ICBની આગેવાની હેઠળના એપ્લાઇડ રિસર્ચ પ્રોજેક્ટ્સ

આ સંશોધન પ્રોજેક્ટ ICB અગ્રતા ક્ષેત્રોને લક્ષ્ય બનાવવા માટે સંશોધકો દ્વારા સમર્થિત ICB સહકર્મીઓ દ્વારા નેતૃત્વ કરવામાં આવે છે.

પ્રોજેક્ટ્સ શોધવી: તમારા બ્રાઉઝર પર શોધ કાર્યનો ઉપયોગ કરવા માટે "Ctrl + F" નો ઉપયોગ કરો. પછી તમારી રુચિના વિષયમાં પ્રોજેક્ટ્સ શોધવા માટે મુખ્ય શબ્દોનો ઉપયોગ કરો. ઘણા વૈકલ્પિક શબ્દોનો પ્રયાસ કરવો શ્રેષ્ઠ છે જેમ કે "જન્મ" અથવા "માતૃત્વ" અથવા "માતૃત્વ" અથવા "જન્મ".

હેલ્થકેરમાં સિમ્યુલેશનના વપરાશમાં સુધારો: દર્દીના પ્રવાહના મોડેલિંગ માટે ઓપન-સોર્સ ટૂલનો વપરાશકર્તા-આધારિત વિકાસ 

PathSimR મૉડલ એ બહુમુખી સિમ્યુલેશન મૉડલ છે જે BNSSG માં હેલ્થકેરમાં પેશન્ટ પાથવેના મૉડલિંગ માટે બનાવવામાં આવ્યું છે. મફત અને લવચીક ઉકેલ પૂરો પાડતા, સોફ્ટવેરનો ઉપયોગ વિવિધ પ્રોજેક્ટ્સ અને કામના ટુકડાઓ માટે BNSSG અને આગળ અન્ય NHS સિસ્ટમ્સમાં કરવામાં આવ્યો છે. આ પેપર સોફ્ટવેર કેવી રીતે વિકસાવવામાં આવ્યું તેની વાર્તા કહે છે અને તેની કામગીરી અને કાર્યક્ષમતા પર સંપૂર્ણ વિગતો પ્રદાન કરે છે.

જટિલ ડિસ્ચાર્જ પાથવે માટે તીવ્ર અને મધ્યવર્તી સંભાળ ક્ષમતાના સંતુલનને શ્રેષ્ઠ બનાવવું

તીવ્ર હોસ્પિટલ અને સામુદાયિક સંભાળ વચ્ચે ક્ષમતા અને દર્દીઓના પ્રવાહને સંતુલિત કરવું એ એક મુશ્કેલ આયોજન સમસ્યા છે, જેમાં દર્દીઓના અનિશ્ચિત આગમન અને રોકાણની ચલ લંબાઈને ધ્યાનમાં લેવામાં આવે છે. વિવિધ દૃશ્યો દ્વારા, અમારા મોડેલિંગે આ માર્ગ પર ક્ષમતાની શ્રેષ્ઠ ફાળવણીને જાહેર કરવામાં મદદ કરી છે. મોડેલિંગ COVID-19 પછીના તાત્કાલિક મહિનાઓમાં હાથ ધરવામાં આવ્યું હતું.

મનોચિકિત્સા આઈસીયુમાં વિસ્તારની બહારના પ્લેસમેન્ટને સંબોધવા માટે નાણાકીય રીતે ટકાઉ પહેલોની શોધખોળ

સ્થાનિક વિસ્તારની અંદર માંગને સંતોષવા માટે કોઈ ક્ષમતા ઉપલબ્ધ ન હોય ત્યારે વિસ્તારની બહાર પ્લેસમેન્ટ થાય છે. ઉચ્ચ ઉગ્ર માનસિક આરોગ્ય સંભાળ માટે આ ઘણીવાર થઈ શકે છે, દર્દીઓને અન્ય સુવિધાઓમાં સંભવિતપણે મોટા અંતર મોકલવામાં આવે છે. અમારી મોડેલિંગ, PathSimR મોડલનો ઉપયોગ કરીને, આવી ઘટનાઓને ઘટાડવા માટે વિવિધ ક્ષમતા-બાજુના દૃશ્યોને ધ્યાનમાં લે છે.

