Data-Driven Bed Capacity Planning Using $M_t/G_t/\infty$ Queueing Models with an Application to Neonatal Intensive Care Units
Notice bibliographique
Résumé
Hospitals face challenges in long-term intensive care unit (ICU) capacity planning under uncertain demand. Admission rates fluctuate over time, and LOS distributions vary with patient heterogeneity, hospital location, case mix, and clinical practice. Common approaches rely on steady-state queueing models or heuristic rules with fixed parameters, which often fail to capture real occupancy dynamics. The widely used 85% occupancy rule, for example, recommends keeping average utilization below this level to preserve responsiveness, yet it is grounded in stationary assumptions and may lack resilience in time-varying systems. Our analysis shows that even when long-run utilization targets are satisfied, daily occupancy often exceeds 100% capacity. We propose a data-driven framework to estimate ICU bed occupancy using an $M_t/G_t/\infty$ queueing model with time-varying arrival rates and empirically fitted LOS distributions. The approach combines statistical decomposition and parametric fitting to capture temporal patterns in admissions and LOS, and is applied to multi-year data from neonatal ICUs (NICUs) in Calgary. We evaluate capacity scenarios including average-based thresholds and Poisson-based surge estimates. Results show that static heuristics are inadequate under fluctuating demand and underscore the importance of modeling LOS variability when estimating bed needs. Although the case study focuses on NICUs, the framework has potential applicability to other ICU settings and provides interpretable, data-informed support for systems facing rising demand and constrained capacity.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».