MétaCan
Menu
Back to cohort
Record W7161825221 · doi:10.82308/4761

Analytical models for specialist care in rural areas

2017· dissertation· en· W7161825221 on OpenAlexaboutno aff
Michael Klein

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldHealth Professions
TopicHealthcare Operations and Scheduling Optimization
Canadian institutionsnot available
Fundersnot available
KeywordsPrimary careHealth servicesRural area

Abstract

fetched live from OpenAlex

Les systemes de sante comptent sur les specialistes pour resoudre de nombreux problemes medicaux. Dans mes recherches, j'explore les defis de gestion des operations de specialistes pour les soins aux patients aigus et chroniques. Je developpe des modeles generaux et considere les autres defis de la prestation de soins de specialistes dans les zones rurales. Cette these contient deux projets de recherche: le premier projet se concentre sur les soins actifs alors que le second projet se concentre sur les soins chroniques. Dans le premier projet, j'etudie les decisions de flux de travail de specialistes sur appel dans les hopitaux ruraux. Les specialistes recoivent des demandes de consultation pour les nouveaux patients dans le service d'urgence et de prendre soin des patients hospitalises dans les services hospitaliers. Est-il preferable de donner la priorite a l'urgence ou aux rejets d'hospitalisation? Je propose un cadre de programmation dynamique stochastique pour les soins de specialistes qui comprend un modele de role unique et un modele de role double. Dans les hopitaux ruraux, specialistes en medecine interne (internistes) prennent generalement sur un double role de l'unite de soins intensifs medecin et interniste sur appel. Je demande le cadre de modelisation propose aux ensembles de donnees mis au point a partir de deux etudes de cas correspondantes. Un hopital utilise l'approche traditionnelle rurale et l'autre hopital utilise un interniste distinct pour l'unite de soins intensifs. Apres avoir observe toutes les internistes travaillant sur appel, je travaille avec les deux groupes de medecins pour obtenir des donnees de consultation urgence et de soins aux patients hospitalises et les combiner avec les donnees du systeme d'information hospitalier. Je trouve que la politique par les lignes directrices actuelles (a savoir les patients hospitalises a decharge par 11h00) ne sont pas toujours une bonne strategie. Dans les hopitaux avec le de commun de la congestion urgence et l'embarquement, les specialistes doivent parfois prioriser les rejets d'hospitalisation et d'autres fois donner la priorite aux consultations a l'urgence. Je trouve des politiques optimales qui ont differentes formes tout au long de la journee avec des seuils d'embarquement et les effets de fin d'horizon. Pour le deuxieme projet, j'etudie le probleme chronique de soins de l'etablissement pour dialyse, Dialysis Facility Network Design Problem (DFNDP). Specialistes du rein traiter l'insusance renale chronique par dialyse jusqu'a ce que la greffe ou la mort. Les patients se deplacent dans le centre ou l'hemodialyse par satellite d'installations pour chaque traitement de quatre heures, trois fois par semaine ou participer a la dialyse a domicile peritoneale ou l'hemodialyse a la maison. Le fardeau de voyage pour les patients dans les zones rurales peut etre plus d'une heure dans chaque direction. Quelle que soit la charge de voyage, certainspatients seront toujours choisir d'aller a un centre ou satellite, tandis que d'autres seront toujours opter pour la dialyse a domicile. Pour beaucoup, le choix varie en fonction de l'emplacement des installations disponibles. Je developpe un modele mathematique pour le DFNDP, compte tenu de l'impact de la distance de voyage sur le choix du patient pour le mode de dialyse. Utilisation de dialyse sondages aupres des patients, j'obtenir des donnees de la preference du patient pour en etablissement ou la dialyse domicile en Nouvelle-Ecosse. Le modele integre egalement les defis de contraintes de gestion et budget capacites necessaires pour trouver une solution realisable. Je demande le modele pour identifier le meilleur reseau d'installations pour reduire le temps de voyage pour les personnes les plus dans le besoin, l'amelioration du bien-etre de la population de patients de dialyse.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Simulation or modeling · Consensus signal: none
GenreCandidate signal: Other · Consensus signal: none
Teacher disagreement score0.671
Threshold uncertainty score0.989

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.000
Science and technology studies0.0010.000
Scholarly communication0.0000.000
Open science0.0000.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0010.000

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.

Opus teacher head0.107
GPT teacher head0.494
Teacher spread0.386 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designSimulation or modeling
Domainnot available
GenreOther

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".

Quick stats

Citations0
Published2017
Admission routes1
Has abstractyes

Explore more

Same topicHealthcare Operations and Scheduling OptimizationFrench-language works237,207