An Analytical Framework for Mental Healthcare Operations Management

Healthcare operations management is dedicated to enhancing the processes within health systems to optimize the quality of care and improve patient outcomes.This field's challenges take on greater complexity in mental healthcare.In response, I have designed an analytical framework for scrutinizing the effects of delivered care on psychiatric patient outcomes.This thesis comprises three distinct studies with the overarching themes of mental healthcare management.In the first study, I investigate the operational characteristics of hospitals contributing to the readmission of psychiatry patients, shortly after being discharged.I propose that the length of stay in the inpatient ward mediates the effects of hospital characteristics on the risk of readmission.I utilize a data set of about 15,000 psychiatry patients admitted to 25 hospitals in Quebec, Canada, using a probit model adjusted for endogeneity through instrumental variables to conduct a causal analysis.I illustrated that the number of patients admitted to a hospital annually, i.e., patient volume, increases the risk of readmission, whereas this risk reduces with the hospital specializing in certain diagnosis Abstract x classes, i.e., hospital focus.These relationships are moderated by patients' intensity of resource usage at the emergency department.Moreover, a nonlinear relationship between LOS and the risk of readmission is highlighted.In the second project, I apply a Difference-in-Differences (DID) framework to assess the causal effects of the COVID-19 pandemic on psychiatric patient outcomes.This study specifically examines changes in the probability of admission and the timing of return visits to the emergency department (ED), informed by a dataset tracking individual visits daily across a three-year span.The ED return time is the primary outcome of interest which is the time between two successive ED visits of a patient.This quantity can indicate the overall quality of care the patient receives in the ED visit.The analysis is segmented by various stages of the pandemic, with the Oxford COVID-19 Government Response Tracker (OxCGRT) providing insights into the impact of policy interventions.The results reveal that the pandemic reduced the ED return time of psychiatric patients by lowering their hospitalization likelihood.The study underscores the complex interplay between a reduction in ED visits, likely due to concerns of contracting the virus, and an increased demand for emergency psychiatric care as mental health crises intensified amidst pandemic conditions.In the third study, I explore the utilization of advanced interpretability techniques applied to deep learning models, particularly Bidirectional Encoder Representations from Transformers (BERT), to analyze psychiatric patient clinical notes for predicting 30-day readmissions in a single hospital.I illustrate how machine learning (ML) models can Abstract xi unravel insightful details within the unstructured data of clinical notes, aiding healthcare providers in understanding patient conditions and risks.More specifically, I illustrate how the ML algorithms predict the 30-day readmission likelihood of a patient by detecting the most influential words.Moreover, I highlight how this chapter can pivot towards the integration of text analytics approaches into hospital decision support systems and explore the potential of large language models (LLMs) to further refine the analysis of clinical narratives for more accurate patient outcome predictions.xii Abrégé La gestion des opérations de santé est dédiée à l'amélioration des processus au sein des systèmes de santé pour optimiser la qualité des soins et améliorer les résultats pour les patients.Les défis de ce domaine prennent une complexité plus grande dans le soin de santé mentale.En réponse, j'ai conçu un cadre analytique pour examiner les effets des soins délivrés sur les résultats des patients psychiatriques.Cette thèse comprend trois études distinctes avec pour thèmes principaux la gestion des soins de santé mentale.Dans la première étude, j'investigue les caractéristiques opérationnelles des hôpitaux contribuant à la réadmission des patients en psychiatrie, peu après leur sortie.Je propose que la durée du séjour dans le service d'hospitalisation médie les effets des caractéristiques de l'hôpital sur le risque de réadmission.J'utilise un ensemble de données d'environ 15 000 patients en psychiatrie admis dans 25 hôpitaux au Québec, Canada, en utilisant un modèle probit ajusté pour l'endogénéité à travers des variables instrumentales pour conduire une analyse causale.J'ai illustré que le nombre de patients admis annuellement dans un hôpital, c'est-à-dire, le volume de patients, augmente le risque de réadmission, tandis que ce risque Abrégé xiii diminue avec l'hôpital se spécialisant dans certaines classes de diagnostic, c'est-à-dire, le focus de l'hôpital.Ces relations sont modérées par l'intensité de l'utilisation des ressources par les patients au service des urgences.De plus, une relation non linéaire entre la durée de séjour et le risque de réadmission est mise en évidence.Dans le deuxième projet, j'applique un cadre de Différence dans les Différences (DID) pour évaluer les effets causaux de la pandémie de COVID-19 sur les résultats des patients psychiatriques.Cette étude examine spécifiquement les changements dans la probabilité d'admission et le timing des retours aux urgences (ED), informée par un ensemble de données suivant les visites individuelles quotidiennement sur une période de trois ans.Le temps de retour à l'ED est le principal résultat d'intérêt qui est le temps entre deux visites successives à l'ED d'un patient.Cette quantité peut indiquer la qualité globale des soins que le patient reçoit lors de la visite à l'ED.L'analyse est segmentée par diverses étapes de la pandémie, avec le Tracker de Réponse Gouvernementale COVID-19 d'Oxford (OxCGRT) fournissant des insights sur l'impact des interventions politiques.Les résultats révèlent que la pandémie a réduit le temps de retour à l'ED des patients psychiatriques en diminuant leur probabilité d'hospitalisation.L'étude souligne l'interaction complexe entre une réduction des visites à l'ED, probablement due aux préoccupations de contracter le virus, et une demande accrue pour les soins psychiatriques d'urgence alors que les crises de santé mentale s'intensifiaient dans les conditions de pandémie.Dans la troisième étude, j'explore l'utilisation de techniques d'interprétabilité avancées Abrégé xiv appliquées aux modèles d'apprentissage profond, en particulier les Représentations de l'Encodeur Bidirectionnel à partir de Transformateurs (BERT), pour analyser les notes cliniques des patients psychiatriques afin de prédire les réadmissions à 30 jours dans un seul hôpital.J'illustre comment les modèles d'apprentissage machine (ML) peuvent dévoiler des détails perspicaces au sein des données non structurées des notes cliniques, aidant les prestataires de soins de santé à comprendre les conditions et les risques des patients.Plus spécifiquement, j'illustre comment les algorithmes ML prédisent la probabilité de réadmission à 30 jours d'un patient en détectant les mots les plus influents.De plus, je souligne comment ce chapitre peut pivoter vers l'intégration des approches d'analyse de texte dans les systèmes de support décisionnel des hôpitaux et explorer le potentiel des modèles de langage de grande taille (LLMs) pour affiner davantage l'analyse des récits cliniques pour des prédictions de résultats des patients plus précises.xv

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.