COVID-19 પછી વૈકલ્પિક પ્રતીક્ષા સૂચિની પુનઃપ્રાપ્તિનું મોડેલિંગ

COVID-19 રોગચાળાને પગલે વૈકલ્પિક પ્રતીક્ષા સૂચિમાં નોંધપાત્ર વધારો થયો હતો અને રોગચાળામાંથી પુનઃપ્રાપ્તિના પ્રારંભિક તબક્કામાં, ઘણા 'ચૂકી ગયેલા રેફરલ્સ'માંથી કેટલા પાછા આવશે તેની ખાતરી ન હતી. પ્રતીક્ષા સૂચિના સંભવિત કદને સમજવા માટે સ્થાનિક સ્તરે મોડેલિંગ હાથ ધરવામાં આવ્યું હતું અને પ્રતીક્ષાનો સમય અલગ-અલગ પ્રમાણમાં પરત મળવો જોઈએ. આ મોડેલને રાષ્ટ્રીય ઈંગ્લેન્ડ-વ્યાપી સ્તરે પણ લાગુ કરવામાં આવ્યું હતું.

પથારીની ક્ષમતાના લવચીક ઉપયોગ દ્વારા તીવ્ર સ્ટ્રોકના માર્ગોને શ્રેષ્ઠ બનાવવું 

અમારા PathSimR મોડલનો ઉપયોગ BNSSGમાં આયોજિત ભાવિ-રાજ્ય કેન્દ્રિય સ્ટ્રોક પાથવેના મોડેલ માટે કરવામાં આવ્યો હતો. મોડેલિંગમાં પાથવે મોડલનું માપાંકન અને વિવિધ સમયે કેટલી લવચીક ક્ષમતાની જરૂર પડશે તે અંગેના પ્રશ્નોના જવાબ આપવા માટે તેનો ઉપયોગ સામેલ હતો, જેથી મોટાભાગના દર્દીઓને હાયપર-એક્યુટ સ્ટ્રોક યુનિટમાં પ્રવેશમાં કોઈ વિલંબ ન થાય તેની ખાતરી કરવા માટે. .

સ્કેલેબલ વેઇટ લિસ્ટ મોડેલિંગ દ્વારા COVID-19 વૈકલ્પિક પુનઃપ્રાપ્તિને સમર્થન આપવું

આ પેપર ભવિષ્યની માંગ અને ક્ષમતાના સ્તરને લગતી વિવિધ ધારણાઓના આધારે, ટ્રસ્ટ અને વિશેષતા સ્તર પર ભાવિ રાહ યાદીના કદનો અંદાજ કાઢવા BNSSGમાં લેવામાં આવેલા મોડેલિંગ અભિગમનો અહેવાલ આપે છે. સરળ અને સ્કેલેબલ હોવાને કારણે, મોડેલ ત્યારથી ઇંગ્લેન્ડના દરેક હોસ્પિટલ ટ્રસ્ટ અને વિશેષતા પર લાગુ કરવામાં આવ્યું છે, આવા અંદાજો માસિક ધોરણે અપડેટ કરવામાં આવે છે.

સંભાળના વિલંબિત સ્થાનાંતરણને દૂર કરવા માટે ખોટા અર્થતંત્ર: કતારબદ્ધ થિયરીમાંથી કેટલાક પાઠ

આ કાર્યએ સ્થાપિત શાણપણને પડકાર ફેંક્યો કે સારી કામગીરી બજાવતી આરોગ્યસંભાળ પ્રણાલીઓમાં કાળજીના વિલંબિત સ્થાનાંતરણને "નાબૂદ" કરવું જરૂરી છે (કેટલીકવાર 'બેડ બ્લોકિંગ' તરીકે ઓળખાય છે). ક્યુઇંગ થિયરીના ગાણિતિક શિસ્તમાંથી પદ્ધતિઓનો ઉપયોગ કરીને અભ્યાસમાં જાણવા મળ્યું છે કે આવી નીતિનું અનુસરણ બિનઆર્થિક હોઈ શકે છે, કારણ કે તેને માંગના સૌથી દુર્લભ શિખરોને સમાવવા માટે મોટા પ્રમાણમાં સમુદાય ક્ષમતાની જરૂર પડશે, જે ઘણી બધી ક્ષમતાઓ માટે બિનઉપયોગી રહી જશે. સમયની

