Skip to content
Torna ai risultati

Modelli di occupazione dei letti ospedalieri

Introdotto da
Healthcare operations researchers
Anno
2000
Tipo
Stochastic simulation and time-series forecasting
Famiglia
Capacity planning, Forecasting

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

I modelli di occupazione dei letti ospedalieri prevedono il numero di letti occupati in tempi futuri analizzando i pattern di ammissione, le distribuzioni della durata della degenza e le dinamiche di dimissione.

Questi modelli supportano decisioni tattiche relative al personale, alla gestione della catena di approvvigionamento e decisioni strategiche sull'espansione della capacità.

L’intuizione alla base del metodo

Il censimento ospedaliero (numero di pazienti in ospedale) varia in base al giorno della settimana, alla stagione e a eventi imprevedibili (epidemie influenzali, incidenti). Una previsione accurata dell'occupazione dei letti aiuta i manager a pianificare il personale, ordinare le forniture e programmare la manutenzione. Il modello cattura la natura stocastica (casuale) delle ammissioni e delle dimissioni: alcuni pazienti rimangono un giorno, altri settimane. Simulando migliaia di scenari possibili, il modello produce distribuzioni di probabilità per l'occupazione dei letti, rivelando non solo la media ma anche la probabilità di raggiungere la piena capacità.

Storia

Modelli stocastici del censimento ospedaliero emersero dalla ricerca operativa negli anni '80 e '90. McCarthy e colleghi svilupparono le previsioni della domanda di ammissione nei primi anni 2000, in particolare per i dipartimenti di emergenza. Lavori recenti hanno esteso i modelli per includere flussi di trasferimento tra unità e per incorporare segnali esterni (meteo, sorveglianza malattie) come predittori delle ammissioni. La maggior parte dei moderni sistemi sanitari utilizza ora varianti dei modelli di occupazione per la gestione della forza lavoro.

Quando usarlo

Utilizzare modelli di occupazione dei letti per la pianificazione tattica della forza lavoro (livelli di personale), la gestione delle scorte (biancheria, farmaci) e la pianificazione strategica della capacità (espansione dei letti). Più preziosi quando le ammissioni sono variabili, quando esistono pattern stagionali o quando è necessario comprendere il rischio di superare la capacità. Evitare se le ammissioni sono puramente programmate o se i dati storici sono scarsi (< 3 mesi).

Limiti e considerazioni

  • Presuppone che i pattern futuri corrispondano ai dati storici; non tiene conto di cambiamenti strutturali (nuovi programmi, dipartimenti fusi)
  • Sensibile alla qualità dei dati; ammissioni mancanti o errate distorcono il modello
  • Le distribuzioni della LOS hanno spesso code pesanti (pochi pazienti rimangono molto più a lungo), richiedendo un'attenta calibrazione statistica
  • Non tiene conto dei flussi di pazienti tra unità o della distinzione tra censimento ammesso e letti autorizzati
  • La complessità del modello può nascondere le assunzioni; gli utenti potrebbero non comprendere i limiti delle previsioni

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Cattura la naturale stocasticità nelle ammissioni e nella LOS; le medie deterministiche possono essere fuorvianti
  • Fornisce distribuzioni di probabilità anziché stime puntuali, consentendo un processo decisionale basato sul rischio
  • Flessibile per includere numerosi fattori (tipi di ammissione, diagnosi, stagionalità, shock esterni)
  • Supporta l'analisi 'what-if': valuta l'impatto della riduzione della LOS o dell'aumento della capacità
  • Relativamente semplice da implementare e aggiornare man mano che arrivano nuovi dati

Applicazioni

  • Prevedere l'occupazione giornaliera dei letti per supportare i turni del personale infermieristico e le decisioni sugli straordinari
  • Prevedere la domanda di biancheria e forniture in base al censimento previsto per una gestione efficiente delle scorte
  • Valutare se aggiungere letti o aprire una nuova unità in base ai vincoli di capacità previsti
  • Determinare politiche di dimissione ottimali o obiettivi di riduzione della LOS per migliorare la disponibilità di letti
  • Valutare l'impatto dei picchi stagionali (stagione influenzale) sulla capacità ospedaliera e sulla preparazione

Come funziona

Come funziona

1

Raccogliere dati di ammissione (data, ora, diagnosi di ammissione), dati sulla durata della degenza (LOS) per i pazienti dimessi e pattern di riammissione. Includere almeno 12 mesi di dati storici per catturare i pattern stagionali.

