Reducing endoscopic procedure backlog by improving efficiency: a predictive model and machine learning-based scheduling approach
Notice bibliographique
Résumé
Background: The COVID-19 pandemic led to a significant decrease in endoscopic procedure volumes, resulting in a backlog of patients awaiting investigation. Our study thus aimed to develop a machine learning-based scheduling tool to improve resource utilization, enhance system efficiency, and increase patient throughput, ultimately reducing procedural delays. Methods: In the first phase, machine learning methods were applied to historical data to predict procedure duration based on patient characteristics and environmental factors. In the second phase, a scheduling module was built using a greedy heuristic and a Mixed Integer Programming (MIP) model to optimize resource utilization. Results: We showed that among the tested models, an XGBoost regression model was selected with a mean absolute error of 5.67 minutes on the test set. The simulation results demonstrated that MIP increased the number of patients scheduled by 5.9% while reducing mean waiting time from 19.5 days to 17.3 days over a waiting list of 1,000 patients, evaluated within a 2-week period (10 working days). Simulations using real patient data showed that the MIP scheduled 8 more patients than the baseline. Numerical results confirmed higher resource utilization rates in adaptive schedules. Conclusions: Our study highlights the potential of a machine learning-based scheduling tool to enhance resource allocation, thus helping address backlogs in endoscopic procedures. Real-world clinical validation is now necessary to substantiate the tool's effectiveness. Future work should prioritize prospective data collection to refine the predictive model and seamlessly integrate the tool into clinical workflows, ensuring its practical utility and success.
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 | 0,002 | 0,002 |
| 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 | 0,001 | 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 ».