ઇમરજન્સી કેર એન્ડ ટ્રીટમેન્ટ (ReSPECT) માટે ભલામણ કરેલ સારાંશ યોજનાનો અમલ

ReSPECT પ્રક્રિયા એ એક પહેલ છે જે ભવિષ્યની કટોકટીમાં વ્યક્તિની ક્લિનિકલ સંભાળ અને સારવાર માટે વ્યક્તિગત ભલામણો બનાવે છે જેમાં તેઓ પસંદગી કરવામાં અથવા વ્યક્ત કરવામાં અસમર્થ હોય છે. આ પહેલ સ્થાનિક વિસ્તારમાં રોગચાળા દરમિયાન લાગુ કરવામાં આવી હતી. વિશ્લેષણનો ઉદ્દેશ્ય ReSPECT ફોર્મ અમલીકરણ પ્રક્રિયાની ઇક્વિટી (પ્રથમ કોવિડ-19 વેવ દરમિયાન) અને તે પછી દર્દીઓ અને તેમના સ્થાનિક આરોગ્ય સંભાળ સંસ્થાઓ કેવી રીતે ક્રિયાપ્રતિક્રિયા કરે છે તેના સંબંધિત કોઈપણ ફેરફારો નક્કી કરવાનો છે. આનાથી ReSPECT ફોર્મના ઉપયોગ અંગેના ભાવિ કમિશનિંગ નિર્ણયોની જાણ કરવામાં મદદ મળશે.

કોવિડ-19 સામે રસી મેળવનારા લોકોની સંખ્યામાં વધારો કરવા માટે હાઇપર-લોકલ પોપ્યુલેશન હેલ્થ મેનેજમેન્ટનો ઉપયોગ કરવો

IBNSSG ICB એ એવા લોકોને પ્રોત્સાહિત કરવા સ્થાનિક ઝુંબેશ શરૂ કરી છે કે જેમની રસી થવાની શક્યતા ઓછી છે, તેઓને COVID-19 રસી મેળવવા માટે પ્રોત્સાહિત કરવામાં આવ્યા છે. આ વિશ્લેષણો અમને એ સમજવામાં મદદ કરશે કે આ ઝુંબેશો કેટલી અસરકારક હતી જેથી અમે ભવિષ્યમાં મોટી સંખ્યામાં લોકો સાથે સંકળાયેલા સ્થાનિક અને રાષ્ટ્રીય સ્વાસ્થ્ય કાર્યક્રમોનું આયોજન કેવી રીતે કરીએ તે સુધારી શકીએ.

પી-ન્યૂઝ: જટિલ દાખલ દર્દીઓ માટે વ્યક્તિગત પ્રારંભિક ચેતવણી સ્કોર્સ

આ પ્રોજેક્ટનો ઉદ્દેશ્ય ગંભીર બને તે પહેલાં સમસ્યાઓ સુધારવા માટે અગાઉ દરમિયાનગીરી કરીને સઘન સંભાળના પ્રવેશને ઘટાડવાનો છે. તેઓ દર્દીના અવલોકનો અને અદ્યતન એનાલિટિક્સનો ઉપયોગ કરીને કોઈપણ વ્યક્તિગત દર્દી માટે બગાડનું ચોક્કસ જોખમ પેદા કરવા માટે આ કરવાની યોજના ધરાવે છે. નેશનલ અર્લી વોર્નિંગ સ્કોર (ન્યૂઝ) એ "એક સાઇઝ બધા માટે ફિટ" સ્કોર છે જે દર્શાવે છે કે દર્દી કેટલો બીમાર છે. કમનસીબે, NEWS નિદાન અને ભૂતકાળના તબીબી ઇતિહાસ જેવી મહત્વપૂર્ણ વિશેષતાઓને ધ્યાનમાં લેતું નથી. આ પ્રોજેક્ટનો હેતુ સ્કોરને રિફાઇન કરવાનો અને વહેલા બગાડની આગાહી કરવાનો છે.

