Skip to content
بازگشت به نتایج جست‌وجو

کارایی بیمارستان با تحلیل پوششی داده‌ها

معرفی‌شده توسط
Abraham Charnes, William Cooper, Edward Rhodes
سال
1978
نوع
Non-parametric frontier estimation technique
خانواده
Efficiency measurement, Operations management

این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید

اندازه قلم

چه کاری انجام می‌دهد؟

تحلیل پوششی داده‌ها (DEA) یک تکنیک برنامه‌ریزی خطی برای اندازه‌گیری کارایی نسبی بیمارستان‌های متعدد با استفاده از ورودی‌ها و خروجی‌های چندگانه است.

DEA که در سال ۱۹۷۸ توسط چارنز، کوپر و رودز معرفی شد، به روش استاندارد برای سنجش عملکرد بیمارستان‌ها در سیستم‌های مراقبت بهداشتی در سراسر جهان تبدیل شده است.

شهود پشت روش

DEA با شناسایی کارآمدترین بیمارستان‌ها (آنهایی که روی مرز کارایی قرار دارند) و مقایسه سایرین با آنها کار می‌کند. به جای فرض یک تابع تولید از پیش تعیین شده، DEA به داده‌ها اجازه می‌دهد تا معنای کارایی را تعریف کنند. هر بیمارستان به عنوان یک واحد تصمیم‌گیری (DMU) در نظر گرفته می‌شود و این روش یک معیار مجازی ساخته شده از ترکیبات بهترین بیمارستان‌های عملکردی را ایجاد می‌کند. بیمارستانی ۱۰۰٪ کارآمد است اگر هیچ ترکیبی از بیمارستان‌های دیگر از ورودی‌های کمتری برای تولید خروجی‌های مشابه استفاده نکند.

تاریخ

DEA توسط چارنز، کوپر و رودز در دانشگاه تگزاس در سال ۱۹۷۸، با تکیه بر مفهوم کارایی فنی فارل، توسعه یافت. مدل CCR (چارنز-کوپر-رودز) بازده ثابت به مقیاس را فرض می‌کند. در سال ۱۹۸۴، بنکر، چارنز و کوپر مدل BCC را معرفی کردند که بازده متغیر به مقیاس را مجاز می‌داند و DEA را برای بیمارستان‌های کوچکتر و آنهایی که در مقیاس‌های مختلف فعالیت می‌کنند، تطبیق داد. از دهه ۱۹۹۰، DEA به طور گسترده‌ای در سیستم‌های مراقبت‌های بهداشتی در ایالات متحده، اروپا و آسیا به کار گرفته شده است.

چه زمانی استفاده شود

هنگام مقایسه عملکرد چندین بیمارستان با فرآیندهای تولید پیچیده شامل ورودی‌ها و خروجی‌های متعدد از DEA استفاده کنید. این روش به ویژه زمانی مفید است که معیارهای مالی سنتی پیچیدگی کامل عملیات مراقبت‌های بهداشتی را در بر نمی‌گیرند. DEA فرض می‌کند که بیمارستان‌های با ویژگی‌های مشابه باید با همتایان مشابه مقایسه شوند و کارایی را می‌توان بدون یک شکل تابعی از پیش تعیین شده اندازه‌گیری کرد. از DEA اجتناب کنید اگر حجم نمونه بسیار کوچک است (کمتر از ۳ × (تعداد ورودی‌ها + خروجی‌ها))، اگر متغیرهای طبقه‌بندی غالب هستند، یا اگر همگنی واحد قابل تضمین نیست.

محدودیت‌ها و ملاحظات

  • نتایج به گنجاندن یا حذف متغیرها حساس هستند؛ انتخاب متغیر اشتباه می‌تواند رتبه‌بندی‌ها را تحریف کند
  • خطای تصادفی یا خطای اندازه‌گیری را در نظر نمی‌گیرد
  • نیاز به حجم نمونه نسبتاً بزرگ دارد (معمولاً حداقل ۱۰ برابر مجموع ورودی‌ها و خروجی‌ها)
  • همگنی در میان واحدها را فرض می‌کند؛ انواع مختلف بیمارستان‌ها می‌تواند منجر به امتیازات کارایی گمراه‌کننده شود

شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.

نقاط قوت

  • مدیریت ورودی‌ها و خروجی‌های متعدد بدون نیاز به وزن‌های از پیش تعیین شده
  • رویکرد غیرپارامتری، فرض خاصی برای شکل تابع تولید ندارد
  • شناسایی بیمارستان‌های همتای خاص و ارائه اهداف بهبود عملی
  • مقاوم در برابر داده‌های پرت در مقایسه با روش‌های مبتنی بر رگرسیون
  • به طور گسترده در سیاست‌گذاری مراقبت‌های بهداشتی و زمینه‌های بهبود کیفیت پذیرفته شده است

کاربردها

  • مقایسه کارایی در سراسر شبکه‌های بیمارستانی برای شناسایی کم‌عملکردها و بهترین شیوه‌ها
  • حمایت از تصمیمات تخصیص منابع با شناسایی بیمارستان‌هایی که نیاز به بودجه اضافی یا بازسازی دارند
  • مقایسه بیمارستان‌های آموزشی با بیمارستان‌های جامعه برای در نظر گرفتن تفاوت‌ها در مأموریت و پیچیدگی بیمار
  • ارزیابی تأثیر ادغام و تجمیع بر کارایی بیمارستان با مقایسه امتیازات DEA قبل و بعد از ادغام
  • اندازه‌گیری اثربخشی طرح‌های بهبود کیفیت با ردیابی تغییرات کارایی در طول زمان

چگونه کار می‌کند

چگونه کار می‌کند

1

جمع‌آوری داده‌های ورودی و خروجی برای همه بیمارستان‌ها. ورودی‌های معمول شامل تعداد کارکنان، تعداد تخت‌ها، هزینه‌های عملیاتی و تجهیزات است. خروجی‌ها شامل ترخیص بیماران، روزهای بستری، ویزیت‌های سرپایی و موارد اورژانسی درمان شده است.

2

پاکسازی داده‌ها، حذف داده‌های پرت، تأیید سازگاری، استانداردسازی واحدها و اطمینان از اینکه همه متغیرها در مقیاس‌های مناسب قرار دارند. تأیید کنید که هیچ مقدار منفی وجود ندارد و طبقه‌بندی بیمارستان‌ها سازگار است.

3

شناسایی مجموعه مرجع (بیمارستان‌های کارآمد) و گروه‌بندی بیمارستان‌ها بر اساس نوع در صورت نیاز (مراقبت‌های اولیه، بیمارستان‌های آموزشی و غیره) برای اطمینان از مقایسه‌های منصفانه.

4

فرموله‌بندی و حل مسائل برنامه‌ریزی خطی برای هر بیمارستان، چه در جهت‌گیری CCR (بازده ثابت به مقیاس) یا BCC (بازده متغیر به مقیاس)، محاسبه امتیازات کارایی از ۰ تا ۱.

5

تفسیر نتایج، شناسایی همتایان (بیمارستان‌های معیار)، تجزیه و تحلیل منابع ناکارآمدی، توسعه اهداف بهبود و انتقال یافته‌ها به مدیریت بیمارستان.

دام‌های رایج

  • انتخاب تعداد زیاد ورودی یا خروجی امتیازات کارایی را افزایش می‌دهد (نفرین ابعاد)
  • تفسیر نادرست امتیازات کارایی به عنوان معیارهای مطلق کیفیت به جای مقایسه نسبی با همتایان
  • عدم در نظر گرفتن عوامل خارجی (شدت ترکیب بیمار، جغرافیا، محدودیت‌های سیاستی) که بر ورودی‌ها و خروجی‌ها تأثیر می‌گذارند

پرسش‌های متداول

تفاوت بین مدل‌های CCR و BCC چیست؟

مدل CCR بازده ثابت به مقیاس (دو برابر شدن ورودی‌ها، دو برابر شدن خروجی‌ها) را فرض می‌کند، در حالی که مدل BCC بازده متغیر به مقیاس را مجاز می‌داند و برای بیمارستان‌های با اندازه‌های مختلف مناسب‌تر است. هنگام مقایسه بیمارستان‌هایی که در مقیاس‌های کاملاً متفاوتی فعالیت می‌کنند، از BCC استفاده کنید.

چه تعداد متغیر باید در تحلیل خود بگنجانم؟

قاعده سرانگشتی این است که حداقل ۱۰ تا ۲۰ مشاهده برای هر ترکیب ورودی-خروجی داشته باشید. تعداد زیاد متغیرها امتیازات کارایی را افزایش می‌دهد؛ تعداد کم ممکن است ابعاد مهم عملکرد را نادیده بگیرد. با معیارهای اصلی شروع کنید و نتایج را از طریق تحلیل حساسیت اعتبارسنجی کنید.

آیا DEA می‌تواند تفاوت در ترکیب بیمار را در نظر بگیرد؟

DEA خود مستقیماً برای ترکیب بیمار تنظیم نمی‌کند، اما می‌توانید خروجی‌های وزن‌دار ترکیب بیمار (مانند ترخیص بیماران با تعدیل ریسک) را بگنجانید یا بیمارستان‌ها را بر اساس نوع طبقه‌بندی کنید تا از مقایسه منصفانه مؤسسات مشابه اطمینان حاصل کنید.

امتیاز کارایی ۰.۸۵ به چه معناست؟

امتیاز کارایی ۰.۸۵ به این معنی است که بیمارستان در مقایسه با کارآمدترین همتایان خود، ۱۵٪ ورودی بیشتری نسبت به حد لازم برای تولید سطح فعلی خروجی‌های خود استفاده می‌کند. این بیمارستان می‌تواند به طور بالقوه ورودی‌ها را ۱۵٪ کاهش دهد در حالی که همان سطح خروجی را حفظ می‌کند.

چگونه بیمارستان‌هایی که معیار هستند را شناسایی کنم؟

DEA به طور خودکار مجموعه مرجع یا گروه همتایان را برای هر بیمارستان ناکارآمد شناسایی می‌کند. اینها بیمارستان‌های کارآمد (آنهایی که روی مرز قرار دارند) هستند که ترکیب ورودی‌ها و خروجی‌های آنها بیشترین شباهت را به بیمارستان ناکارآمد دارد.

روش‌های مرتبط

منابع

  1. Charnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operational Research, 2(6), 429–444.

    باز کردن مرجع DOI
    کپی شد.
  2. Bannick, R. R., & Ozcan, Y. A. (2008). Efficiency evaluation of long-term care facilities. Health Care Management Science, 11(2), 81–91.

    باز کردن مرجع انتشار
    کپی شد.
  3. Ozcan, Y. A. (2014). Health Care Management: A Quantitative Approach (4th ed.). John Wiley & Sons.

    باز کردن مرجع انتشار
    کپی شد.