نموذج إشغال أسرة المستشفى
- قدّمه
- Healthcare operations researchers
- السنة
- 2000
- النوع
- Stochastic simulation and time-series forecasting
- العائلة
- Capacity planning, Forecasting
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
تتنبأ نماذج إشغال أسرة المستشفى بعدد الأسرة المشغولة في أوقات مستقبلية من خلال تحليل أنماط القبول، وتوزيعات مدة الإقامة، وديناميكيات الخروج. تدعم هذه النماذج القرارات التكتيكية المتعلقة بالتوظيف، وإدارة سلسلة التوريد، والقرارات الاستراتيجية المتعلقة بتوسيع القدرات.
الفكرة الحدسية وراء الطريقة
يختلف تعداد المرضى في المستشفى (عدد المرضى في المستشفى) حسب يوم الأسبوع والموسم والأحداث غير المتوقعة (تفشي الإنفلونزا، الحوادث). يساعد التنبؤ الدقيق بإشغال الأسرة المديرين على جدولة الموظفين وطلب الإمدادات والتخطيط للصيانة. يلتقط النموذج الطبيعة العشوائية (الاحتمالية) للقبول والخروج: يبقى بعض المرضى ليوم واحد، والبعض الآخر لأسابيع. من خلال محاكاة آلاف السيناريوهات المحتملة، ينتج النموذج توزيعات احتمالية لإشغال الأسرة، ويكشف ليس فقط عن المتوسط ولكن أيضًا عن احتمالية الوصول إلى السعة الكاملة.
التاريخ
ظهرت النماذج العشوائية لتعداد المرضى في المستشفيات من بحوث العمليات في الثمانينيات والتسعينيات. تقدم ماكارثي وزملاؤه في التنبؤ بالطلب على القبول في أوائل العقد الأول من القرن الحادي والعشرين، خاصة لأقسام الطوارئ. امتدت الأعمال الحديثة لتشمل تدفقات التحويل بين الوحدات ولتضمين إشارات خارجية (الطقس، مراقبة الأمراض) كمؤشرات للقبول. تستخدم معظم أنظمة الرعاية الصحية الحديثة الآن متغيرات من نماذج الإشغال لإدارة القوى العاملة.
متى تُستخدم
استخدام نماذج إشغال الأسرة للتخطيط التكتيكي للقوى العاملة (مستويات التوظيف)، وإدارة المخزون (البياضات، الأدوية)، والتخطيط الاستراتيجي للسعة (توسيع الأسرة). الأكثر قيمة عندما تكون القبولات متغيرة، وعندما توجد أنماط موسمية، أو عندما تحتاج إلى فهم مخاطر تجاوز السعة. تجنب استخدامها إذا كانت القبولات مجدولة بالكامل أو إذا كانت البيانات التاريخية قليلة (< 3 أشهر).
الحدود والاعتبارات
- يفترض أن الأنماط المستقبلية تطابق البيانات التاريخية؛ لا يأخذ في الاعتبار التغييرات الهيكلية (برامج جديدة، أقسام مدمجة)
- حساس لجودة البيانات؛ القبولات المفقودة أو المصنفة بشكل خاطئ تشوه النموذج
- توزيعات مدة الإقامة غالبًا ما تكون لها ذيول ثقيلة (يبقى عدد قليل من المرضى لفترة أطول بكثير)، مما يتطلب ملاءمة إحصائية دقيقة
- لا يأخذ في الاعتبار تدفقات المرضى بين الوحدات أو التمييز بين تعداد المرضى المقبولين والأسرة المرخصة
- يمكن أن يخفي تعقيد النموذج الافتراضات؛ قد لا يفهم المستخدمون حدود التنبؤات
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- يلتقط العشوائية الطبيعية في القبولات ومدة الإقامة؛ المتوسطات الحتمية يمكن أن تكون مضللة
- يوفر توزيعات احتمالية بدلاً من تقديرات نقطية، مما يتيح اتخاذ القرارات القائمة على المخاطر
- مرن ليشمل عوامل متعددة (أنواع القبول، التشخيصات، الموسمية، الصدمات الخارجية)
- يدعم تحليل 'ماذا لو': تقييم تأثير تقليل مدة الإقامة أو زيادة السعة
- سهل التنفيذ والتحديث نسبيًا مع وصول بيانات جديدة
التطبيقات
- التنبؤ بإشغال الأسرة اليومي لدعم جداول توظيف التمريض وقرارات العمل الإضافي
- التنبؤ بالطلب على البياضات والإمدادات بناءً على التعداد المتوقع لتحقيق كفاءة إدارة المخزون
- تقييم ما إذا كان سيتم إضافة أسرة أو فتح وحدة جديدة بناءً على قيود السعة المتوقعة
- تحديد سياسات الخروج المثلى أو أهداف تقليل مدة الإقامة لتحسين توافر الأسرة
- تقييم تأثير الزيادات الموسمية (موسم الإنفلونزا) على سعة المستشفى والاستعداد
كيف يعمل
كيف يعمل
جمع بيانات القبول (التاريخ، الوقت، تشخيص القبول)، وبيانات مدة الإقامة (LOS) للمرضى الذين تم خروجهم، وأنماط إعادة القبول. تضمين ما لا يقل عن 12 شهرًا من البيانات التاريخية لالتقاط الأنماط الموسمية.
