نظرية الطوابير في الرعاية الصحية
- قدّمه
- Agner Krarup Erlang
- السنة
- 1909
- النوع
- Stochastic modeling and optimization technique
- العائلة
- Operations research, Service management
هذا النص ترجمة آلية ولم تتم مراجعته بعد. اقرأ النص الأصلي بالإنجليزية
ماذا تفعل؟
نظرية الطوابير هي تخصص رياضي ينمذج خطوط الانتظار، وسعة الخدمة، وتدفق المرضى. تم تطويرها في الأصل بواسطة أغنر إرلانغ للاتصالات السلكية واللاسلكية في عام 1909، وتم تطبيقها على نطاق واسع في الرعاية الصحية لتحليل وتحسين أقسام الطوارئ، والعيادات الخارجية، وأجنحة العمليات، ومراكز الخدمات التشخيصية.
الفكرة الحدسية وراء الطريقة
تنشأ مشاكل الطوابير عندما يختلف الطلب على الخدمة بشكل غير متوقع وتكون سعة الخدمة ثابتة أو محدودة. في الرعاية الصحية، يصل المرضى على فترات زمنية غير منتظمة، وتختلف أوقات خدمتهم، ويواجه مقدمو الخدمة قيودًا على السعة. تستخدم نظرية الطوابير الاحتمالات والإحصاءات للتنبؤ بأطوال الطوابير، وأوقات الانتظار، واستخدام النظام دون الحاجة إلى محاكاة كل مريض. من خلال فهم هذه العلاقات، يمكن للمديرين تحديد عدد الموظفين أو الأسرة أو وحدات المعدات المطلوبة لتحقيق مستويات خدمة مقبولة.
التاريخ
طور أغنر إرلانغ نظرية الطوابير في عام 1909 أثناء تحليل حجم المكالمات الهاتفية في كوبنهاغن. تم إضفاء الطابع الرسمي على المجال بواسطة ديفيد كيندال، الذي قدم التدوين القياسي لأنواع الطوابير (M/M/1، إلخ) في عام 1953. تسارعت تطبيقات الرعاية الصحية في التسعينيات والعقد الأول من القرن الحادي والعشرين مع تطبيق أساليب بحوث العمليات على تدفق أقسام الطوارئ، وجدولة العمليات، وإدارة العيادات الخارجية. جعلت التوسعات للتعامل مع التوزيعات غير الأسية والوصول المتغير بمرور الوقت النظرية أكثر قابلية للتطبيق على أنظمة الرعاية الصحية الحقيقية.
متى تُستخدم
استخدام نظرية الطوابير عند تحليل أنظمة الخدمة ذات الطلب المتغير والسعة الثابتة، مثل أقسام الطوارئ، والعيادات الخارجية، والخدمات التشخيصية. إنها فعالة في التنبؤ بسلوك النظام دون الحاجة إلى محاكاة مكلفة. افترض أن أوقات الوصول والخدمة عشوائية، وأن النظام في حالة مستقرة (ليس في مرحلة البدء أو الإغلاق)، وأن انضباط الطابور واضح (FIFO، الأولوية). تجنب نظرية الطوابير إذا كانت أنماط الوصول حتمية للغاية، أو إذا كان النظام صغيرًا جدًا (< 3 خوادم)، أو إذا كانت ضوابط الطابور غير القياسية تجعل التحليل معقدًا.
الحدود والاعتبارات
- تفترض نماذج الطوابير القياسية وصولاً عشوائيًا (بواسون) وأوقات خدمة أسية، والتي غالبًا لا تنطبق في الرعاية الصحية
- لا تأخذ في الاعتبار تخلي المرضى عن الخدمة، أو التراجع، أو أنماط التوجيه المعقدة
- تفترض ظروفًا ثابتة؛ لا تتعامل مع الطلب المتغير بمرور الوقت (مثل التباين الموسمي)
- النتائج حساسة للافتراضات حول شكل التوزيع؛ الأخطاء الصغيرة في الافتراضات يمكن أن تؤدي إلى أخطاء تنبؤية كبيرة
- قدرة محدودة على نمذجة التفاعل بين محطات الخدمة المتعددة أو سياسات الأولوية
لا تغني شروط المصدر عن المراجعة العلمية المستقلة أو التحقق بواسطة محرك تحليل.
