Skip to content
Retour aux résultats

Modèles d'occupation des lits d'hôpital

Introduite par
Healthcare operations researchers
Année
2000
Type
Stochastic simulation and time-series forecasting
Famille
Capacity planning, Forecasting

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Les modèles d'occupation des lits d'hôpital prévoient le nombre de lits occupés à des moments futurs en analysant les schémas d'admission, les distributions de durée de séjour et la dynamique des sorties.

Ces modèles soutiennent les décisions tactiques concernant la dotation en personnel, la gestion de la chaîne d'approvisionnement et les décisions stratégiques concernant l'expansion de la capacité.

L’intuition derrière la méthode

Le recensement hospitalier (nombre de patients dans l'hôpital) varie selon le jour de la semaine, la saison et les événements imprévisibles (épidémies de grippe, accidents). Une prévision précise de l'occupation des lits aide les gestionnaires à planifier le personnel, à commander les fournitures et à planifier la maintenance. Le modèle capture la nature stochastique (aléatoire) des admissions et des sorties : certains patients restent un jour, d'autres des semaines. En simulant des milliers de scénarios possibles, le modèle produit des distributions de probabilité pour l'occupation des lits, révélant non seulement la moyenne, mais aussi la probabilité d'atteindre la pleine capacité.

Histoire

Les modèles stochastiques du recensement hospitalier sont issus de la recherche opérationnelle dans les années 1980 et 1990. McCarthy et ses collègues ont fait progresser la prévision de la demande d'admission au début des années 2000, en particulier pour les services d'urgence. Des travaux récents ont étendu les modèles pour inclure les flux de transfert entre les unités et pour incorporer des signaux externes (météo, surveillance des maladies) comme prédicteurs des admissions. La plupart des systèmes de santé modernes utilisent désormais des variantes de modèles d'occupation pour la gestion de la main-d'œuvre.

Quand l’utiliser

Utiliser les modèles d'occupation des lits pour la planification tactique de la main-d'œuvre (niveaux de personnel), la gestion des stocks (linge, médicaments) et la planification stratégique de la capacité (expansion des lits). Le plus précieux lorsque les admissions sont variables, lorsqu'il existe des schémas saisonniers, ou lorsque vous devez comprendre le risque de dépasser la capacité. À éviter si les admissions sont purement programmées ou si les données historiques sont rares (< 3 mois).

Limites et points d’attention

  • Suppose que les schémas futurs correspondent aux données historiques ; ne tient pas compte des changements structurels (nouveaux programmes, départements fusionnés)
  • Sensible à la qualité des données ; les admissions manquantes ou mal classées faussent le modèle
  • Les distributions de LOS ont souvent des queues lourdes (quelques patients restent beaucoup plus longtemps), nécessitant un ajustement statistique minutieux
  • Ne tient pas compte des flux de patients entre les unités ni de la distinction entre le recensement des patients admis et les lits autorisés
  • La complexité du modèle peut masquer les hypothèses ; les utilisateurs peuvent ne pas comprendre les limites des prédictions

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Capture la stochasticité naturelle des admissions et de la LOS ; les moyennes déterministes peuvent être trompeuses
  • Fournit des distributions de probabilité plutôt que des estimations ponctuelles, permettant une prise de décision basée sur le risque
  • Flexible pour inclure de nombreux facteurs (types d'admission, diagnostics, saisonnalité, chocs externes)
  • Soutient l'analyse « et si » : évaluer l'impact de la réduction de la LOS ou de l'augmentation de la capacité
  • Relativement simple à mettre en œuvre et à mettre à jour à mesure que de nouvelles données arrivent

Applications

  • Prévoir l'occupation quotidienne des lits pour soutenir les plannings du personnel infirmier et les décisions relatives aux heures supplémentaires
  • Prévoir la demande de linge et de fournitures en fonction du recensement attendu pour une gestion efficace des stocks
  • Évaluer s'il faut ajouter des lits ou ouvrir une nouvelle unité en fonction des contraintes de capacité projetées
  • Déterminer des politiques de sortie optimales ou des objectifs de réduction de la LOS pour améliorer la disponibilité des lits
  • Évaluer l'impact des pics saisonniers (saison grippale) sur la capacité et la préparation de l'hôpital

Comment ça marche

Comment ça marche

1

Collecter les données d'admission (date, heure, diagnostic d'admission), les données de durée de séjour (LOS) pour les patients sortis et les schémas de réadmission. Inclure au moins 12 mois de données historiques pour capturer les schémas saisonniers.

2

Nettoyer les données des erreurs, gérer les valeurs manquantes, catégoriser les admissions par type (urgence, programmé, transferts). Calculer les distributions de LOS par type d'admission et diagnostic. Identifier et documenter les schémas systématiques (par exemple, moins d'admissions le week-end).

3

Analyser les taux d'admission par heure, jour de la semaine et saison. Tester si la LOS suit des distributions courantes (exponentielle, log-normale, Weibull). Examiner les corrélations entre le type d'admission et la LOS.

4

Construire un modèle de simulation qui génère des temps d'admission aléatoires à partir des distributions ajustées, attribue une LOS à chaque patient et calcule l'occupation au fil du temps. Exécuter des milliers de réplications pour estimer la distribution de l'occupation future.

5

Générer des prévisions d'occupation montrant la probabilité d'occupation par horizon temporel (quotidien, hebdomadaire). Identifier les goulots d'étranglement de capacité (probabilité de dépasser les lits disponibles). Évaluer des scénarios (ouverture d'une nouvelle unité, réduction de la LOS de 10 %) pour soutenir les décisions de planification.

Pièges courants

  • Ajustement de la LOS à une distribution simple (normale) alors que la distribution réelle est très asymétrique ; cela sous-estime le risque d'occupation en queue
  • Utilisation du taux d'admission moyen et de la LOS moyenne uniquement ; une forte variabilité signifie que la distribution de l'occupation est plus large que ce que suggère l'intuition
  • Ignorer les effets de saisonnalité et de jour de la semaine, conduisant à un biais systématique de prévision
  • Ne pas valider le modèle par rapport à des données de test réservées avant de se fier aux prévisions pour des décisions critiques

Questions fréquentes

Quelle est la différence entre le recensement et l'occupation des lits ?

Le recensement est le nombre de patients physiquement présents dans l'hôpital à un moment donné. Le taux d'occupation est le recensement divisé par le nombre de lits autorisés. Les deux sont utiles : le recensement pour la planification du personnel et des fournitures, le taux d'occupation pour la gestion de la capacité.

Jusqu'à quelle distance à l'avance puis-je prévoir l'occupation de manière fiable ?

Les prévisions sont les plus fiables 1 à 7 jours à l'avance, où les schémas historiques fournissent des indications solides. Au-delà de 2 semaines, l'incertitude s'élargit considérablement. Les prévisions saisonnières (par exemple, occupation hivernale plus élevée que l'été) peuvent être utiles pour la planification annuelle.

Comment gérer les événements extraordinaires (pandémie, catastrophe naturelle) ?

Les modèles standard supposent un fonctionnement normal. Pour les événements extraordinaires, ajustez le modèle en augmentant les taux d'admission ou en réduisant les taux de sortie en fonction du jugement d'expert. Après l'événement, réentraînez le modèle sur les nouvelles conditions normales.

Dois-je modéliser chaque service séparément ou tous les lits ensemble ?

Commencez par un modèle à l'échelle de l'hôpital pour la capacité globale, puis construisez des modèles spécifiques à l'unité pour une dotation détaillée. Les transferts inter-unités compliquent les modèles à unité unique ; tenez-en compte en incluant les flux de transfert.

Comment valider que mon modèle est précis ?

Réservez les 3 derniers mois de données historiques pour les tests. Exécutez le modèle sur des données antérieures, générez des prévisions pour la période réservée et comparez les prédictions à l'occupation réelle. Suivez la précision des prévisions (erreur absolue moyenne, couverture des intervalles de prédiction).

Méthodes associées

Sources

  1. 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.

    Ouvrir la référence de la publication
    Copié.
  2. 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.

    Ouvrir la référence DOI
    Copié.
  3. 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.

    Ouvrir la référence de la publication
    Copié.