تنظيف البيانات من الأخطاء، ومعالجة القيم المفقودة، وتصنيف القبول حسب النوع (طوارئ، مجدول، تحويلات). حساب توزيعات مدة الإقامة حسب نوع القبول والتشخيص. تحديد وتوثيق الأنماط المنهجية (مثل، عدد أقل من القبولات في عطلات نهاية الأسبوع).
تحليل معدلات القبول حسب الساعة ويوم الأسبوع والموسم. اختبار ما إذا كانت مدة الإقامة تتبع توزيعات شائعة (أسية، لوغاريتمية طبيعية، وايبل). فحص الارتباطات بين نوع القبول ومدة الإقامة.
بناء نموذج محاكاة يولد أوقات قبول عشوائية من التوزيعات الملائمة، ويخصص مدة إقامة لكل مريض، ويحسب الإشغال بمرور الوقت. تشغيل آلاف التكرارات لتقدير توزيع الإشغال المستقبلي.
إنشاء تنبؤات بالإشغال تُظهر احتمالية الإشغال حسب الأفق الزمني (يومي، أسبوعي). تحديد اختناقات السعة (احتمالية تجاوز الأسرة المتاحة). تقييم السيناريوهات (فتح وحدة جديدة، تقليل مدة الإقامة بنسبة 10٪) لدعم قرارات التخطيط.
الأخطاء الشائعة
- ملاءمة مدة الإقامة لتوزيع بسيط (طبيعي) عندما يكون التوزيع الفعلي منحرفًا بشدة؛ هذا يقلل من تقدير مخاطر الإشغال في الذيل
- استخدام متوسط معدل القبول ومتوسط مدة الإقامة فقط؛ التباين العالي يعني أن توزيع الإشغال أوسع مما يوحي به الحدس
- تجاهل الموسمية وتأثيرات يوم الأسبوع، مما يؤدي إلى تحيز منهجي في التنبؤ
- الفشل في التحقق من صحة النموذج مقابل بيانات اختبار محجوزة قبل الاعتماد على التنبؤات للقرارات الهامة
الأسئلة الشائعة
ما الفرق بين تعداد المرضى وإشغال الأسرة؟
تعداد المرضى هو عدد المرضى الموجودين فعليًا في المستشفى في لحظة معينة. معدل الإشغال هو تعداد المرضى مقسومًا على الأسرة المرخصة. كلاهما مفيد: تعداد المرضى لتخطيط التوظيف والإمدادات، ومعدل الإشغال لإدارة السعة.
إلى أي مدى يمكنني التنبؤ بالإشغال بشكل موثوق؟
التنبؤات الأكثر موثوقية تكون قبل 1-7 أيام، حيث توفر الأنماط التاريخية توجيهًا قويًا. بعد أسبوعين، تتسع حالة عدم اليقين بشكل كبير. يمكن أن تكون التنبؤات الموسمية (مثل، إشغال الشتاء أعلى من الصيف) مفيدة للتخطيط السنوي.
كيف أتعامل مع الأحداث الاستثنائية (جائحة، كارثة طبيعية)؟
تفترض النماذج القياسية 'العمل كالمعتاد'. بالنسبة للأحداث الاستثنائية، قم بتعديل النموذج عن طريق زيادة معدلات القبول أو تقليل معدلات الخروج بناءً على حكم الخبراء. بعد الحدث، أعد تدريب النموذج على الظروف الطبيعية الجديدة.
هل يجب أن أقوم بنمذجة كل جناح على حدة أم جميع الأسرة معًا؟
ابدأ بنموذج على مستوى المستشفى للسعة الإجمالية، ثم قم ببناء نماذج خاصة بالوحدات للتوظيف التفصيلي. تعقد التحويلات بين الوحدات نماذج الوحدة الواحدة؛ خذها في الاعتبار عن طريق تضمين تدفقات التحويل.
كيف أتحقق من دقة نموذجي؟
احتفظ بآخر 3 أشهر من البيانات التاريخية للاختبار. قم بتشغيل النموذج على بيانات سابقة، وأنشئ تنبؤات للفترة المحجوزة، وقارن التنبؤات بالتعداد الفعلي. تتبع دقة التنبؤ (متوسط الخطأ المطلق، تغطية فترات التنبؤ).
طرق ذات صلة
المصادر
Tikk, D., Kóczy, L. T., & Gedeon, T. D. (2003). A survey on fuzzy relational equations and their applications in web intelligence. In W. Pedrycz (Ed.), Handbook of Granular Computing (pp. 521–542). John Wiley & Sons.
افتح مرجع المنشورتم النسخ.McCarthy, M. L., Zeger, S. L., Ding, R., Levin, S. R., Desmond, J. S., Lee, J., & Aronsky, D. (2008). The challenge of predicting demand for emergency department services. Academic Emergency Medicine, 15(4), 337–346.
افتح مرجع DOIتم النسخ.Helm, J. E., AhmadBeygi, S., & Van Oyen, M. P. (2011). Design and analysis of hospital admission control for optimizing quality of care. Operations Research, 59(5), 1153–1166.
افتح مرجع المنشورتم النسخ.