Délais dans l’octroi des congés en neuro-oncologie : utilisation d’une approche inspirée des méthodes Lean Six Sigma pour en déterminer les causes internes
Bibliographic record
Abstract
La procédure de planification des congés a des répercussions sur les patients et leur famille, les fournisseurs de soins de santé et les organisations en général. Les délais dans l’octroi des congés peuvent amoindrir les résultats obtenus pour les patients, accroître la consommation des ressources et perturber de façon générale le roulement des patients dans le service. Un projet d’amélioration de la qualité faisant appel à une approche Lean Six Sigma a été mené pour déterminer les causes internes des délais, dans un service de neurochirurgie, dans l’octroi du congé aux patients ayant récemment reçu un diagnostic de gliome de haut grade (GHG). Ces causes tournaient autour du thème de la communication, les principaux sous-thèmes relevés étant les réunions d’étude de cas multidisciplinaires, les disparités dans les messages livrés aux patients et à leur famille, ainsi que les divergences d’opinions entre les membres de l’équipe, qui compromettent la clarté des plans. Les conclusions de ce projet pourraient aider à faire la promotion d’une communication plus efficace qui permettra un octroi de congé rapide et sûr aux patients soignés en neuro-oncologie.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.055 | 0.083 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.004 |
| Science and technology studies | 0.003 | 0.003 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".