Оптимизация графиков приёма пациентов: дискретно-событийный подход

Оптимизация графиков приёма пациентов: дискретно-событийный подход

Проблема:

Медицинский центр «Арнетт» расположен в г. Лафайет штата Индиана. Он входит в систему «Indiana University Health» и представляет собой комплекс из больницы скорой помощи и многопрофильной клиники. Руководство клиники столкнулось с низкой явкой пациентов на повторный приём –количество таких пациентов достигало 30%.

Основная причина неявки заключалась в специфике графиков работы врачей: время повторного приёма назначалось исходя из индивидуальных предпочтений медперсонала. Руководство клиники хотело создать такой способ составления графиков, при котором расписания были бы удобны и клинике, и врачам, и пациентам. Для этого они поручили Техасскому университету A&M разработать систему для составления и оптимизации графиков приёма врачей. Это должно было помочь снизить количество пациентов, не пришедших на повторный приём. Также в цели исследования входили:

Решение:

Для решения этих задач разработчики создали дискретно-событийную имитационную модель в AnyLogic. Она имитировала запись пациентов к врачу и последующий осмотр. Чтобы точнее описать параметры пациентов, в модели их относили к одной из 5 категорий:

Для каждой категории указывались её доля в общем потоке пациентов с учётом сезонности и время обслуживания одного пациента из этой группы (предполагалось, что первичные пациенты занимают у врача больше времени, чем повторные).

Hospital Scheduling Simulation

Кроме того, в модели пользователь мог задать следующие параметры:

Пользователи модели могли варьировать значения параметров, чтобы оценить, какие изменения помогут оптимизировать рабочее время врачей и уменьшить время ожидания пациентов.

Дискретно-событийная модель имитировала следующую последовательность операций:

Discrete Event Simulation Modeling

Результаты моделирования включали:

Модель также помогла врачам протестировать разные варианты расписаний. Они изменяли время работы и количество пациентов, которых они могли принять, и наблюдали за тем, как меняется их занятость и количество сверхурочных часов.

Discrete Event Simulation Modeling

Почему AnyLogic?

AnyLogic помог разработчикам модели оценить классические показатели для дискретно-событийной модели: загруженность клиники и врачей, а также время, в течение которого пациенты находятся в клинике и в очереди на приём. Разработчики также создали в модели удобный и интуитивно понятный интерфейс. Он поможет неопытным пользователям понять, как работает модель, без дополнительного обучения. В будущем многоподходное моделирование AnyLogic позволит расширить дискретно-событийную модель с помощью агентного и системно-динамического подходов.

Результат:

С помощью модели клиника смогла протестировать гипотезы, касающиеся рабочих процессов в клинике, перед их внедрением. Эти эксперименты позволили составить планы по увеличению эффективности работы клиники и повышению уровня сервиса. Работа с моделью не требовала специальных навыков от пользователя.

Отчёты модели показали детальную статистику по:

Полученные данные позволили руководству отделения увидеть, как графики работы и приёма пациентов влияют на работу клиники, и подтолкнули к изменению политики управления персоналом.

Возможности AnyLogic позволяют в будущем расширять дискретно-событийную модель до нужного уровня. Это облегчит внедрение СППР на основе модели для планирования расписаний в других клиниках.

Похожие проекты

Другие истории успеха