આ પ્રોજેક્ટ હેલ્થ ડેટા રિસર્ચ યુકે સાઉથ બેટર કેર પાર્ટનરશિપનો એક ભાગ છે.

વસ્તી વિભાજન પદ્ધતિઓની સરખામણી

વ્યક્તિગત વિશેષતાઓ અને/અથવા આરોગ્યસંભાળ પ્રવૃત્તિના આધારે વસ્તીને ચોક્કસ જૂથોમાં વિભાજિત કરવી એ પોપ્યુલેશન હેલ્થ મેનેજમેન્ટ (PHM)નું મુખ્ય ઘટક છે. જો કે, વસ્તી વિભાજન કરવા માટે ઘણી બધી સંભવિત પદ્ધતિઓ અસ્તિત્વમાં છે, જેમાં પ્રત્યેકના પોતાના ગુણદોષ છે. આ પ્રોજેક્ટમાં ખાસ પ્રકારના પ્રશ્નોના જવાબ આપવા માટે કઈ પદ્ધતિ સૌથી યોગ્ય છે તે નક્કી કરવા માટે સૌથી વધુ ઉપયોગમાં લેવાતા 16 અભિગમોની સમીક્ષા કરવામાં આવી છે. અમારા PHM પ્રોગ્રામમાં પ્રોજેક્ટ્સ પર કામ કરતી વખતે તારણો દ્વારા વિભાજન પદ્ધતિની અમારી પસંદગીની જાણ કરવામાં આવી છે.

NHS માં રેફરલ-ટુ-ટ્રીટમેન્ટની ગતિશીલતાને ઉઘાડી પાડવી

સારવાર માટે રેફરલ (RTT), 18 અઠવાડિયાથી ઓછી રાહ જોઈ રહેલા દર્દીઓના પ્રમાણને માપવા, NHSમાં વૈકલ્પિક કામગીરીનું મુખ્ય બેરોમીટર છે, અને દર્દીઓ આયોજિત સારવાર માટે કેટલો સમય રાહ જોઈ રહ્યા છે તેના પર દેખરેખ રાખવા માટે વપરાય છે. આરોગ્યસંભાળ પ્રણાલીઓ માટે, RTT પાથવેની ગતિશીલતાને સમજવી અને તેનું મોડેલ બનાવવું મહત્વપૂર્ણ છે, જેથી ભાવિ પ્રતીક્ષાના સમયનો વિશ્વસનીય અંદાજ લગાવી શકાય અને રેફરલ્સ અને ક્ષમતામાં ફેરફારની અસરનું મૂલ્યાંકન કરી શકાય. અમારા કોમ્પ્યુટર સિમ્યુલેશન મોડલનો ઉપયોગ વિવિધ હોસ્પિટલ ટ્રસ્ટ અને ક્લિનિકલ વિશેષતાઓ માટે નિયમિતપણે કરવામાં આવે છે.

ટ્રાન્સફર અને ડિસ્ચાર્જમાં વિલંબ સાથે દર્દીના માર્ગ સાથે મોડેલિંગ ક્ષમતા

પૂરતી ક્ષમતા વિના, ક્લિનિકલ માર્ગો અવરોધિત થઈ શકે છે, દર્દીઓ ડિસ્ચાર્જ માટે તૈયાર હોય છે પરંતુ ડાઉનસ્ટ્રીમ ટ્રાન્સફર કરવામાં અસમર્થ હોય છે. આ દર્દીઓ તેમજ હોસ્પિટલ બંને માટે ખરાબ છે. જો કે, શ્રેષ્ઠ જરૂરી ક્ષમતાનો અંદાજ લગાવવો સરળ નથી. જ્યારે સ્પ્રેડશીટનો અભિગમ ઝડપી અને સરળ હોય છે, ત્યારે તેઓ સામાન્ય રીતે કમિશન માટે જરૂરી પથારીની સંખ્યાને ઓછો અંદાજ આપે છે. અહીં, અમે વૈવિધ્યપૂર્ણ અને ફરીથી વાપરી શકાય તેવું કોમ્પ્યુટર મોડેલ પ્રદાન કરવા માટે વધુ મજબૂત અભિગમ વિકસાવીએ છીએ, જે ભાવિ સ્ટ્રોક પાથવે માટે ક્ષમતાના અંદાજ પર લાગુ થાય છે.

