手术室患者流量及住院时间的探索性数据分析-医学信息学解锁19-手术室机器学习-伊朗AJA医科大学

¼医学信息学解锁19（2020）100354评价手术室中的患者流量：一项探索性数据住院时间构成分析Nader Markazi-Moghran，Sanaz Zargar Balaye Jame*，Ehsan Tojani伊朗德黑兰AJA医科大学医学院卫生管理和经济学系A R T I C L EI N FO关键词：手术室患者流住院时间手术室机器学习医院A B S T R A C T背景：低效的调度增加了手术室的住院时间和手术患者不良健康结局的风险，并可能导致资源分配不匹配。我们进行这项研究，以探讨与综合医院的手术室的时间间隔方法：在一项横断面研究中，收集了622例接受择期手术的患者的数据。我们测量了进入和离开剧院的时间，以及每个程序的开始和结束时间，包括手术和麻醉。然后，我们使用统计，机器学习和可视化技术来探索七种手术类别的时间间隔数据结果：在我们的数据中，女性年龄较大，经历的手术和恢复时间比男性多。对于眼科和泌尿外科手术，在恢复室花费的时间，以及神经外科和整形外科手术的持续时间，构成了住院时间的最大百分比。随机森林分类器识别出可能在手术室中短期、中期和长期停留的患者（准确度为0.91）。 我们的数据表明，工作人员习惯性地将较低的优先级分配给手术操作较容易、手术和恢复时间较短的病例。这导致了一个不成文的时间表的形成，它干扰了官方的时间表。结论：手术类型和恢复时间的差异可以用来防止手术室日常调度中的停滞患者流量。包括患者特征和手术变量的准确分类器使工作人员能够识别可能长期留在手术室的患者1. 介绍手术室的低效调度与患者在该部门的长期停留有关。过度拥挤减少了获得外科护理的机会，导致资源分配不匹配，并增加了经济负担[1]。此外，不良的健康结果，包括重新入院和死亡率，随着等待时间的延长而上升[2]。资源限制是卫生保健系统面临的常见挑战性问题。然而，增加资源并不是解决病人流动问题的最佳因此，医院不断尝试改善他们的手术患者流量[3，4]。优化患者流动对于最大限度地减少手术室停留时间至关重要[5]。然而，改善手术患者流量的基本步骤各种不同的外科手术需要显著不同的时间来执行。考虑到这种差异的程度，在手术室停留时间的手术类别的优先级可以是一个平稳的病人流量。对于选择性手术，该过程从患者被运送到手术室时开始。如果没有手术室准备好，病人被转移到候诊室。根据手术类型或工作人员的专业水平，手术需要不同的时间[6]。手术事先分配给诊断问题的外科医生或患者选择的外科医生。手术结束后，患者被送往恢复室，在密切观察或监测下缓慢恢复，然后被送回病房。在开始新的手术之前，手术室应该清洁。已经使用各种指示器来测量医疗机构中的患者流量。例如，希望访问医院的患者百分比和使用医院的患者百分比已用于分析患者流量[7]。住院时间* 通讯作者。AJA医科大学医学部健康管理经济学教室Shahid Etemadzadeh St，Western Fatemi，德黑兰，1411718541，伊朗伊斯兰共和国电子邮件地址：nmmoghaddam@ajaums.ac.ir（N. Markazi-Moghran），sanazzargar@ajaums.ac.ir（S.Z.B. Jame），ehsantofighi603@gmail.com（E.Tojani）。https://doi.org/10.1016/j.imu.2020.100354接收日期：2020年2月8日;接收日期：2020年4月22日;接受日期：2020年5月13日2020年5月15日网上发售2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuN. Markazi-Moghran等人医学信息学解锁19（2020）100354230-日间再入院、手术室退出延迟、容量相关的分流、及时的住院单位出院、急诊科处置、入住率、出院量、寄宿和床位分配持续时间已被确定为流动性能的关键指标[8]。通过测量出院和转移到观察患者的处理时间、医生初始评估时间、住院时间、等待时间、未就诊时间和72小时随访，对急诊科的患者流量进行了鉴定[9，10]。