نقاط القوة
- توفر صيغًا مغلقة لأوقات الانتظار، وأطوال الطوابير، والاستخدام ببيانات قليلة
- تسمح بتحليل سريع للسيناريوهات ودراسات 'ماذا لو' (مثل، إضافة مقدم خدمة يقلل وقت الانتظار بمقدار كم؟)
- تحدد الاختناقات ومستويات التوظيف المثلى لأهداف الخدمة المحددة
- نظرية راسخة مع أدبيات واسعة وتنفيذات برمجية
- تكلفة حسابية منخفضة مقارنة بالمحاكاة
التطبيقات
- التنبؤ بأوقات الانتظار في قسم الطوارئ وتحديد التوظيف الأمثل للأطباء والممرضين لمستويات الخدمة المستهدفة
- تحليل سعة العيادات الخارجية وتحديد ما إذا كان سيتم إضافة مواعيد، أو عيادات متوازية، أو تغيير الجدولة
- تقييم استخدام أجنحة العمليات والتنبؤ بأوقات الانتهاء لزيادة كفاءة الجدول الزمني إلى أقصى حد
- تقييم سعة التصوير التشخيصي (الأشعة المقطعية، الرنين المغناطيسي، الموجات فوق الصوتية) وجدولة نوافذ الصيانة
- تخطيط توظيف مراكز الاتصال لجدولة المرضى وخطوط الاستشارة بناءً على حجم المكالمات المتوقع وأوقات الإجابة المستهدفة
كيف يعمل
كيف يعمل
جمع بيانات عن أنماط وصول المرضى (أوقات الوصول بينية)، وأوقات الخدمة (كم يستغرق العلاج)، وعدد الخوادم (الأطباء، الممرضون، الأسرة، الماسحات الضوئية). يجب أن تغطي البيانات عدة أسابيع أو أشهر لالتقاط التباين والموسمية.
تلخيص أوقات الوصول والخدمة كتوزيعات احتمالية (مثل الأسي، الطبيعي). اختبار ما إذا كانت البيانات المرصودة تتناسب مع التوزيعات القياسية باستخدام اختبارات جودة المطابقة (كولموجوروف-سميرنوف، أندرسون-دارلينج).
تحديد هيكل الطابور: خادم واحد مقابل خوادم متعددة، طابور واحد مقابل طوابير متعددة، وما إذا كانت قواعد الأولوية تنطبق (مرضى الطوارئ أولاً، المواعيد مقابل الحالات العاجلة).
تحديد نظام الطابور باستخدام تدوين كيندال (مثل M/M/c/N: وصول ماركوفي، خدمة ماركوفية، c خادم، سعة النظام N) وحساب مقاييس الحالة المستقرة: متوسط طول الطابور، متوسط وقت الانتظار، استخدام الخادم.
تحديد ما إذا كانت السعة الحالية تلبي أهداف الخدمة (مثل رؤية 90٪ من المرضى في غضون 4 ساعات). إذا لم يكن الأمر كذلك، فحدد ما إذا كان سيتم زيادة عدد الخوادم، أو تقليل وقت الخدمة، أو تطبيق فرز الحالات. إجراء تحليل الحساسية على الافتراضات الرئيسية.