કોવિડ-19 થી સુરક્ષિત એવા ઉચ્ચ જોખમી વ્યક્તિઓ માટે ચાલુ સ્વાસ્થ્ય જરૂરિયાતને ઓળખવા અને લાક્ષણિકતા આપવા માટે વસ્તી આરોગ્ય વ્યવસ્થાપન: એક ક્રોસ-વિભાગીય સમૂહ અભ્યાસ

COVID-19 રોગચાળાના પ્રારંભિક તબક્કામાં, આશરે 30,000 સંવેદનશીલ BNSSG રહેવાસીઓને COVID-19 ચેપના જોખમોથી પોતાને બચાવવા માટે 'કવચ' માટે કહેવામાં આવ્યું હતું. જો કે, વ્યક્તિઓના આ સમૂહ વિશે થોડું જાણીતું હતું. લિંક્ડ ડેટાનો ઉપયોગ કરીને, શિલ્ડિંગ વસ્તીમાં છ અલગ અલગ વિભાગો ઓળખવામાં આવ્યા હતા. આની જાગરૂકતાએ અમને દર્દીઓને વધુ સારી રીતે સલાહ આપવામાં મદદ કરી અને રક્ષણ કરતી વખતે સ્થાનિક પ્રાથમિક સંભાળ ટીમોને તેમની સ્થિતિનું સંચાલન કરવામાં મદદ કરી.

સઘન સંભાળમાં ક્ષમતા-આધારિત મૃત્યુના ઘટાડા માટે COVID-19 દૃશ્ય મોડેલિંગ

રોગચાળાની શરૂઆતમાં, મેનેજરો અને ચિકિત્સકોને સંભવિત ઇનકમિંગ માંગને મેચ કરવા માટે જરૂરી સઘન સંભાળ પથારીની માત્રા સમજવામાં મદદ કરવા માટે ખૂબ ઓછી માહિતી હતી. આ મહત્વપૂર્ણ હતું કારણ કે પથારીને સઘન સંભાળ સ્પષ્ટીકરણમાં રૂપાંતરિત કરવું મુશ્કેલ હતું. તેમ છતાં, જો બહુ ઓછા લોકો રૂપાંતરિત થયા હોય, તો આના પરિણામે દર્દીઓ તેમને જરૂરી સંભાળના સ્તરને ઍક્સેસ કરવામાં સક્ષમ ન હોય. આ મુદ્દાને ઉકેલવા માટે, કોવિડ-19 દર્દીના પ્રવાહનું કોમ્પ્યુટર સિમ્યુલેશન મોડલ ઝડપથી વિકસાવવામાં આવ્યું હતું અને વસંત 2020 માં મોટી સંખ્યામાં કેસોના નિર્ણાયક પ્રારંભિક પ્રતિભાવના ભાગ રૂપે તેનો ઉપયોગ કરવામાં આવ્યો હતો.

વૈકલ્પિક રાહ જોવાના સમય પર COVID-19 ની અસરનું મોડેલિંગ

જ્યારે COVID-19 ની તાત્કાલિક અસર હોસ્પિટલની કટોકટી સંભાળ પર હતી, તે ઝડપથી સ્પષ્ટ થઈ ગયું કે વસંત 2020 માં વૈકલ્પિક સારવાર મુલતવી રાખવાના નિર્ણયની રાહ જોવાના સમય પર ગંભીર અસર પડશે. પ્રશ્નો એ હતા કે આની કેટલી અસર થશે અને આપણે કેટલી ઝડપથી પુનઃપ્રાપ્ત કરી શકીશું? આનો જવાબ આપવા માટે, રેફરલ ટુ ટ્રીટમેન્ટ (RTT) ડાયનેમિક્સના મોડેલિંગ માટે ઉપયોગમાં લેવાતા હાલના સાધનને પુનઃપ્રાપ્ત કરવામાં આવ્યું હતું અને રોગચાળાની શરૂઆતમાં બુદ્ધિગમ્ય માનવામાં આવતા વિવિધ દૃશ્યો હેઠળ રાહ જોવાના સમયને પ્રોજેક્ટ કરવા માટે ઉપયોગમાં લેવાય છે.

