Skip to content
بازگشت به نتایج جست‌وجو

نظریه صف در مراقبت‌های بهداشتی

معرفی‌شده توسط
Agner Krarup Erlang
سال
1909
نوع
Stochastic modeling and optimization technique
خانواده
Operations research, Service management

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

اندازه قلم

چه کاری انجام می‌دهد؟

نظریه صف یک رشته ریاضی است که صف‌های انتظار، ظرفیت خدمات و جریان مشتری (بیمار) را مدل‌سازی می‌کند. این نظریه که در ابتدا توسط آگنر ارلنگ در سال ۱۹۰۹ برای مخابرات توسعه یافت، به طور گسترده‌ای در مراقبت‌های بهداشتی برای تجزیه و تحلیل و بهینه‌سازی بخش‌های اورژانس، کلینیک‌های سرپایی، اتاق‌های عمل و مراکز خدمات تشخیصی به کار گرفته شده است.

شهود پشت روش

مشکلات صف زمانی رخ می‌دهند که تقاضا برای خدمات به طور غیرقابل پیش‌بینی متغیر باشد و ظرفیت خدمات ثابت یا محدود باشد. در مراقبت‌های بهداشتی، بیماران در فواصل نامنظم وارد می‌شوند، زمان خدمات آن‌ها متغیر است و ارائه‌دهندگان خدمات محدودیت ظرفیت دارند. نظریه صف از احتمالات و آمار برای پیش‌بینی طول صف، زمان‌های انتظار و میزان استفاده از سیستم بدون نیاز به شبیه‌سازی هر بیمار استفاده می‌کند. با درک این روابط، مدیران می‌توانند تصمیم بگیرند که چه تعداد پرسنل، تخت یا واحد تجهیزات برای دستیابی به سطوح قابل قبول خدمات مورد نیاز است.

تاریخ

آگنر ارلنگ در سال ۱۹۰۹ نظریه صف را هنگام تجزیه و تحلیل حجم تماس‌های تلفنی در کپنهاگ توسعه داد. این حوزه توسط دیوید کندال، که در سال ۱۹۵۳ نمادگذاری استاندارد فعلی برای انواع صف (M/M/1 و غیره) را معرفی کرد، رسمی شد. کاربردهای مراقبت‌های بهداشتی در دهه‌های ۱۹۹۰ و ۲۰۰۰ با اعمال روش‌های تحقیق در عملیات بر جریان بخش اورژانس، زمان‌بندی جراحی و مدیریت کلینیک سرپایی تسریع شد. بسط‌هایی برای مدیریت توزیع‌های غیرنمایی و ورودهای متغیر با زمان، این نظریه را برای سیستم‌های واقعی مراقبت‌های بهداشتی کاربردی‌تر کرده است.

چه زمانی استفاده شود

هنگام تجزیه و تحلیل سیستم‌های خدماتی با تقاضای متغیر و ظرفیت ثابت، مانند بخش‌های اورژانس، کلینیک‌های سرپایی و خدمات تشخیصی، از نظریه صف استفاده کنید. این روش برای پیش‌بینی رفتار سیستم بدون شبیه‌سازی پرهزینه مؤثر است. فرض کنید که ورودها و زمان‌های خدمات تصادفی هستند، سیستم در حالت پایدار است (نه در حال راه‌اندازی یا خاموش شدن)، و نظم صف مشخص است (اولین ورود، اولین خروج؛ اولویت). از نظریه صف اجتناب کنید اگر الگوهای ورود بسیار قطعی هستند، اگر سیستم بسیار کوچک است (کمتر از ۳ سرور)، یا اگر نظم‌های صف غیر استاندارد تحلیل را دشوار می‌کنند.

