the scheduler is able to predict th

the scheduler is able to predict the average service time of the these investigations and decide the subclass. On the other hand, some investigations have been grouped together (elbow, shoulder and foot, hip, neck). These are those investigations that were performed rarely (small sample size) and shown similarity in service times and hence grouped together. After the broad classification as mentioned above, the CART analysis was performed in order to divide the patients into a num ber of classes using the data on source of arrival of patient, the broad category of investigation and the service times for the sample of patients. CART analysis was performed using the "classregtree' function available in the statistical toolbox in MATLAB that used the CARTalgorithm as described in [31] The full tree obtained by the algorithm provided 21 classes (with the condition that minimum number of data points in a child node is 10). In order to have a manageable number of classes of patients having significant difference in their characteristics, pruning was performed to finally have six patient classes (see Table 3). The last column of Table 3 contains the coefficient of variation (CV) of the patient classes de- fined as the ratio of standard deviation to mean of service time which is used to measure the service time variability. The service time distributions for these classes of patients are given in Table 4.

ผลลัพธ์ (ไทย) 1:

ตัวจัดกำหนดการจะสามารถทายผลเวลาเฉลี่ยบริการเหล่านี้การสอบสวน และตัดสินใจที่ระดับชั้นย่อย บนมืออื่น ๆ การสอบสวนบางถูกจัดกลุ่มเข้าด้วยกัน (ข้อศอก ไหล่ และ เท้า hip คอ) เหล่านี้เป็นผู้ตรวจสอบที่ดำเนินการไม่ค่อย (ขนาดตัวอย่างเล็ก) และแสดงความคล้ายคลึงกันในเวลาการให้บริการจึง จัดกลุ่ม หลังจากการจัดประเภทสิ่ง ดังกล่าวข้างต้น การวิเคราะห์รถเข็นดำเนินการเพื่อแบ่งผู้ป่วยเป็น num ber ของคลาสโดยใช้ข้อมูลจากแหล่งที่มาของการมาถึงของผู้ป่วย ประเภทสิ่งของการตรวจสอบและเวลาของบริการตัวอย่างของผู้ป่วย รถเข็นวิเคราะห์ดำเนินการโดยใช้การ " classregtree' ฟังก์ชันในกล่องเครื่องมือทางสถิติใน MATLAB ที่ใช้การ CARTalgorithm ตามที่อธิบายไว้ใน [31] ต้นไม้เต็มที่ได้รับจากอัลกอริทึมให้ชั้น 21 (พร้อม ด้วยเงื่อนไขว่า จำนวนจุดข้อมูลในโหนขั้นต่ำคือ 10) เพื่อที่จะมีจำนวนระดับชั้นของผู้ป่วยที่มีความแตกต่างในลักษณะของพวกเขา ตัดแต่งกิ่งการจัดการได้ดำเนินการไปในที่สุด มีหกคลาผู้ป่วย (ดูตารางที่ 3) คอลัมน์สุดท้ายของตารางที่ 3 ประกอบด้วยค่าสัมประสิทธิ์ความผันแปร (CV) ของผู้ป่วยเรียนเดปรับเป็นอัตราส่วนของส่วนเบี่ยงเบนมาตรฐานหมายถึงของเวลาที่ใช้ในการวัดความแปรปรวนเวลาบริการ การกระจายการบริการเวลาสำหรับการเรียนของผู้ป่วยเหล่านี้ถูกกำหนดในตารางที่ 4

ผลลัพธ์ (ไทย) 2:

กำหนดการสามารถที่จะคาดการณ์เวลาการให้บริการเฉลี่ยของการสืบสวนเหล่านี้และตัดสินใจประเภทรอง ในทางตรงกันข้ามการสืบสวนบางส่วนได้รับการจัดกลุ่มกัน (ข้อศอกไหล่และเท้าสะโพกคอ) เหล่านี้มีการตรวจสอบผู้ที่ได้ดำเนินการไม่ค่อย (ขนาดกลุ่มตัวอย่างขนาดเล็ก) และแสดงให้เห็นความคล้ายคลึงกันในช่วงเวลาการให้บริการและด้วยเหตุนี้การรวมกลุ่มกัน หลังจากที่มีการจัดหมวดหมู่ในวงกว้างดังกล่าวข้างต้นการวิเคราะห์รถเข็นได้ดำเนินการในการสั่งซื้อที่จะแบ่งผู้ป่วยเป็น BER NUM ของการเรียนโดยใช้ข้อมูลในแหล่งที่มาของการมาถึงของผู้ป่วยหมวดหมู่กว้างของการสืบสวนและเวลาการให้บริการสำหรับกลุ่มตัวอย่างของผู้ป่วย วิเคราะห์รถเข็นได้ดำเนินการโดยใช้ "classregtree 'ฟังก์ชั่นที่มีอยู่ในกล่องเครื่องมือสถิติใน MATLAB ที่ใช้ CARTalgorithm ตามที่อธิบายใน [31] ต้นไม้เต็มรูปแบบที่ได้รับจากอัลกอริทึมที่มีให้บริการ 21 ชั้นเรียน (มีเงื่อนไขที่ว่าจำนวนขั้นต่ำของจุดข้อมูลในเด็ก โหนด 10). เพื่อให้มีจำนวนที่สามารถจัดการการเรียนของผู้ป่วยที่มีความแตกต่างอย่างมีนัยสำคัญในลักษณะของพวกเขา, การตัดแต่งกิ่งที่ได้ดำเนินการไปจนมีหกชั้นเรียนของผู้ป่วย (ดูตารางที่ 3). คอลัมน์สุดท้ายของตารางที่ 3 มีค่าสัมประสิทธิ์ของการเปลี่ยนแปลง ( CV) ของชั้นเรียนของผู้ป่วย de- ปรับเป็นอัตราส่วนของส่วนเบี่ยงเบนมาตรฐานหมายถึงของเวลาการให้บริการที่ใช้ในการวัดความแปรปรวนเวลาการให้บริการ. แจกแจงเวลาการให้บริการสำหรับชั้นเรียนเหล่านี้ของผู้ป่วยที่จะได้รับในตารางที่ 4

ผลลัพธ์ (ไทย) 3:

ตารางเวลาสามารถคาดการณ์เฉลี่ยเวลาให้บริการของการตรวจสอบเหล่านี้และตัดสินใจว่าซับ . บนมืออื่น ๆ บางส่วนได้ถูกจัดกลุ่มเข้าด้วยกัน ( ข้อศอก ไหล่ เท้า สะโพก คอ ) เหล่านี้คือการตรวจสอบว่ามีการปฏิบัติน้อยมาก ( ขนาดตัวอย่างเล็ก ๆ ) และแสดงความคล้ายคลึงกันในเวลาให้บริการและจึงเข้าด้วยกัน หลังกว้างประเภทดังกล่าวข้างต้น การวิเคราะห์รถเข็นถูกใช้เพื่อแยกผู้ป่วยออกเป็น Num ber ของการเรียนโดยใช้ข้อมูลแหล่งที่มาของการมาถึงของผู้ป่วย ประเภทกว้างของการตรวจสอบและบริการครั้ง สำหรับตัวอย่างของผู้ป่วย การวิเคราะห์ตะกร้าได้โดยใช้ฟังก์ชัน " classregtree " ที่มีอยู่ในกล่องเครื่องมือในโปรแกรมทางสถิติที่ใช้ cartalgorithm ตามที่อธิบายไว้ใน [ 31 ] เต็มต้นที่ได้จากขั้นตอนวิธีให้ 21 ชั้น ( โดยมีเงื่อนไขว่าจำนวนขั้นต่ำของจุดข้อมูลในโหนดลูกเป็น 10 ) เพื่อที่จะได้จัดการเลขของชั้นเรียนของผู้ป่วยมีความแตกต่างกันในลักษณะ การตัดแต่งกิ่งได้ในที่สุด มีหกชั้นเรียนของผู้ป่วย ( ดูตารางที่ 3 ) คอลัมน์สุดท้ายของตารางที่ 3 มีสัมประสิทธิ์ความแปรปรวน ( CV ) ของชั้นเรียนผู้ป่วย de - ปรับตามอัตราส่วนของส่วนเบี่ยงเบนมาตรฐานเฉลี่ยของเวลาบริการซึ่งใช้ในการวัดเวลาการให้บริการความแปรปรวน เวลาบริการ การแจกแจงเหล่านี้ประเภทของผู้ป่วยจะได้รับในตารางที่ 4