La théorie des files d'attente en santé
- Introduite par
- Agner Krarup Erlang
- Année
- 1909
- Type
- Stochastic modeling and optimization technique
- Famille
- Operations research, Service management
Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais
À quoi sert-elle ?
La théorie des files d'attente est une discipline mathématique qui modélise les files d'attente, la capacité de service et le flux des clients (patients).
Développée initialement par Agner Erlang pour les télécommunications en 1909, elle a été largement appliquée aux soins de santé pour analyser et optimiser les services d'urgence, les cliniques externes, les blocs opératoires et les centres de services de diagnostic.
L’intuition derrière la méthode
Les problèmes de files d'attente surviennent lorsque la demande de service varie de manière imprévisible et que la capacité de service est fixe ou limitée. Dans le domaine de la santé, les patients arrivent à intervalles irréguliers, leurs temps de service varient et les prestataires ont des contraintes de capacité. La théorie des files d'attente utilise les probabilités et les statistiques pour prédire la longueur des files d'attente, les temps d'attente et l'utilisation du système sans avoir besoin de simuler chaque patient. En comprenant ces relations, les gestionnaires peuvent décider du nombre de membres du personnel, de lits ou d'unités d'équipement nécessaires pour atteindre des niveaux de service acceptables.
Histoire
Agner Erlang a développé la théorie des files d'attente en 1909 tout en analysant les volumes d'appels téléphoniques à Copenhague. Le domaine a été formalisé par David Kendall, qui a introduit la notation maintenant standard pour les types de files d'attente (M/M/1, etc.) en 1953. Les applications dans le domaine de la santé se sont accélérées dans les années 1990 et 2000 à mesure que les méthodes de recherche opérationnelle étaient appliquées au flux des services d'urgence, à la planification des interventions chirurgicales et à la gestion des cliniques externes. Des extensions pour gérer les distributions non exponentielles et les arrivées variant dans le temps ont rendu la théorie plus applicable aux systèmes de santé réels.
Quand l’utiliser
Utiliser la théorie des files d'attente lors de l'analyse des systèmes de service avec une demande variable et une capacité fixe, tels que les services d'urgence, les cliniques externes et les services de diagnostic. Elle est efficace pour prédire le comportement du système sans simulation coûteuse. Supposer que les arrivées et les temps de service sont aléatoires, que le système est en régime permanent (pas en démarrage ou arrêt), et que la discipline de file d'attente est claire (FIFO, priorité). Éviter la théorie des files d'attente si les schémas d'arrivée sont très déterministes, si le système est très petit (< 3 serveurs), ou si des disciplines de file d'attente non standard rendent l'analyse intraitable.
Limites et points d’attention
- Les modèles de files d'attente standard supposent des arrivées aléatoires (Poisson) et des temps de service exponentiels, ce qui n'est souvent pas le cas dans le domaine de la santé
- Ne tient pas compte de l'abandon de patients, de la renonciation ou des schémas de routage complexes
- Suppose des conditions stationnaires ; ne gère pas la demande variant dans le temps (par exemple, variation saisonnière)
- Les résultats sont sensibles aux hypothèses sur la forme de la distribution ; de petites erreurs dans les hypothèses peuvent entraîner de grandes erreurs de prédiction
- Capacité limitée à modéliser l'interaction entre plusieurs stations de service ou politiques de priorité
Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.
Points forts
- Fournit des formules analytiques pour les temps d'attente, les longueurs de file d'attente et l'utilisation avec un minimum de données
- Permet une analyse rapide de scénarios et des études « et si » (par exemple, combien de temps d'attente est réduit en ajoutant un prestataire ?)
- Identifie les goulots d'étranglement et les niveaux de personnel optimaux pour des objectifs de service donnés
- Théorie bien établie avec une littérature et des implémentations logicielles étendues
- Coût de calcul faible par rapport à la simulation
Applications
- Prédire les temps d'attente aux urgences et déterminer la dotation optimale en médecins et infirmières pour des niveaux de service cibles
- Analyser la capacité des cliniques externes et décider d'ajouter des créneaux de rendez-vous, des cliniques parallèles ou de modifier la planification
- Évaluer l'utilisation des blocs opératoires et prédire les temps de rotation pour maximiser l'efficacité de la planification
- Évaluer la capacité d'imagerie diagnostique (CT, IRM, échographie) et planifier les fenêtres de maintenance
- Planifier la dotation des centres d'appels pour la prise de rendez-vous et les lignes de conseil en fonction du volume d'appels attendu et des temps de réponse cibles
Comment ça marche
Comment ça marche
Collecter des données sur les schémas d'arrivée des patients (temps entre les arrivées), les temps de service (durée du traitement) et le nombre de serveurs (médecins, infirmières, lits, scanners). Les données doivent couvrir plusieurs semaines ou mois pour capturer la variation et la saisonnalité.
Résumer les arrivées et les temps de service sous forme de distributions de probabilité (par exemple, exponentielle, normale). Tester si les données observées correspondent à des distributions standard à l'aide de tests d'ajustement (Kolmogorov-Smirnov, Anderson-Darling).
Identifier la structure de la file d'attente : serveur unique vs serveurs multiples, file unique vs files multiples, et si des règles de priorité s'appliquent (patients d'urgence d'abord, rendez-vous vs sans rendez-vous).
Spécifier le système de file d'attente en utilisant la notation de Kendall (par exemple, M/M/c/N : arrivées markoviennes, service markovien, c serveurs, capacité du système N) et calculer les métriques en régime permanent : longueur moyenne de la file d'attente, temps d'attente moyen, utilisation du serveur.
Déterminer si la capacité actuelle répond aux objectifs de service (par exemple, 90 % des patients vus dans les 4 heures). Sinon, déterminer s'il faut augmenter le nombre de serveurs, réduire le temps de service ou mettre en place un triage. Effectuer une analyse de sensibilité sur les hypothèses clés.
Pièges courants
- Supposer que les arrivées sont de type Poisson alors qu'elles sont en fait planifiées ou présentent plusieurs pics dans la journée
- Ignorer l'hétérogénéité des patients (par exemple, urgences vs cas de routine) et appliquer des formules de files d'attente standard à des systèmes mixtes
- Confondre les métriques théoriques en régime permanent avec les scénarios du monde réel du premier jour ou du pire cas
- Utiliser le temps de service moyen alors que la variabilité (écart type) est élevée ; la variabilité augmente les temps d'attente beaucoup plus que la moyenne seule ne le suggère
Questions fréquentes
Qu'est-ce que la file d'attente M/M/1 et quand est-elle utilisée ?
M/M/1 représente une file d'attente à serveur unique avec des distributions d'arrivée et de service markoviennes (exponentielles). Elle est appropriée pour modéliser un seul guichet d'enregistrement, un scanner d'imagerie unique ou un prestataire unique lorsque la demande n'est pas trop élevée. Sa formule pour le temps d'attente moyen est W = λ / (μ(μ − λ)), où λ est le taux d'arrivée et μ est le taux de service.
Comment l'ajout d'un prestataire supplémentaire réduit-il le temps d'attente ?
L'effet est non linéaire et dépend de l'utilisation actuelle. À faible utilisation (par exemple, 30 % de serveur occupé), l'ajout de capacité a un impact minime. À forte utilisation (par exemple, 85 % occupé), l'ajout d'un serveur peut réduire considérablement le temps d'attente. C'est pourquoi les systèmes de santé fonctionnent souvent à pleine capacité et connaissent de longs temps d'attente.
Puis-je utiliser la théorie des files d'attente si les patients arrivent sur rendez-vous ?
Partiellement. Les arrivées planifiées réduisent le caractère aléatoire et sont plus prévisibles, mais les systèmes de rendez-vous ont toujours des absences, des annulations et des temps de service variables. Un modèle hybride (certains sur rendez-vous, certains sans rendez-vous) est courant dans le domaine de la santé. Si les arrivées sont très déterministes (tous sur rendez-vous), la simulation peut être préférable.
Que signifie « utilisation » et comment affecte-t-elle le temps d'attente ?
L'utilisation (ρ = λ / (c × μ)) est la fraction de la capacité du serveur utilisée. Une utilisation de 70 % signifie que les prestataires sont occupés 70 % du temps. À mesure que l'utilisation approche de 100 %, les temps d'attente augmentent exponentiellement. La plupart des systèmes de santé visent une utilisation de 70 à 85 % pour équilibrer l'efficacité et les niveaux de service.
Comment choisir entre ajouter du personnel et améliorer l'efficacité (réduire le temps de service) ?
Les deux réduisent le temps d'attente, mais les améliorations de l'efficacité sont souvent moins chères et plus durables. Réduire le temps de service moyen de 10 % a un effet similaire à l'embauche de personnel supplémentaire, mais sans les coûts salariaux à long terme. Privilégier d'abord l'amélioration des processus, puis ajouter de la capacité si nécessaire.
Méthodes associées
Sources
Erlang, A. K. (1909). The theory of probabilities and telephone conversations. Nyt Tidsskrift for Matematik, 20(B), 33–39.
Ouvrir la référence de la publicationCopié.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.
Ouvrir la référence de la publicationCopié.Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.
Ouvrir la référence de la publicationCopié.