COVID-19 તીવ્ર બેડ ક્ષમતાના સુધારેલા સંચાલન માટે હવે કાસ્ટિંગ

રોગચાળાના બીજા તરંગમાં પથારીની સંખ્યા ઝડપથી વધી રહી હોવાથી, હોસ્પિટલના આયોજકોને આગામી દિવસોમાં પ્રવેશની સંભવિત સંખ્યાના અંદાજની જરૂર હતી. તમામ સ્થાનિક હોસ્પિટલો માટે એક્યુટ અને ઇન્ટેન્સિવ કેર બેડ ઓક્યુપન્સીના પ્રોજેક્ટિંગમાં દૈનિક ઉપયોગ માટે એક સરળ સમય શ્રેણીની આગાહીનું મોડેલ બનાવવામાં આવ્યું હતું અને તેનો ઉપયોગ કરવામાં આવ્યો હતો. આનાથી એ સુનિશ્ચિત કરવામાં મદદ મળી કે યોગ્ય સંખ્યામાં પથારીઓ તૈયાર કરવામાં આવી હતી અને જરૂરીયાત મુજબ નવા ચેપ વોર્ડ ખોલવામાં આવ્યા હતા.

COVID-19 દરમિયાન વધેલા આઉટપેશન્ટ ટેલિહેલ્થની અસર: ઈંગ્લેન્ડમાં મુખ્ય આરોગ્યસંભાળ પ્રણાલીમાંથી દર્દીના સર્વેક્ષણ અને નિયમિત પ્રવૃત્તિના ડેટાનું પૂર્વનિર્ધારિત વિશ્લેષણ

હૉસ્પિટલના ચેપને મર્યાદિત કરવામાં મદદ કરવા માટે, રોગચાળાના પ્રારંભિક તબક્કામાં નોંધપાત્ર પ્રમાણમાં બહારના દર્દીઓના પરામર્શને ભૌતિકમાંથી વર્ચ્યુઅલ સેટિંગમાં ખસેડવામાં આવ્યા હતા. મોટી સંખ્યામાં દર્દીઓના સર્વેક્ષણોની તપાસમાં, એવું જાણવા મળ્યું હતું કે વધુ ઉત્તરદાતાઓએ ભૌતિક નિમણૂંકો કરતાં વર્ચ્યુઅલને 'પસંદગી' આપી હતી અને સાત ગણી વધુને 'વધુ તણાવપૂર્ણ' કરતાં 'ઓછી તણાવપૂર્ણ' જણાય છે. પરિણામોએ આગળ જતા વિડિયો પરામર્શની સંભવિત યોગ્યતાની જાણ કરવામાં મદદ કરી છે.

તીવ્ર COVID-19 માંગના સમયગાળા દરમિયાન ટ્રાયજનું મૂલ્ય: સિમ્યુલેશન મોડેલિંગ અભ્યાસ

જ્યારે એનએચએસને સદનસીબે રોગચાળાના પ્રથમ વર્ષ દરમિયાન સઘન સંભાળ પ્રવેશ માટે ટ્રાયજ રજૂ કરવાની જરૂર ન હતી, તે સમયે તે નજીક આવી ગયું હતું. જ્યારે આવા સંસાધનની માંગ પુરવઠાને વટાવી જાય છે, ત્યારે સૌથી વધુ લાભ મેળવનારા લોકો સુધી વધુ સારી પહોંચને પ્રોત્સાહન આપવું એ દલીલપૂર્વક મહત્વપૂર્ણ છે. જો કે, ટ્રાયેજના અમલીકરણથી કેટલું મેળવી શકાય છે તેના સમર્થન માટે બહુ ઓછા પુરાવા છે. અમારું કાર્ય આ અંતરને સંબોધિત કરે છે, તે શોધવામાં કે ટ્રાયજ કુલ જીવન-વર્ષને 12% સુધી ઘટાડી શકે છે, માંગ ક્યારેય પુરવઠા કરતાં વધી જવી જોઈએ.

