ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Optimizing Hospital-wide Patient Scheduling: Early Classification of Diagnosis-related Groups Through Machine Learning

دانلود کتاب بهینه‌سازی زمان‌بندی بیماران در سراسر بیمارستان: طبقه‌بندی اولیه گروه‌های مرتبط با تشخیص از طریق یادگیری ماشینی

Optimizing Hospital-wide Patient Scheduling: Early Classification of Diagnosis-related Groups Through Machine Learning

مشخصات کتاب

Optimizing Hospital-wide Patient Scheduling: Early Classification of Diagnosis-related Groups Through Machine Learning

دسته بندی: بهینه سازی، تحقیق در عملیات.
ویرایش: 2014 
نویسندگان:   
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 

قیمت کتاب (تومان) : 33,000



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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


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.


توضیحاتی در مورد کتاب بهینه‌سازی زمان‌بندی بیماران در سراسر بیمارستان: طبقه‌بندی اولیه گروه‌های مرتبط با تشخیص از طریق یادگیری ماشینی

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


توضیحاتی درمورد کتاب به خارجی

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



فهرست مطالب

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




نظرات کاربران