Skip to content
Torna ai risultati

Teoria delle code in sanità

Introdotto da
Agner Krarup Erlang
Anno
1909
Tipo
Stochastic modeling and optimization technique
Famiglia
Operations research, