دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: بهینه سازی، تحقیق در عملیات. ویرایش: 2014 نویسندگان: Daniel Gartner سری: Lecture Notes in Economics and Mathematical Systems 674 ISBN (شابک) : 3319040650, 9783319040660 ناشر: Springer International Publishing سال نشر: 2015 تعداد صفحات: 132 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
کلمات کلیدی مربوط به کتاب بهینهسازی زمانبندی بیماران در سراسر بیمارستان: طبقهبندی اولیه گروههای مرتبط با تشخیص از طریق یادگیری ماشینی: تحقیق در عملیات/تئوری تصمیم گیری، انفورماتیک سلامت، انفورماتیک سلامت، تحقیق در عملیات، علم مدیریت، مدیریت مراقبت های بهداشتی
در صورت تبدیل فایل کتاب Optimizing Hospital-wide Patient Scheduling: Early Classification of Diagnosis-related Groups Through Machine Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب بهینهسازی زمانبندی بیماران در سراسر بیمارستان: طبقهبندی اولیه گروههای مرتبط با تشخیص از طریق یادگیری ماشینی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
یک بررسی کامل از تکنیکهای انتخاب ویژگی و رویکردهای طبقهبندی برای طبقهبندی گروههای مرتبط با تشخیص زودهنگام (DRG) را معرفی و ارزیابی میکند. فرموله دو مدل زمانبندی بیمار در سراسر بیمارستان با استفاده از برنامه ریزی ریاضی به منظور به حداکثر رساندن حاشیه مشارکت روش هایی را برای بهبود قابل توجه دقت طبقه بندی و حاشیه مشارکت در مقایسه با روش فعلی ارائه می کند. گروههای مرتبط با تشخیص (DRGs) در بیمارستانها برای بازپرداخت خدمات بستری استفاده میشوند. انتساب بیمار به یک DRG را می توان به طبقه بندی DRG مبتنی بر صورتحساب و عملیات متمایز کرد. موضوع این مونوگراف، طبقهبندی DRG مبتنی بر عملیات است، که در آن از DRGهای بیماران بستری برای بهبود تصمیمهای زمانبندی بیمار مبتنی بر حاشیه مشارکت استفاده میشود. در بخش اول، تکنیکهای انتخاب ویژگی و طبقهبندی به منظور افزایش دقت طبقهبندی اولیه DRG ارزیابی میشوند. با استفاده از برنامهریزی ریاضی، جریان بیماران انتخابی در سراسر بیمارستان با در نظر گرفتن DRGs، مسیرهای بالینی و منابع کمیاب بیمارستانی مدلسازی میشود. نتایج بخش طبقهبندی اولیه DRG نشان میدهد که مجموعه کوچکی از ویژگیها برای بهبود قابل ملاحظه دقت طبقهبندی DRG در مقایسه با رویکرد فعلی بسیاری از بیمارستانها کافی است. علاوه بر این، نتایج بخش زمانبندی بیمار نشان میدهد که حاشیه مشارکت را میتوان در مقایسه با روش فعلی افزایش داد. موضوعات تحقیق در عملیات / تئوری تصمیم انفورماتیک سلامت انفورماتیک سلامت تحقیق در عملیات، برنامه ریزی ریاضی مدیریت بهداشت و درمان
Introduces and evaluates a thorough examination of attribute selection techniques and classification approaches for early diagnosis-related group (DRG) classification Formulates two hospital-wide patient scheduling models using mathematical programming in order to maximize contribution margin Presents methods for a substantial improvement of classification accuracy and contribution margin as compared to current practice Diagnosis-related groups (DRGs) are used in hospitals for the reimbursement of inpatient services. The assignment of a patient to a DRG can be distinguished into billing- and operations-driven DRG classification. The topic of this monograph is operations-driven DRG classification, in which DRGs of inpatients are employed to improve contribution margin-based patient scheduling decisions. In the first part, attribute selection and classification techniques are evaluated in order to increase early DRG classification accuracy. Employing mathematical programming, the hospital-wide flow of elective patients is modelled taking into account DRGs, clinical pathways and scarce hospital resources. The results of the early DRG classification part reveal that a small set of attributes is sufficient in order to substantially improve DRG classification accuracy as compared to the current approach of many hospitals. Moreover, the results of the patient scheduling part reveal that the contribution margin can be increased as compared to current practice. Topics Operation Research / Decision Theory Health Informatics Health Informatics Operations Research, Mathematical Programming Health Care Management
Front Matter....Pages i-xiv
Introduction....Pages 1-8
Machine Learning for Early DRG Classification....Pages 9-31
Scheduling the Hospital-Wide Flow of Elective Patients....Pages 33-54
Experimental Analyses....Pages 55-92
Conclusion....Pages 93-96
Back Matter....Pages 97-119