محدودیت‌ها و ملاحظات

  • مدل‌های استاندارد صف، ورودهای تصادفی (پواسون) و زمان‌های خدمات نمایی را فرض می‌کنند که اغلب در مراقبت‌های بهداشتی صادق نیستند
  • انصراف بیمار، انصراف از انتظار، یا الگوهای مسیریابی پیچیده را در نظر نمی‌گیرد
  • شرایط پایدار را فرض می‌کند؛ تقاضای متغیر با زمان (مانند تغییرات فصلی) را مدیریت نمی‌کند
  • نتایج به مفروضات مربوط به شکل توزیع حساس هستند؛ خطاهای کوچک در مفروضات می‌تواند منجر به خطاهای بزرگ در پیش‌بینی شود
  • توانایی محدود در مدل‌سازی تعامل بین ایستگاه‌های خدماتی متعدد یا سیاست‌های اولویت

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

نقاط قوت

  • فرمول‌های بسته برای زمان‌های انتظار، طول صف‌ها و میزان استفاده با حداقل داده ارائه می‌دهد
  • امکان تحلیل سریع سناریو و مطالعات "چه می‌شود اگر" (به عنوان مثال، افزودن یک ارائه‌دهنده چقدر زمان انتظار را کاهش می‌دهد؟) را فراهم می‌کند
  • گلوگاه‌ها و سطوح بهینه کارکنان را برای اهداف خدماتی معین شناسایی می‌کند
  • نظریه کاملاً تثبیت شده با ادبیات گسترده و پیاده‌سازی‌های نرم‌افزاری
  • هزینه محاسباتی پایین در مقایسه با شبیه‌سازی

کاربردها

  • پیش‌بینی زمان‌های انتظار در بخش اورژانس و تعیین بهینه پزشک و پرستار برای سطوح خدمات هدف
  • تجزیه و تحلیل ظرفیت کلینیک سرپایی و تصمیم‌گیری در مورد افزودن نوبت‌های ویزیت، کلینیک‌های موازی، یا تغییر زمان‌بندی
  • ارزیابی میزان استفاده از اتاق عمل و پیش‌بینی زمان‌های تکمیل کار برای به حداکثر رساندن کارایی برنامه زمان‌بندی
  • ارزیابی ظرفیت تصویربرداری تشخیصی (CT، MRI، سونوگرافی) و زمان‌بندی پنجره‌های نگهداری
  • برنامه‌ریزی کارکنان مرکز تماس برای نوبت‌دهی بیماران و خطوط مشاوره بر اساس حجم تماس مورد انتظار و زمان‌های پاسخ‌دهی هدف

چگونه کار می‌کند

چگونه کار می‌کند

1

جمع‌آوری داده‌ها در مورد الگوهای ورود بیماران (زمان‌های بین ورود)، زمان‌های خدمات (مدت زمان درمان) و تعداد سرورها (پزشکان، پرستاران، تخت‌ها، اسکنرها). داده‌ها باید چندین هفته یا ماه را پوشش دهند تا تغییرات و فصلی بودن را ثبت کنند.

2

خلاصه‌سازی زمان‌های ورود و خدمات به صورت توزیع‌های احتمالی (مانند نمایی، نرمال). با استفاده از آزمون‌های نیکویی برازش (کولموگروف-اسمیرنوف، اندرسون-دارلینگ)، بررسی کنید که آیا داده‌های مشاهده شده با توزیع‌های استاندارد مطابقت دارند یا خیر.

3

شناسایی ساختار صف: سرور تکی در مقابل سرورهای متعدد، صف تکی در مقابل صف‌های متعدد، و اینکه آیا قوانین اولویت اعمال می‌شوند (بیماران اورژانسی اول، نوبت‌دهی شده در مقابل مراجع حضوری).

4

مشخص کردن سیستم صف با استفاده از نمادگذاری کندال (مانند M/M/c/N: ورودهای مارکوفی، خدمات مارکوفی، c سرور، ظرفیت سیستم N) و محاسبه معیارهای حالت پایدار: میانگین طول صف، میانگین زمان انتظار، میزان استفاده از سرور.

5

تعیین اینکه آیا ظرفیت فعلی اهداف خدمات را برآورده می‌کند یا خیر (به عنوان مثال، ۹۰٪ بیماران در عرض ۴ ساعت ویزیت شوند). اگر نه، تعیین کنید که آیا سرورها را افزایش دهید، زمان خدمات را کاهش دهید، یا تریاژ را اجرا کنید. تحلیل حساسیت را بر روی مفروضات کلیدی انجام دهید.

دام‌های رایج

  • فرض اینکه ورودها پواسون هستند در حالی که در واقعیت نوبت‌دهی شده‌اند یا چندین اوج در روز دارند
  • نادیده گرفتن ناهمگونی بیماران (مانند موارد اورژانسی در مقابل موارد روتین) و اعمال فرمول‌های استاندارد صف به سیستم‌های ترکیبی
  • اشتباه گرفتن معیارهای حالت پایدار نظری با سناریوهای واقعی روز اول یا بدترین حالت
  • استفاده از میانگین زمان خدمات در حالی که واریانس (انحراف معیار) بالا است؛ واریانس زمان‌های انتظار را بسیار بیشتر از میانگین به تنهایی افزایش می‌دهد

پرسش‌های متداول

صف M/M/1 چیست و چه زمانی استفاده می‌شود؟

M/M/1 نشان‌دهنده یک صف تک‌سرور با توزیع‌های ورود و زمان خدمات مارکوفی (نمایی) است. این صف برای مدل‌سازی یک متصدی پذیرش تکی، یک اسکنر تصویربرداری منفرد، یا یک ارائه‌دهنده واحد در زمانی که تقاضا بیش از حد بالا نیست، مناسب است. فرمول آن برای میانگین زمان انتظار W = λ / (μ(μ − λ)) است، که در آن λ نرخ ورود و μ نرخ خدمات است.

چگونه افزودن یک ارائه‌دهنده دیگر زمان انتظار را کاهش می‌دهد؟

تأثیر غیرخطی است و به میزان استفاده فعلی بستگی دارد. در میزان استفاده پایین (مثلاً ۳۰٪ سرور مشغول)، افزودن ظرفیت تأثیر کمی دارد. در میزان استفاده بالا (مثلاً ۸۵٪ مشغول)، افزودن یک سرور می‌تواند زمان انتظار را به طرز چشمگیری کاهش دهد. به همین دلیل است که سیستم‌های مراقبت‌های بهداشتی اغلب با ظرفیت کامل کار می‌کنند و انتظار طولانی دارند.

آیا می‌توانم از نظریه صف در صورتی که بیماران با نوبت قبلی می‌آیند استفاده کنم؟

تا حدی. ورودهای نوبت‌دهی شده تصادفی بودن را کاهش می‌دهند و قابل پیش‌بینی‌تر هستند، اما سیستم‌های نوبت‌دهی همچنان با عدم حضور، لغو نوبت و زمان‌های خدمات متغیر روبرو هستند. یک مدل ترکیبی (برخی نوبت‌دهی شده، برخی حضوری) در مراقبت‌های بهداشتی رایج است. اگر ورودها بسیار قطعی باشند (همه نوبت قبلی)، شبیه‌سازی ممکن است بهتر باشد.

«میزان استفاده» به چه معناست و چگونه بر زمان انتظار تأثیر می‌گذارد؟

میزان استفاده (ρ = λ / (c × μ)) کسری از ظرفیت سرور است که استفاده می‌شود. ۷۰٪ میزان استفاده به این معنی است که ارائه‌دهندگان ۷۰٪ زمان مشغول هستند. با نزدیک شدن میزان استفاده به ۱۰۰٪، زمان‌های انتظار به صورت نمایی افزایش می‌یابد. اکثر سیستم‌های مراقبت‌های بهداشتی هدفشان ۷۰ تا ۸۵٪ میزان استفاده است تا کارایی و سطوح خدمات را متعادل کنند.

چگونه بین افزودن کارکنان در مقابل بهبود کارایی (کاهش زمان خدمات) انتخاب کنم؟

هر دو زمان انتظار را کاهش می‌دهند، اما بهبود کارایی اغلب ارزان‌تر و پایدارتر است. کاهش ۱۰٪ میانگین زمان خدمات تأثیر مشابهی با استخدام کارکنان بیشتر دارد اما بدون هزینه‌های حقوق بلندمدت. ابتدا بهبود فرآیند را در اولویت قرار دهید، سپس در صورت نیاز ظرفیت را اضافه کنید.

روش‌های مرتبط

منابع

  1. Erlang, A. K. (1909). The theory of probabilities and telephone conversations. Nyt Tidsskrift for Matematik, 20(B), 33–39.

    باز کردن مرجع انتشار
    کپی شد.
  2. 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.

    باز کردن مرجع انتشار
    کپی شد.
  3. Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.

    باز کردن مرجع انتشار
    کپی شد.