دانلود کتاب Optimizing Hospital-Wide Patient Scheduling – Early Classification Of Diagnosis-Related Groups Through Machine Learning, 2014

ژوئن 21, 2021

نام کتاب: Optimizing Hospital-Wide Patient Scheduling – Early Classification Of Diagnosis-Related Groups Through Machine Learning

نویسنده: Daniel Gartner

ویرایش: ۱

سال انتشار: ۲۰۱۴

کد ISBN کتاب: ۹۷۸۳۳۱۹۰۴۰۶۵۳, ۹۷۸۳۳۱۹۰۴۰۶۶۰,

فرمت: PDF

تعداد صفحه: ۱۱۹

حجم کتاب: ۲ مگابایت

کیفیت کتاب: OCR

انتشارات: Springer International Publishing

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.

از گروه های مرتبط با تشخیص (DRG) برای بازپرداخت خدمات بستری در بیمارستان ها استفاده می شود. انتساب یک بیمار به یک DRG را می توان در طبقه بندی DRG صورتحساب و عمل تشخیص داد. موضوع این مونوگرافی طبقه بندی DRG مبتنی بر عملیات است ، که در آن DRG های بیماران بستری برای بهبود تصمیمات برنامه ریزی بیمار مبتنی بر حاشیه استفاده می شوند. در قسمت اول ، تکنیک های انتخاب و طبقه بندی ویژگی ها به منظور افزایش دقت طبقه بندی اولیه DRG ارزیابی می شوند. با استفاده از برنامه ریزی ریاضی ، جریان گسترده بیماران بستری در بیمارستان با در نظر گرفتن DRG ها ، مسیرهای بالینی و منابع کمیاب بیمارستان مدل سازی می شود. نتایج قسمت طبقه بندی اولیه DRG نشان می دهد که برای بهبود قابل ملاحظه ای در دقت طبقه بندی DRG در مقایسه با رویکرد فعلی بسیاری از بیمارستان ها ، مجموعه کوچکی از ویژگی ها کافی است. علاوه بر این ، نتایج بخش برنامه ریزی بیمار نشان می دهد که حاشیه سهم می تواند در مقایسه با روش فعلی افزایش یابد.