مدل اشغال تخت بیمارستانی
- معرفیشده توسط
- Healthcare operations researchers
- سال
- 2000
- نوع
- Stochastic simulation and time-series forecasting
- خانواده
- Capacity planning, Forecasting
این متن ترجمه ماشینی است و هنوز بازبینی نشده است. متن اصلی را به انگلیسی بخوانید
چه کاری انجام میدهد؟
مدلهای اشغال تخت بیمارستانی با تحلیل الگوهای پذیرش، توزیع طول مدت بستری و پویایی ترخیص، تعداد تختهای اشغال شده را در زمانهای آینده پیشبینی میکنند. این مدلها از تصمیمات تاکتیکی در مورد کارکنان، مدیریت زنجیره تأمین و تصمیمات استراتژیک در مورد افزایش ظرفیت پشتیبانی میکنند.
شهود پشت روش
سرشماری بیمارستان (تعداد بیماران بستری در بیمارستان) بسته به روز هفته، فصل و رویدادهای غیرقابل پیشبینی (شیوع آنفولانزا، حوادث) متغیر است. پیشبینی دقیق اشغال تخت به مدیران در برنامهریزی کارکنان، سفارش لوازم و برنامهریزی نگهداری کمک میکند. این مدل ماهیت تصادفی (تصادفی) پذیرشها و ترخیصها را در بر میگیرد: برخی بیماران یک روز بستری میشوند، برخی دیگر هفتهها. با شبیهسازی هزاران سناریوی ممکن، مدل توزیعهای احتمالی برای اشغال تخت تولید میکند و نه تنها میانگین بلکه احتمال رسیدن به ظرفیت کامل را نیز نشان میدهد.
تاریخ
مدلهای تصادفی سرشماری بیمارستان از تحقیقات عملیاتی در دهههای ۱۹۸۰ و ۱۹۹۰ ظهور کردند. مککارتی و همکارانش پیشبینی تقاضای پذیرش را در اوایل دهه ۲۰۰۰، به ویژه برای بخشهای اورژانس، توسعه دادند. کارهای اخیر مدلها را برای گنجاندن جریانهای انتقالی بین بخشها و گنجاندن سیگنالهای خارجی (آب و هوا، نظارت بر بیماری) به عنوان پیشبینیکننده پذیرشها گسترش داده است. اکثر سیستمهای مراقبتهای بهداشتی مدرن اکنون از انواع مدلهای اشغال برای مدیریت نیروی کار استفاده میکنند.
چه زمانی استفاده شود
استفاده از مدلهای اشغال تخت برای برنامهریزی نیروی کار تاکتیکی (سطوح کارکنان)، مدیریت موجودی (ملحفه، داروها) و برنامهریزی ظرفیت استراتژیک (افزایش تخت). بیشترین ارزش را زمانی دارد که پذیرشها متغیر باشند، الگوهای فصلی وجود داشته باشند، یا زمانی که نیاز به درک خطر فراتر رفتن از ظرفیت دارید. در صورتی که پذیرشها صرفاً برنامهریزی شده باشند یا دادههای تاریخی کم باشند (کمتر از ۳ ماه) از آن اجتناب کنید.
محدودیتها و ملاحظات
- فرض میکند الگوهای آینده با دادههای تاریخی مطابقت دارند؛ تغییرات ساختاری (برنامههای جدید، ادغام بخشها) را در نظر نمیگیرد.
- به کیفیت دادهها حساس است؛ پذیرشهای گمشده یا طبقهبندی نادرست، مدل را تحریف میکنند.
- توزیعهای طول مدت بستری اغلب دارای دمهای سنگین هستند (تعداد کمی از بیماران بسیار طولانیتر میمانند)، که نیاز به برازش آماری دقیق دارد.
- جریان بیماران بین بخشها یا تمایز بین آمار بیماران بستری و تختهای مجاز را در نظر نمیگیرد.
- پیچیدگی مدل میتواند مفروضات را پنهان کند؛ کاربران ممکن است محدودیتهای پیشبینیها را درک نکنند.
شرایط منبع جایگزین بررسی علمی مستقل یا اعتبارسنجی توسط موتور تحلیل نیست.
نقاط قوت
- استوکاستیسیته طبیعی در پذیرشها و طول مدت بستری را در بر میگیرد؛ میانگینهای قطعی میتوانند گمراهکننده باشند.
- توزیعهای احتمالی را به جای برآوردهای نقطهای ارائه میدهد و تصمیمگیری مبتنی بر ریسک را ممکن میسازد.
- انعطافپذیر برای گنجاندن عوامل متعدد (انواع پذیرش، تشخیصها، فصلی بودن، شوکهای خارجی).
- از تحلیل 'چه میشود اگر' پشتیبانی میکند: ارزیابی تأثیر کاهش طول مدت بستری یا افزایش ظرفیت.
- پیادهسازی و بهروزرسانی نسبتاً ساده با ورود دادههای جدید.
کاربردها
- پیشبینی اشغال تخت روزانه برای پشتیبانی از برنامههای کارکنان پرستاری و تصمیمات اضافه کاری.
- پیشبینی تقاضای ملحفه و لوازم بر اساس سرشماری مورد انتظار برای مدیریت کارآمد موجودی.
- ارزیابی اینکه آیا تختهای بیشتری اضافه شود یا واحد جدیدی بر اساس محدودیتهای ظرفیت پیشبینی شده باز شود.
- تعیین سیاستهای ترخیص بهینه یا اهداف کاهش طول مدت بستری برای بهبود در دسترس بودن تخت.
- ارزیابی تأثیر افزایشهای فصلی (فصل آنفولانزا) بر ظرفیت و آمادگی بیمارستان.
چگونه کار میکند
چگونه کار میکند
جمعآوری دادههای پذیرش (تاریخ، زمان، تشخیص پذیرش)، دادههای طول مدت بستری (LOS) برای بیماران ترخیص شده و الگوهای بستری مجدد. حداقل ۱۲ ماه داده تاریخی برای ثبت الگوهای فصلی را شامل شود.
پاکسازی دادهها از خطاها، مدیریت مقادیر گمشده، دستهبندی پذیرشها بر اساس نوع (اورژانس، برنامهریزی شده، انتقالی). محاسبه توزیع طول مدت بستری بر اساس نوع پذیرش و تشخیص. شناسایی و مستندسازی الگوهای سیستماتیک (به عنوان مثال، پذیرش کمتر در آخر هفتهها).
تحلیل نرخ پذیرش بر اساس ساعت، روز هفته و فصل. آزمون اینکه آیا طول مدت بستری از توزیعهای رایج (نمایی، لگاریتمی نرمال، وایبول) پیروی میکند. بررسی همبستگی بین نوع پذیرش و طول مدت بستری.
ساخت یک مدل شبیهسازی که زمانهای پذیرش تصادفی را از توزیعهای برازش شده تولید میکند، طول مدت بستری را به هر بیمار اختصاص میدهد و اشغال را در طول زمان محاسبه میکند. هزاران تکرار را برای تخمین توزیع اشغال آینده اجرا کنید.
تولید پیشبینیهای اشغال که احتمال اشغال را بر اساس افق زمانی (روزانه، هفتگی) نشان میدهد. شناسایی گلوگاههای ظرفیت (احتمال فراتر رفتن از تختهای موجود). ارزیابی سناریوها (باز کردن واحد جدید، کاهش ۱۰٪ طول مدت بستری) برای پشتیبانی از تصمیمات برنامهریزی.
دامهای رایج
- برازش طول مدت بستری به یک توزیع ساده (نرمال) زمانی که توزیع واقعی به شدت کج است؛ این امر خطر اشغال دم را دست کم میگیرد.
- استفاده صرف از نرخ پذیرش میانگین و طول مدت بستری میانگین؛ تغییرپذیری بالا به این معنی است که توزیع اشغال گستردهتر از آنچه شهود نشان میدهد، است.
- نادیده گرفتن اثرات فصلی و روز هفته، منجر به سوگیری سیستماتیک در پیشبینی میشود.
- عدم اعتبارسنجی مدل در برابر دادههای آزمایشی نگهداری شده قبل از اتکا به پیشبینیها برای تصمیمات حیاتی.
پرسشهای متداول
تفاوت بین سرشماری و اشغال تخت چیست؟
سرشماری تعداد بیماران حاضر در بیمارستان در یک لحظه معین است. نرخ اشغال، سرشماری تقسیم بر تختهای مجاز است. هر دو مفید هستند: سرشماری برای برنامهریزی کارکنان و لوازم، نرخ اشغال برای مدیریت ظرفیت.
تا چه مدت قبل میتوانم اشغال را به طور قابل اعتماد پیشبینی کنم؟
پیشبینیها در فاصله ۱ تا ۷ روز آینده قابل اعتمادترین هستند، جایی که الگوهای تاریخی راهنمایی قوی ارائه میدهند. فراتر از ۲ هفته، عدم قطعیت به طور قابل توجهی افزایش مییابد. پیشبینیهای فصلی (به عنوان مثال، اشغال زمستان بیشتر از تابستان) میتواند برای برنامهریزی سالانه مفید باشد.
چگونه رویدادهای فوقالعاده (همهگیری، فاجعه طبیعی) را مدیریت کنم؟
مدلهای استاندارد 'وضعیت عادی' را فرض میکنند. برای رویدادهای فوقالعاده، مدل را با افزایش نرخ پذیرش یا کاهش نرخ ترخیص بر اساس قضاوت کارشناسانه تنظیم کنید. پس از رویداد، مدل را بر اساس شرایط عادی جدید دوباره آموزش دهید.
آیا باید هر بخش را جداگانه مدلسازی کنم یا همه تختها را با هم؟
با یک مدل در سطح بیمارستان برای ظرفیت کلی شروع کنید، سپس مدلهای خاص بخش را برای کارکنان دقیق بسازید. انتقال بین بخشها مدلهای تک بخشی را پیچیده میکند؛ با گنجاندن جریانهای انتقالی، آنها را در نظر بگیرید.
چگونه اعتبار مدل خود را تأیید کنم؟
۳ ماه آخر دادههای تاریخی را برای آزمایش رزرو کنید. مدل را بر روی دادههای قبلی اجرا کنید، پیشبینیهایی برای دوره رزرو شده تولید کنید و پیشبینیها را با اشغال واقعی مقایسه کنید. دقت پیشبینی را پیگیری کنید (میانگین خطای مطلق، پوشش فواصل پیشبینی).
روشهای مرتبط
منابع
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.
باز کردن مرجع انتشارکپی شد.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.
باز کردن مرجع DOIکپی شد.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.
باز کردن مرجع انتشارکپی شد.