Strategic and tactical decision-making for inpatient admission and hospital bed allocation: an application to neurology wards
Bibliographic record
Abstract
Le secteur de la santé a reç cu des appels constants des différentes parties prenantes au cours des dernières décennies pour améliorer l'efficacité opérationnelle et la qualité des soins pour les patients. Les gestionnaires d'hôpitaux et autorités de santé sont confrontés à des problèmes graves et doivent identifier les domaines d'amélioration, tout en maintenant les coûts opérationnels dans les limites de leur budget. Modèles de la recherche opérationnelle peuvent être utilisés pour aider les gestionnaires de soins de santé à prendre des décisions éclairées et fondées sur des données probantes. Cette thèse vise à développer des politiques d'admission et d'allocation de lits des patients dans les services de soins de courte durée, oû l'acquisition de ressources supplémentaires est extrêmement coûteuse pour les hôpitaux, et oû retard dans le traitement est hautement indésirable du point de vue de la santé des patients. Cette thése s'intèresse au problème de l'admission de patients et de l'attribution des lits en milieu hospitalier dans les services de soins de courte durée, tenant compte de la multiplicité des types de patients et de leurs caractéristiques médicales spécifiques. Des études récentes ont montré que les patients présentant un épisode aigu sont plus efficacement traités en milieu hospitalier spécialisé. Les avantages d'une telle spécialisation des soins peuvent cependant être atténués par des longs délais d'attente à l'urgence en raison de l'indisponibilité de lits dans la salle. Cette recherche est inspire par les défis de gestion au service de neurologie de l'Hôpital neurologique de Montréal, oû le parcours de soins optimal pour les patients atteints de maladies neurologiques est particulièrement. La solution à l'adaptation de la capacité à la demande et à l'amélioration de la performance de l'hôpital réside dans la mise au point de politiques intelligentes en matière de gestion de capacité, tant au niveau stratégique que tactique.Au niveau tactique, le processus d'admission des patients à un service de neurologie est modélisé par un programme dynamique de minimisation du coût moyen. En résolvant le modèle programme dynamique, nous cherchons essentiellement la politique d'admission dynamique qui offre les meilleurs soins pour les patients à la lumière de la disponibilité limitée des lits. En termes de méthodologie de solution, nous utilisons une approche intégrée qui combine des modèles de files d'attente et la programmation dynamique approximative. La performance de l'approche proposée est comparée à la performance d'autres politiques heuristiques suggérées pour ce type de problèmes. Nous montrons que la politique d'admission dynamique ajustant l'allocation des lits sur la base de l'état du système présente de meilleures performances par rapport aux politiques statiques. En particulier, la politique d'admission dynamique réduit le temps moyen d'attente des patients à l'urgence avant qu'ils ne soient transférés en neurologie. Au niveau stratégique, nous examinons le problème de l'allocation des ressources sur des sites multiples et la configuration du système en réponse à la fusion en cours des deux sites existants, à savoir l'Hôpital neurologique de Montréal et l'Hôpital général de Montréal. Les préoccupations principales des gestionnaires d'hôpitaux dans ce processus sont la conception d'une politique d'admission approprie pour les patients au niveau de l'hôpital et d'une politique optimale de l'attribution des lits entre les deux sites. Deux configurations possibles pour l'admission des patients dans les hôpitaux sont examines pour déterminer les meilleurs paramètres en termes de minimisation du nombre de refus d'admission de patients. Nous constatons que la décision de configuration du système pour un réseau multi-hôpital nécessite un examen attentif de la composition des arrivées de patients, de la longueur relative de séjour des patients, et de la répartition du nombre de patients entre les hôpitaux.
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 imitationNot 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.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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.
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 teacher head, 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".