the time required to generate schedules and minimized common errors such as double-booking and uneven shift distribution. DISCUSSION: The use of an advanced analytical approach for MRT scheduling demonstrates a practical, scalable solution for healthcare organizations. By aligning shift assignments with operational demands and human resource principles, the initiative supports staff well-being, promotes workplace fairness, and contributes to improved patient care delivery. Importantly, this method is cost-effective and can be adapted to other clinical departments facing similar staffing and scheduling challenges. CONCLUSION: This quality improvement initiative highlights the potential for healthcare departments to leverage simple yet powerful optimization tools to enhance clinical operations. The successful implementation of an analytical scheduling model in a high-volume medical imaging department underscores the value of evidence-informed process improvements at the frontline of clinical practice.
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 | 0,002 | 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 | 0,001 |
| 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) | 0,003 | 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 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 ».