2

Pulire i dati da errori, gestire i valori mancanti, categorizzare le ammissioni per tipo (emergenza, programmata, trasferimenti). Calcolare le distribuzioni della LOS per tipo di ammissione e diagnosi. Identificare e documentare pattern sistematici (ad es., meno ammissioni nei fine settimana).

3

Analizzare i tassi di ammissione per ora, giorno della settimana e stagione. Verificare se la LOS segue distribuzioni comuni (esponenziale, lognormale, Weibull). Esaminare le correlazioni tra tipo di ammissione e LOS.

4

Costruire un modello di simulazione che generi tempi di ammissione casuali da distribuzioni adattate, assegni la LOS a ciascun paziente e calcoli l'occupazione nel tempo. Eseguire migliaia di repliche per stimare la distribuzione dell'occupazione futura.

5

Generare previsioni di occupazione che mostrino la probabilità di occupazione per orizzonte temporale (giornaliero, settimanale). Identificare i colli di bottiglia della capacità (probabilità di superare i letti disponibili). Valutare scenari (apertura di una nuova unità, riduzione della LOS del 10%) per supportare le decisioni di pianificazione.

Errori comuni

  • Adattamento della LOS a una distribuzione semplice (normale) quando la distribuzione effettiva è altamente asimmetrica; ciò sottostima il rischio di occupazione in coda
  • Utilizzo solo del tasso di ammissione medio e della LOS media; l'elevata variabilità implica che la distribuzione dell'occupazione è più ampia di quanto suggerisca l'intuizione
  • Ignorare la stagionalità e gli effetti del giorno della settimana, portando a bias sistematici nelle previsioni
  • Mancata validazione del modello rispetto a dati di test separati prima di fare affidamento sulle previsioni per decisioni critiche

Domande frequenti

Qual è la differenza tra censimento e occupazione dei letti?

Il censimento è il numero di pazienti fisicamente presenti in ospedale in un dato momento. Il tasso di occupazione è il censimento diviso per i letti autorizzati. Entrambi sono utili: il censimento per la pianificazione del personale e delle forniture, il tasso di occupazione per la gestione della capacità.

Quanto tempo in anticipo posso prevedere l'occupazione in modo affidabile?

Le previsioni sono più affidabili da 1 a 7 giorni in anticipo, dove i pattern storici forniscono una forte guida. Oltre le 2 settimane, l'incertezza si allarga in modo significativo. Le previsioni stagionali (ad es., l'occupazione invernale più alta dell'estate) possono essere utili per la pianificazione annuale.

Come gestisco eventi straordinari (pandemia, disastro naturale)?

I modelli standard presuppongono 'business as usual'. Per eventi straordinari, aggiustare il modello aumentando i tassi di ammissione o riducendo i tassi di dimissione in base al giudizio di esperti. Dopo l'evento, riaddestrare il modello sulle nuove condizioni normali.

Dovrei modellare ogni reparto separatamente o tutti i letti insieme?

Iniziare con un modello a livello ospedaliero per la capacità complessiva, quindi costruire modelli specifici per unità per una pianificazione dettagliata del personale. I trasferimenti tra unità complicano i modelli per unità singola; tenerne conto includendo i flussi di trasferimento.

Come valido che il mio modello sia accurato?

Riservare gli ultimi 3 mesi di dati storici per il test. Eseguire il modello sui dati precedenti, generare previsioni per il periodo riservato e confrontare le previsioni con l'occupazione effettiva. Monitorare l'accuratezza delle previsioni (errore assoluto medio, copertura degli intervalli di previsione).

Metodi correlati

Fonti

  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.

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento DOI
    Copiato.
  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.

    Apri il riferimento della pubblicazione
    Copiato.