Anesthesia Practice Shift Scheduling With a Generative Deep Learning Model
Notice bibliographique
Résumé
Anesthesiology scheduling techniques are inadequate to appropriately deal with modern anesthesia practice demands. Anesthesiologists are increasingly dissatisfied with their jobs in the face of inflexible schedules, increasing workload, and the complexity of practice. Decreasing autonomy and inherent responsibility lead to burnout and decreased job satisfaction. Unfortunately, equitable and timely shift scheduling that meets individual provider expectations remains a distant mirage. Technology has been promised as a means to decrease workload and improve productivity. But technology has not met these expectations. In real-world anesthesia practice, scheduling remains contentious and time-consuming. These failures are somewhat attributable to current scheduling systems and software. In this paper, we present an alternative method of anesthesiology shift scheduling using advances in machine learning (ML). The development of this deep learning (DL) model for shift scheduling drastically reduces the effort required to create shift schedules that comply with the rules and regulations observed by anesthesia practices. A DL model architecture is developed, trained with shift schedule data from the Reno-Tahoe Anesthesia (RTA) group, and evaluated against the practice requirements. The DL model trained and evaluated demonstrates a Matthews Correlation Coefficient (MCC) of 0.9776 and balanced accuracy of 0.9531. The trained model reliably learns practice scheduling rules sufficient to generate new shift schedules in compliance with the rules. Furthermore, the trained model learns practice rules solely from past examples without requiring a human expert to codify the rules.
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 | 0,001 | 0,001 |
| 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 | 0,002 | 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 ».