الأخطاء الشائعة
- افتراض أن الوصول عشوائي (بواسون) عندما يكون في الواقع مجدولاً أو له ذروات متعددة في اليوم
- تجاهل تباين المرضى (مثل، حالات الطوارئ مقابل الحالات الروتينية) وتطبيق صيغ الطوابير القياسية على الأنظمة المختلطة
- الخلط بين مقاييس الحالة المستقرة النظرية وسيناريوهات اليوم الأول أو أسوأ الحالات في العالم الواقعي
- استخدام متوسط وقت الخدمة عندما يكون التباين (الانحراف المعياري) مرتفعًا؛ التباين يزيد أوقات الانتظار أكثر بكثير مما يوحي به المتوسط وحده
الأسئلة الشائعة
ما هو طابور M/M/1 ومتى يُستخدم؟
يمثل M/M/1 طابورًا بخادم واحد مع توزيعات وصول وخدمة ماركوفية (أسية). إنه مناسب لنمذجة موظف تسجيل دخول واحد، أو ماسح ضوئي واحد للتصوير، أو مقدم خدمة واحد عندما لا يكون الطلب مرتفعًا جدًا. صيغته لمتوسط وقت الانتظار هي W = λ / (μ(μ − λ))، حيث λ هو معدل الوصول و μ هو معدل الخدمة.
كيف يقلل إضافة مقدم خدمة آخر من وقت الانتظار؟
التأثير غير خطي ويعتمد على الاستخدام الحالي. عند الاستخدام المنخفض (مثل، 30٪ من الخادم مشغول)، يكون لإضافة السعة تأثير ضئيل. عند الاستخدام المرتفع (مثل، 85٪ مشغول)، يمكن أن يؤدي إضافة خادم واحد إلى تقليل وقت الانتظار بشكل كبير. هذا هو السبب في أن أنظمة الرعاية الصحية غالبًا ما تعمل بالقرب من السعة الكاملة وتشهد فترات انتظار طويلة.
هل يمكنني استخدام نظرية الطوابير إذا كان المرضى يصلون بمواعيد؟
جزئيًا. تقلل المواعيد المجدولة العشوائية وتكون أكثر قابلية للتنبؤ، ولكن أنظمة المواعيد لا تزال تشهد حالات عدم حضور، وإلغاء، وأوقات خدمة متغيرة. نموذج هجين (بعض المواعيد، وبعض الحالات العاجلة) شائع في الرعاية الصحية. إذا كانت أوقات الوصول حتمية للغاية (جميع المواعيد)، فقد تكون المحاكاة أفضل.
ماذا يعني 'الاستخدام' وكيف يؤثر على وقت الانتظار؟
الاستخدام (ρ = λ / (c × μ)) هو نسبة سعة الخادم المستخدمة. يعني الاستخدام بنسبة 70٪ أن مقدمي الخدمة مشغولون بنسبة 70٪ من الوقت. مع اقتراب الاستخدام من 100٪، تزداد أوقات الانتظار بشكل أسي. تهدف معظم أنظمة الرعاية الصحية إلى استخدام بنسبة 70-85٪ لتحقيق التوازن بين الكفاءة ومستويات الخدمة.
كيف أختار بين إضافة موظفين مقابل تحسين الكفاءة (تقليل وقت الخدمة)؟
كلاهما يقلل من وقت الانتظار، ولكن تحسينات الكفاءة غالبًا ما تكون أرخص وأكثر استدامة. تقليل متوسط وقت الخدمة بنسبة 10٪ له تأثير مماثل لتوظيف المزيد من الموظفين ولكن بدون تكاليف رواتب طويلة الأجل. أعط الأولوية لتحسين العمليات أولاً، ثم أضف السعة إذا لزم الأمر.
طرق ذات صلة
المصادر
Erlang, A. K. (1909). The theory of probabilities and telephone conversations. Nyt Tidsskrift for Matematik, 20(B), 33–39.
افتح مرجع المنشورتم النسخ.Kendall, D. G. (1953). Stochastic processes occurring in the theory of queues and their application to the theory of failures. Annals of Mathematical Statistics, 24(3), 338–354.
افتح مرجع المنشورتم النسخ.Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.
افتح مرجع المنشورتم النسخ.