"P(3)": an adaptive modeling tool for post-COVID-19 restart of surgical services.
"P(3)": an adaptive modeling tool for post-COVID-19 restart of surgical services.
复制标题
DOI：
10.1093/jamiaopen/ooab016
复制
发表时间：
2021-04
期刊：
影响因子：
2.1
通讯作者：
Ahumada LM
中科院分区：
文献类型：
--
作者：
Joshi D;Jalali A;Whipple T;Rehman M;Ahumada LM
开发预测分析工具，以帮助评估COVID-19大流行期间清除手术患者积压的不同情景和多个变量。使用存储在约翰霍普金斯所有儿童数据仓库中的27866例病例（2018年5月1日至2020年5月1日）的数据和30个基于操作的变量的输入，我们建立了数学模型（1）清除积压病例的时间（2），个人防护设备（PPE）的利用率和（3）加班需求的评估。该工具使我们能够预测所需的变量，包括清除患者积压的天数、所需的PPE、所需的员工/加班以及不同积压减少方案的成本。预测分析、机器学习和多变量输入，加上灵活的数据库创建和用户友好的可视化，帮助我们确定手术室人员的最有效部署。全世界的手术室都可以使用此工具安全地解决患者积压问题。
To develop a predictive analytics tool that would help evaluate different scenarios and multiple variables for clearance of surgical patient backlog during the COVID-19 pandemic. Using data from 27 866 cases (May 1 2018–May 1 2020) stored in the Johns Hopkins All Children’s data warehouse and inputs from 30 operations-based variables, we built mathematical models for (1) time to clear the case backlog (2), utilization of personal protective equipment (PPE), and (3) assessment of overtime needs. The tool enabled us to predict desired variables, including number of days to clear the patient backlog, PPE needed, staff/overtime needed, and cost for different backlog reduction scenarios. Predictive analytics, machine learning, and multiple variable inputs coupled with nimble scenario-creation and a user-friendly visualization helped us to determine the most effective deployment of operating room personnel. Operating rooms worldwide can use this tool to overcome patient backlog safely.
登录
查看更多内容
影响因子：
4.7
作者：
Nakayama, John;El-Nashar, Sherif A.;Kesterson, Joshua
通讯作者：
Kesterson, Joshua
影响因子：
5.3
作者：
Jain, Amit;Jain, Punya;Aggarwal, Shruti
通讯作者：
Aggarwal, Shruti
影响因子：
9.6
作者：
Nepogodiev, D.;Omar, Omar M.;Poelaert, Jan
通讯作者：
Poelaert, Jan
影响因子：
4.6
作者：
Salenger, Rawn;Etchill, Eric W.;Gammie, James S.
通讯作者：
Gammie, James S.