An Integrated Predictive Impact–Enhanced Process Mining Framework for Strategic Oncology Workflow Optimization: Case Study in Iran
Notice bibliographique
Résumé
Process Mining (PM) effectively diagnoses inefficiencies in complex healthcare workflows, such as chemotherapy protocols. However, current methodologies often remain retrospective or rely on loosely coupled simulations, leaving a critical methodological void: the inability to quantify the aggregate, system-wide operational impact of eliminating specific, diagnosed workflow deviations. This gap prevents decision-makers from forming evidence-based strategies for resource allocation. We address this by introducing the PM2–Predictive Impact Model (PIM) framework, a novel, fully embedded process-native methodology that unifies conformance checking, predictive monitoring, and quantitative scenario analysis within a singular, closed-loop structure. Using event logs from an Iranian Radiotherapy and Oncology Center, we modeled a normative seven-step pathway (Fitness = 0.97, Precision = 1.00) and identified high-impact deviations, including skipped approvals and resequencing, enabling a direct causal linkage between deviation categories and system performance. PIM simulation demonstrated that removing these deviations yields statistically significant reductions in managerially relevant KPIs: Cycle Time (8.00%) and Workload (6.00%), which were robust to parameter uncertainty (p < 0.001). The PM2–PIM framework thus transforms retrospective diagnosis into proactive, quantitatively justified strategic planning, providing oncology services with a reproducible, low-cost, and evidence-rich basis for prioritizing interventions and achieving sustained performance gains.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».