કોવિડ-19 સામૂહિક રસીકરણ કેન્દ્રોની સલામત અને અસરકારક ડિઝાઇન માટે ઓપરેશનલ સંશોધન

રસીકરણ કેન્દ્રો COVID-19 સામે વસ્તીના સામૂહિક રસીકરણને વધારવા માટે મહત્વપૂર્ણ હતા. છતાં આયોજકો પાસે આ સાઇટ્સના રૂપરેખાંકનને માર્ગદર્શન આપવા માટે ખૂબ ઓછી માહિતી હતી, જે અઠવાડિયામાં સેટ કરવાની હતી. બ્રિસ્ટોલ એશ્ટન ગેટ સાઇટ પર, કોમ્પ્યુટર સિમ્યુલેશન મોડેલિંગનો ઉપયોગ કેન્દ્રના મહત્તમ થ્રુપુટની જાણ કરવા માટે કરવામાં આવ્યો હતો, જે લોકોની સંખ્યાને ધ્યાનમાં રાખીને દરરોજ રસી આપી શકાય છે. ઓપરેશનના નિર્ણાયક શરૂઆતના મહિનાઓ માટે મોડલ આઉટપુટનો ઉપયોગ કરવામાં આવ્યો હતો.

યુકેમાં નોન-COVID-19 કટોકટીની માંગ પર સામાજિક પ્રતિબંધોને હળવા કરવાની અસરનો અંદાજ: જાહેર ગતિશીલતા ડેટાનો ઉપયોગ કરીને આંકડાકીય અનુમાન

જ્યારે મોટાભાગનું ધ્યાન કોવિડ-19 કેસો પર કેન્દ્રિત હતું, ત્યારે સામાજિક પ્રતિબંધોની પણ બિન-COVID-19 હોસ્પિટલમાં પ્રવેશ પર નોંધપાત્ર અસર પડી હતી. ઓછી રમતગમતની ઇજાઓ અને માર્ગ અકસ્માતો સાથે, દાખલા તરીકે, સ્થાનિક હોસ્પિટલોમાં કટોકટીની માંગ ઓછી હતી. 2021 ના ​​શરૂઆતના મહિનાઓમાં, લોકડાઉન ધીમે ધીમે હળવા થવા સાથે, જાહેર ગતિશીલતામાં અપેક્ષિત વધારાના આધારે આગાહી કરવા માટે રીગ્રેસન મોડલનો ઉપયોગ કરવામાં આવ્યો હતો, જે હદ સુધી પથારીમાં પ્રવેશ વધી શકે છે.

સરેરાશ બેડ ઓક્યુપન્સી માટે 85% લક્ષ્યાંકમાં અતિશય અંદાજ અને અસંવેદનશીલતાને સંબોધિત કરવું

લાંબા સમયથી ચાલતું અને વ્યાપકપણે પડકાર વિનાનું, પરિણામ જણાવે છે કે હોસ્પિટલોએ ખૂબ ઓછી ક્ષમતાના દર્દીની સલામતી માટેના જોખમોને વધુ પડતા નાણાકીય પરિણામો સાથે સંતુલિત કરવા માટે 85% સરેરાશ બેડ ઓક્યુપેન્સીને લક્ષ્ય બનાવવું જોઈએ. જો કે, જમીન પર વાસ્તવિક રીતે અસ્તિત્વમાં રહેલી પરિસ્થિતિઓની શ્રેણી માટે એક માપ અસંવેદનશીલ છે. વોર્ડના કદ અને વિશેષતાના આધારે 'લુક અપ' ટેબલ બનાવવા માટે, અમારું મોડેલિંગ વધુ ચોક્કસ લક્ષ્યોનો સમૂહ દર્શાવે છે જેનો ઉપયોગ હોસ્પિટલના સંચાલકો અને કમિશનરો દ્વારા કરી શકાય છે.

માનસિક સ્વાસ્થ્ય સેવાઓ પર પ્રથમ-તરંગ COVID-19 ની અસરનું મોડેલિંગ

રોગચાળાના પ્રથમ તરંગ દરમિયાન, માનસિક સ્વાસ્થ્ય સેવાઓ માટેની 'પેન્ટ અપ' માંગની માત્રા અંગે ઘણી અનિશ્ચિતતા હતી જે લોકડાઉનના પ્રકાશન પછી દબાણ તરફ દોરી શકે છે. એક બહુમુખી અલગ-સમય કતારનું મોડેલ ઝડપથી બનાવવામાં આવ્યું હતું અને ગંભીર સિસ્ટમના દબાણને ઘટાડવા માટે રચાયેલ સંખ્યાબંધ વિવિધ માંગ માર્ગો અને સેવા દરમિયાનગીરીઓની સંભવિત અસરને તપાસવા માટે ઉપયોગમાં લેવાય છે.

