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:
- увеличение эффективности работы терапевтов;
- увеличение коэффициента использования помещений клиники;
- снижение количества сверхурочных часов врачей;
- снижение времени ожидания приёма для пациентов.
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:
- неотложные пациенты;
- первичные пациенты со страховкой;
- повторные пациенты со страховкой;
- первичные пациенты без страховки;
- повторные пациенты без страховки.
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).
Кроме того, в модели пользователь мог задать следующие параметры:
- количество пациентов, которое клиника может принять за один час;
- доля неявившихся пациентов;
- время работы врачей каждый день и количество пациентов, которое врач готов принимать ежедневно;
- доля пациентов, перенаправленных на осмотр фельдшерам или врачам.
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:
- Пациенты разделялись на пять групп. Неотложные пациенты осматривались в тот же день, а остальные записывались на приём и ожидали этого времени дома.
- Когда пациенту нужно было прийти на приём, модель рассчитывала вероятность явки на основе входных данных.
- Если пациент являлся на приём, он осматривался врачом или фельдшером, после чего покидал клинику.
Результаты моделирования включали:
- число обслуженных пациентов с разбивкой по группам;
- число неявившихся пациентов;
- среднее время ожидания пациента в каждой группе от дня записи на приём до визита к доктору;
- доля пациентов, выписанных врачом или фельдшером;
- максимальное количество пациентов, которое может принимать клиника ежедневно.
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.
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:
- эффективности рабочих графиков персонала;
- сверхурочной работе
- распределению пациентов между медперсоналом;
- времени ожидания приёма и т.д.
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.