此外，已经提出了各种方法作为医疗保健系统中模型流性能的决定因素[2]。对患者流进行建模为评估和改善性能提供了有价值的见解[11]。马尔可夫链分析、离散事件模拟、系统动力学、排队公式和基于代理的计算机模拟已被用于评估通过网络的流量[12然而，无论最终建议如何，患者流程内的时间间隔分析是评估性能的首要必要条件[17]。手术患者流表示患者通过手术室内的位置的移动。从这个角度来看，这个过程并不像医院里病人通过各种路线流动那样复杂。减少手术室中步骤接口处的延迟和空闲时间可加快流程。在卫生保健部门花费的时间间隔的分析通常用于估计流量模型建立的统计数据。在手术室的总停留时间包括手术的持续时间加上两个手术之间的一些空闲时间。通常，住院时间被认为是流动模型性能的指标。然而，据我们所知， 没有一项研究关注于探索时间成分及其与患者特征和外科手术的关系。 在这一步填补研究空白会导致对手头问题的更深入理解，并在规定解决方案之前更好地生成假设。进行这项研究的目的是探讨时间间隔在综合医院的手术室，并提出建议，为管理人员，以改善手术病人流量。在这里，我们介绍了我们应用机器学习技术和统计方法来识别时间间隔数据、患者特征和外科手术中有趣模式的经验。我们集中研究了择期手术类型对手术室住院时间的影响。 试图提出一个通用的框架，从手术过程的时间组件的2. 材料和方法2.1. 设计和设置我们进行了一项横断面研究。研究开始于2019年4月1日，结束于2019年5月我们的场景是一家教学医院的手术室，伊玛目礼萨。该医院有300张病床，是德黑兰的一个普通和转诊专科中心，附属于医学科学大学。我们的外科有5个手术室和1个康复室。在手术室进行各种外科手术，包括普通外科、泌尿外科、骨科、耳鼻喉科、眼科、神经外科和重建外科。我们没有专门为非选择性手术提供任何手术室。紧急手术在第一个可用的手术室进行所有外科学科的择期手术时间表提前两天关闭。2.2. 数据收集手术室的所有工作人员都被告知了这项研究的目的和方案。在每个工作班次，研究护士检查accu-记录的信息。将622例接受后续手术的患者的数据前瞻性地输入Microsoft Office EX cel- 是的取消手术数据未录入数据库。为了量化患者流量，我们测量了准确的进出时间，包括剧院，手术室和恢复室，以及每个程序的开始和结束时间，包括手术和麻醉。然后，我们通过减去时间点来计算持续时间（以分钟为单位）。在测量患者流量时，我们考虑了七个重要的持续时间变量： 到达手术室和进入手术室之间的持续时间（TO），进入手术室和麻醉开始（OA），麻醉诱导开始和手术切口开始（AS），手术开始和结束（SS），手术结束和麻醉结束（SA），麻醉结束和进入恢复室（AR），恢复开始和结束（RR）。从恢复室的出口和手术室的出口是一样的。我们还记录了其他变量，如患者的 年 龄 ， 性 别 和 手 术 类 别 。所有的数据都记录在一张纸时间日志，然后输入到电子数据库。图1显示了该研究的拟议模型。2.3. 数据预处理我们的研究中没有缺失数据我们检查了随机10%参与者样本的数据输入的准确性确定了所有63例审查病例的准确性我们将时间戳转换为持续时间，并将数据可视化以查找异常值或可能的错误。提取了1例重复病例，纠正了8例数据输入错误。然后将数据加载到R中。我们使用R 3.5.0版本进行数据分析和可视化。采用分箱和聚类方法将尺度数据离散为区间和段，以便于分类分析和分类。因子分析和概念层次生成被用来找到最佳的预测组合的变量。2.4. 分析与建模我们通过总结数据和检测离群值和异常值开始分析。我们调查了手术类别之间在手术室停留时间方面是否存在显著差异。当参数检验的前提假设不满足时，我们进行了方差分析的稳健对应（R包WRS– 另外，我们每-形成了稳健的事后检验，以确定所有可能的手术类别对的平均值之间是否存在差异。通过制作平衡数据集来解决手术类别的组大小的较大差异，以查看结果是否会改善。R软件包UBL用于多级平衡。一种被称为ADASYN的算法通过生成合成案例来对类进行过采样。根据学习难度对这些病例进行加权。聚类分析和时间间隔的离散化帮助我们发现或定义数据中的类和聚类。K-means聚类被用作划分算法，以将时间间隔细分为簇。为了进行聚类，我们绘制了手术类别的树状图，以辨别手术之间是否存在关于时间延迟的相似性。聚类以及时间间隔的离散化数据是分类分析的基础。分类器的训练与支持向量机，树分类，随机森林技术。2.5. 模型的性能交叉验证用于确定模型的有效性，并选择最佳模型。将数据划分为80%的训练集和20%的测试集。我们通过计算准确性指标来评估分类器的性能：正确分类记录的百分比，灵敏度和特异性。对于统计分析，计算点估计值、95%置信区间和p值。p值小于N. Markazi-Moghran等人医学信息学解锁19（2020）1003543¼¼¼Bb¼¼¼¼¼¼¼¼联系我们0.05被认为是重要的。2.6. 伦理考虑Fig. 1. 分析方案概述。叠加条的比较清楚地表明，时间间隔在手术类别中的分布不同。平均总住院时间为167.3（68.9）min，呈非正态分布，Shapiro-Wilk检验W<$0.943，p 0.001，平均值为<从AJA University of Medical Sciences的机构审查委员会获得伦理批准REC.1398.207.这些录音只能用于目前的研究。没有个人身份信息，包括患者的姓名和社会安全号码被输入数据库。通过向作者分配用户名和密码，建立了保存的电子信息的安全性和机密性。3. 结果3.1. 数据描述共纳入622例手术患者普外科是最常见的类别包括272例（43.9%）患者。我们的研究中没有缺失数据。患者年龄的平均值（SD）的Shapiro-Wilk正态性检验显示年龄数据不呈正态分布; W 0.925，p<0.001，中位数41，四分位距：24-61岁。此外，各手术类别的年龄数据均不正常。我们的样本中有212名（34.2%）女性。在性别上有明显差异，一些外科类别，因为大多数耳鼻喉科和泌尿科患者是男性，大多数接受整形手术的人是女性。表1显示了性别、年龄和基于手术类别的住院时间间隔组成。手术时间最长的是一名31岁的女性接受腹壁成形术。图2示出了时间分量的散点图矩阵它们不是正态分布的，并且它们之间没有大的线性成对相关性。异常值的存在可以很容易地辨别出来。图3示出了停留时间分量的百分比堆叠条。在眼科和耳鼻喉科手术中，TO占总住院时间的很大一部分;在整形和神经外科手术中，SS是最大的部分;在眼科、泌尿外科和普外科手术中，RR是总住院时间的最大部分表1基于手术类别的性别、年龄和延迟时间间隔手术类别N女性（%）平均年龄（SD）时间间隔典149，四分位距：118最长的停留是一个一名63岁男性接受择期胃切除术，另一名72岁女性接受择期剖腹手术。图4示出了基于手术类别的手术室中的停留时间的双曲线图。通常情况下，数据的分布是偏斜的，存在离群值。眼科手术的住院时间最短，整形手术的住院时间最长3.2. 推论统计男性和女性在年龄、SS、SA、AR、RR和总停留时间方面存在显著差异（表2）。在我们的样本中，女性年龄较大。此外，这种差异部分可归因于两性在手术类型方面的差异。由于存在离群数据、不同的组大小、非正态分布和组方差的差异，我们没有进行参数ANOVA检验来分析数据。然而，基于20%截尾平均值的ANOVA检验表明，在总住院时间[Ft（6，111.734）108.16]、OA [Ft（6，106.703）11.166]、AS [Ft（6，108.708）53.082]、SS [Ft（6，106.442）103.998]、AR [Ft（6，102.953）10.498]和RR[Ft(6，105.703）11.386]，所有p值0.001。< 我们对总停留时间进行了强有力的事后检验。除了ENT与ortho-比较外，所有成对比较的结果均具有统计学显著性。椎弓根13.547 页0.148）和普通外科与泌尿外科（P<0.01，P<0.01，P <0.001，0.383）。总体而言，手术类别显著不同的是停留的时间和组成部分。3.3. 机器学习基于时间分量的稳健ANOVA检验，我们从进一步分析中排除了TO和SA，因为TO和SA的手术类别之间没有显著差异（均p> 0.05）。的资源共计ENT65 4（6.1）23.5（6.4）8.9（6.7）9.9（5.8）45.8（25.5）12.2（5.8）6.9（14.8）53.1（16.7）170.6（46.4）一般272 93（34.2）44.8（19.1）6.6（6.1）10.7（11.2）47.9（40.7）6.2（9.8）5（2.4）53.3（21.8）152.6（65.3）神经外科47 24（51.1）52.2（13.6）8.1（6.3）15.9（10.8）95.6（46.9）12.9（6.6）6.4（2.4）65（19.3）222.8（57.3）眼科53 22（41.5）65.8（10.4）3.5（1.9）4.4（4.4）27.1（19.3）2.8（3.2）3.7（1.8）43.9（13）110.4（32.8）骨科81 26（32.1）39.0（18.3）8.9（9.1）14.1（15.4）72（47.9）5.1（9.5）5.5（3）56.6（17.2）183.0（57.5）塑料47 40（85.1）36.1（9.2）11.2（8.5）13.8（6.8）136.7（52.2）13.7（6.3）7.4（3.9）65（23.5）267.7（58.1）泌尿外科第五十五条第三款（五）45.1（23.1）7.4（6.3）12.1（8.9）32.1（19.5）3.0（7.9）4.7（2.1）59.2（18.2）134.3（41.0）收件人：到达手术室到进入手术室，OA：进入手术室到麻醉开始，AS：麻醉诱导开始到手术切口开始，SS：手术开始到手术结束，SA：手术结束到麻醉结束，AR：麻醉结束到进入恢复室，RR：恢复开始到结束。N. Markazi-Moghran等人医学信息学解锁19（2020）1003544图二. 散点图分量矩阵X持续时间收件人：到达手术室到进入手术室，OA：进入手术室到麻醉开始，AS：麻醉诱导开始到手术切口开始，SS：手术开始到手术结束，SA：手术结束到麻醉结束，AR：麻醉结束到进入恢复室，RR：恢复开始到结束。图三. 不同手术类型所用时间间隔TO：到达手术室至进入手术室，OA：进入手术室至麻醉开始，AS：麻醉诱导开始至手术切口开始，SS：手术开始至手术结束，SA：手术结束至麻醉结束，AR：麻醉结束至进入恢复室，RR：恢复开始至结束。图四、 基于手术类别的总住院时间（方框宽度与样本量成比例）。平行分析的scree图表明，选择两个因子进行因子分析是合适的选择。采用最小残差作为因子提取和倾斜式旋转。第一个因子的负荷量为0.997，第二个因子的负荷量为0.650和0.424残差的均方根为0.01，N. Markazi-Moghran等人医学信息学解锁19（2020）1003545¼¼¼¼表2性别之间年龄和时间构成的比较差异的变量t df 95% CI平均值p效应量下上年龄-7.925 540.149-14.361-8.656 39.619 51.1270.001 0.323电话：+86-021 - 8888888传真：+86-021 - 88888888电话：+86-10 - 8888888传真：+86-10 - 8888888811.042 11.665 0.528电话：+86-676 - 8888888传真：+86-676 - 88888882.343 344.361-3.561-0.311 6.512 8.448 0.02 0.1252.348 0.028 5.015 6.175 0.056 0.1262019 - 06 - 25 00：00：00总延迟-6.694 333.379-53.293-29.087 153.216 194.4060.001 0.344DF：自由度。收件人：到达手术室到进入手术室，OA：进入手术室到麻醉开始，AS：麻醉诱导开始到手术切口开始，SS：手术开始到手术结束，SA：手术结束到麻醉结束，AR：麻醉结束到进入恢复室，RR：恢复开始到结束。评价指标的均方误差我们将SS、AR和RR添加到一个新变量中; SR，即从手术开始到恢复结束此外，我们离散化了总持续时间，通过无监督聚类将其分为低（44-139分钟）、中（142-223分钟）和高（224-449分钟）类别最后，我们仍然是变量：性别、手术类型、年龄、OA、SR、总住院时间和分析中总住院时间的离散化版本。由于组大小的巨大差异（表1），我们制作了一个平衡的数据集，看看解决类不平衡是否会改善结果。为了平衡基于手术类别的数据集，使用算法生成合成病例。根据案例学习的难易程度进行加权过抽样。因此，与更容易学习的同类案例相比，更难学习的案例生成了更多的合成数据。我们将计算机设置为类的完全平衡。在程序结束时，所有手术类别几乎占数据的14%我们使用核支持向量、决策树和随机森林对具有各种变量组合的离散化总停留时间进行分类。最佳地，随机森林分类器能够将总停留时间分类为基于手术类型、年龄和性别的不平衡测试数据：准确性0.91，95% CI为0.84<分别为0.90、0.93和0.96。换句话说，分类器能够容易地将患者分类为低、中和高住院时间。使用平衡数据使得分类器不切实际地完美。平衡比例数据中OA和SR的K均值聚类将患者分为两类（图5）。第一类显示OA和SR之间存在负相关性，其中麻醉前手术室停留时间的增加与手术和恢复时间的缩短相关，而在另一类中，相关性是直接的。换句话说，K-Means聚类显示，有一组患者，尽管手术和恢复时间较短，但总住院时间较长。 因此，易于手术的患者仍然在手术室里呆更长时间4. 讨论我们的目的是探索时间间隔在我们医院的手术室使用一些机器学习和统计方法。我们图五. OA和SROA：进入手术室至麻醉开始，SR：手术开始至恢复结束的时间N. Markazi-Moghran等人医学信息学解锁19（2020）1003546¼¼¼研究了手术类型、性别和年龄对手术室时间间隔的影响。这使我们能够识别时间间隔数据中的信息模式。我们的研究结果表明，探索的时间间隔需要处理离群数据，类的不平衡，非正态分布，和组方差的差异。在计划过程中，无论采用何种方法优化患者流量，都不应低估这些问题。患者在手术室的停留时间存在不同的时间成分，但相关性不高。一些时间部分提供了关于患者流动的信息。在我们的数据中，眼科和泌尿外科手术在恢复室中花费的时间，以及神经外科和整形外科手术的手术持续时间，构成了持续时间的最大百分比。总的来说，这项研究表明，手术类别在手术室的停留时间以及几乎所有组成部分方面都有所不同。具体而言，基于手术类别的手术和恢复时间的差异可用于防止日常调度中的停滞患者流。年龄和性别是住院时间的重要预测因素，剧院许多手术问题在老年人中增加和呈现不同，导致诊断延迟衰老过程、共存疾病、功能和营养状况、药物使用、沟通困难以及心血管、呼吸和认知功能受损导致术前和术后恢复室延迟更多[18]。在我们的样本中，女性年龄较大，经历的手术和恢复时间比男性多。性别不平等在医疗保健中仍然普遍存在，并影响医疗和手术的结果[19]。此外，正如我们的数据所承认的那样，手术类别在性别组成反过来，手术类别需要不同的手术时间和恢复时间。因此，似乎可以看到男性和女性在手术室停留时间方面存在显著差异我们的研究表明，应用不同的模型和数据，准备技术导致不同的推论和新知识。我们能够制作一个分类器，准确地识别出可能在手术室中短期、中期和长期停留的患者。这样的分类器可以用于剧院的手动或自动调度。此外，如果使用非择期手术数据进行训练，它可以帮助分类，以改善患者流量并优化资源分配[20]。在我们的数据中，有大量患者在麻醉前在手术室的停留时间增加与手术和恢复时间缩短相关。也许，短的手术和恢复时间以及手术的容易性导致手术团队和手术室的工作人员习惯性地不那么优先考虑这些患者。这可能对手术室的管理有重要意义，因为低压力手术不应该改变工作人员心中预先安排的时间表。病人在保健单位的住院时间已经延长，通常用作工作流度量。在一项关于内窥镜检查室有效利用资源的研究中，研究人员对患者流进行了时间和运动分析，然后进行了定性访谈[17]。他们观察了单个内窥镜检查室使用情况（n 137例手术）、术前/恢复室（n 139）和总体内窥镜检查室使用情况（n 143）。的 报告了食管胃内窥镜检查、结肠镜检查、可弯曲乙状结肠镜检查和双重程序在内窥镜检查室的平均持续时间。此外，他们还报告了手术本身所花费的时间。据报告，除结肠镜检查外，所有检查的手术时间均合理。然而，非手术相关因素对内窥镜检查的时间分配有负面影响。他们得出结论，内窥镜检查设备的操作特征需要通过分析时间间隔来识别过程不一致性。分析非常简单明了。平均值和95% CI被视为决策的基础。未报告有关分布、离群值、SD和其他描述性指标的任何内容。因此，很难评估这些声明的有效性。此外，缺乏患者人口统计信息和简单的推理模型阻止从数据中提取更深层次的知识。基本上，我们使用相同类型的数据来研究手术工作流程;然而，我们的声明基于更先进的数据分析技术。其他研究表明，时间间隔分析是评估患者流量的有效指标[1]。在一项关于手术室中患者顺利流动的潜在因素的研究中，研究人员使用逻辑回归分析了18751例手术记录的数据[3]。这是一项多中心研究，测量的时间点与我们的研究几乎相似，包括到达手术室的时间、到达诱导室的时间、诱导开始时间、到达手术室的时间、切口开始时间和切口结束时间。他们发现，外科医生、麻醉师的更换以及先前手术的延长增加了非手术时间。结论：麻醉准备室缩短了非手术时间。所有分析均集中在逻辑回归和对数线性回归，并且没有变量参与患者特征的模型。然而，我们认为患者的人口统计学和健康问题影响手术室中的延迟时间。据我们所知，最近没有其他研究与我们的研究相比，在手术室里探索时间间隔因此，我们在将我们的结果与文献中反映的其他研究进行比较时受到限制。然而，我们的研究规模足够大，可以使用学习算法进行探索。我们没有评估性别和年龄以外的其他人口统计学特征，也无法评估患者社会经济状况或合并症对手术时间的影响。此外，我们专注于手术类别，而没有评估手术本身的影响。 总的来说，我们的随机森林分类器似乎足够准确，可以在实践中使用。这将有助于在进一步的研究中验证任何最终模型与其他手术设置的数据。包括更多的患者人口统计学数据和他们过去的病史和手术技术的详细特征可能会增加模型的准确性。此外，需要进一步研究更大的数据集，以评估不同预测因素对患者感激或医院收入的影响5. 结论总之，我们的研究表明，对于探索时间间隔数据，理解和准备是建模前的必要步骤，因为数据通常是偏斜的，并且包含离群值。在应用算法之前，应考虑模型假设。应用不同的模型和数据准备技术会导致不同的推论和新知识。因此，谨慎的做法是不依赖于单一的统计分析或机器学习技术。时间间隔的探索似乎对评估手术室中的过程时间是有用的。住院时间的组成部分及其与其他属性（如患者特征和手术类别）的关系具有预测价值。至少在预测模型中，应考虑患者的性别和年龄。手术类别在住院时间和几乎所有组成部分上都有所不同。手术类别的手术和恢复时间的差异可用于手术室的安排。包括患者特征和手术变量的准确分类器使工作人员能够识别可能长期留在手术室的患者。这可以极大地帮助更有效地安排手术，改善患者流量，并优化资源分配。手术室人员可能习惯性地将较少的优先级分配给手术过程较容易和手术或恢复时间较短的病例。这增加了在手术室的停留时间，在实践中不应低估伦理批准来 自 AJA 医 科 大 学 审 查 委 员 会 ， 伦 理 委 员 会 参 考 编 号 为IR.AJAUMS.REC.1398.207。N. Markazi-Moghran等人医学信息学解锁19（2020）1003547作者贡献N MM对研究的概念和设计、数据分析和结果解释做出了贡献。S ZBJ帮助审查文献和设计研究，并指导研究方案的制定和对结果的解释。E T协调研究过程，监督数据记录和输入，并帮助文献综述和统计分析。所有作者都参与了起草和最终批准。竞合利益作者声明他们没有利益冲突致谢这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的引用[1] DiXon CA，Punguyire D，Mahabee-Gittens M，Ho M，Lindsell CJ.患者流量资源有限环境下的分析：实用教程和案例研究。全球健康，科学实践2015;3：126-34。[2] 放大图片作者：J.完善外科手术中的患者流程设置. AORN J2012;96：46-57.[3] Mulier JP，De Boeck L，Meulders M，BelienJ，ColpaertJ， Sels A.因素在一个诱导室到一个手术室的设置中确定平稳流和非手术时间。 J Eval Clin Pract2015;21：205-14.[4] 杨文，杨文.医院水平分析提高患者流量 Stud Health Technol Inf 2013;188：65-71.[5] Leppikangas H，Puolakka P，Koreya A，Heikki-Jussi L. [通过最大限度地减少损失和改善流量来优化手术室工作]。Duodecim;laaketieteellinen aikakauskirja2015;131：1947-51.[6] ChetterTG.统计过程控制.第2部分：用统计过程控制测量患者流量的流程改进。Aust Health Rev：Publ Austr HospAsphalt 2009;33：412-22.[7] 吴M，李JH，Jeon BU，Jeong TO，Heo T，李S.韩国急诊医疗服务的使用模式：患者流分析。 中国医学杂志2019;132：259-68.[8] Martinez DA，Kane EM，Jalalpour M，ScheulenJ，Rupani H，Toteja R，Barbara C，Bush B，Levin SR.在约翰霍普金斯医院监控患者流量的电子仪表板：使用多纳贝迪安模型的关键性能指标的通信。医学系统杂志2018;42：133。[9] Patey C，Norman P，Araee M，Asghari S，Heeley T，Boyd S，Hurley O，Aubrey-Bassler K. SurgeCon：启动社区急诊科的患者流量管理，西。 J Emerg Med 2019;20：654-65.[10] SanchezM，Suarez M，Asenjo M，Bragulat E.完善应急运用精益思想进行科室病人流程管理。 Int J Qual Health Care 2018;30：250-6.[11] 王健，胡国杰，Kaderali Z，Bernstein M. 手术室的延迟：系统不完善的迹象，加拿大外科杂志。JCan Chir 2010;53：189-95.[12] KovalchukSV，Funkner AA，Metsker OG，Yakovlev AN.模拟患者流量使用过程和数据挖掘技术进行模型识别。JBiomed Inf 2018;82：128-42.[13] 范德布卢门·阿尔马什拉菲量化并发症对患者流量、成本和手术吞吐量的影响。BMC Med Inf Decis Making 2016;16：136.[14] Kang H，Nembhard HB，Raffeine C，DeFlitch CJ.紧急情况下的患者流量系：招生流程政策分类分析。Ann EmergMed 2014;64：335-42. e338。[15] 放大图片创作者：Robertson G，Sanchez V.外科护理中患者流计算机模拟建模的系统评价。 医学系统杂志2011;35：1-16.[16] [10]杨文，李文，李文.一个积极主动的转移政策，为关键的病人流量管理。卫生保健管理科学2019;22：287-303。[17] 杨文，李文，李文，李文. 患者流程分析：确定流动内窥镜检查单位的流程效率和工作流程指标。 CanadJ Gastroenterol Hepatol 2016：2574076。 2016年。[18] Hughes S，Leary A，Zweizig S，CainJ.老年人手术：术前，手术和术后护理以协助愈合，最佳实践&研究。 Clin妇产科2013;27：753[19] Cho N，Boland L，McIsaac DI.女性与髋部骨折围手术期循证实践建议应 用 的相 关 性手术CMAJ（Can Med Asphalt J）：Can Med AsphaltJ 2019;191：E151-8。[20] Ming T，Lai A，Lau PM.团队分流能改善急诊科的病人流量吗？系统综述和荟萃分析。 Adv Emerg Nurs J 2016;38：233-50.