COVID-19 ચેપ, હોસ્પિટલમાં દાખલ થવા અને મૃત્યુના સ્થાનિક મોડેલિંગ માટે SEIR-આધારિત માળખું સ્થાપિત કરવું

જ્યારે રાષ્ટ્રીય સ્તરે નિર્ણય લેવાની માહિતી આપવા માટે રોગચાળાના મોડેલિંગનો નિયમિત ઉપયોગ કરવામાં આવે છે, ત્યારે સ્થાનિક સ્તરે આયોજનને માર્ગદર્શન આપવા માટે ખૂબ જ ઓછા છે. આખરે, રસનું મુખ્ય માપદંડ એ તીવ્ર COVID-19 પ્રવેશની અપેક્ષિત ભાવિ સંખ્યા છે. કમ્પાર્ટમેન્ટલ 'SEIR' પ્રકારના મોડેલનો ઉપયોગ કરીને, વિવિધ બુદ્ધિગમ્ય દૃશ્યોને ગોઠવવા માટે એક ક્રોસ-સિસ્ટમ મલ્ટિ-ડિસિપ્લિનરી વર્કિંગ ગ્રૂપની સ્થાપના કરવામાં આવી હતી, જેમાં ભવિષ્યની માંગને સુરક્ષિત રીતે સમાવવા માટે કેટલા પથારીની જરૂર છે તે નિર્ધારિત કરવામાં સ્થાનિક પ્રતિભાવને આકાર આપતો હતો.

તીવ્ર હોસ્પિટલમાં દાખલ થવા પર COVID-19 સામૂહિક રસીકરણની અસરનું મોડેલિંગ

કમ્પાર્ટમેન્ટલ 'SEIR' પ્રકારના મોડલને સંડોવતા અગાઉના કામના આધારે, ટ્રાન્સમિશન ડાયનેમિક્સ પર રસીકરણની અસરને ધ્યાનમાં લેવા માટે સંખ્યાબંધ તકનીકી ઉન્નત્તિકરણો કરવામાં આવ્યા હતા. મોડલનો ઉપયોગ ત્યારબાદ 2021 ની શરૂઆતના લોકડાઉન છૂટછાટના રોડમેપને લગતા સંખ્યાબંધ દૃશ્યોની તપાસ કરવા માટે કરવામાં આવ્યો હતો. મોડલ કરેલ ઇન્ટરક્વાર્ટાઇલ રેન્જમાં આરામથી આવતા હોસ્પિટલના કેસોમાં 2021ના પાનખર રીબાઉન્ડ સાથે અંદાજો માન્ય કરવામાં આવ્યા હતા.

સિસ્ટમ-વ્યાપી આરોગ્યસંભાળના ઉપયોગ પર લાંબા-કોવિડની અસરનું મૂલ્યાંકન કરવા માટે લિંક કરેલ દર્દીના ડેટાનો ઉપયોગ

તેમજ તીવ્ર આરોગ્યસંભાળ સેવાઓ પર COVID-19 ચેપની તાત્કાલિક અસર, એવી ચિંતા હતી કે લાંબા ગાળાની અસરો (કહેવાતા 'લોંગ-COVID') અન્ય હેલ્થકેર સેટિંગ્સ પર વધારાની માંગ કરી શકે છે. BNSSG સિસ્ટમ વાઈડ ડેટાસેટનો ઉપયોગ કોવિડ-19 નિદાનના ત્રણ મહિનાની અંદર આરોગ્યસંભાળ પ્રવૃત્તિમાં આંકડાકીય રીતે નોંધપાત્ર વધારાના પુરાવાને ઓળખવા માટે કરવામાં આવ્યો હતો.

અમારા સંશોધન પોર્ટફોલિયો વિભાગમાં અન્ય પૃષ્ઠો: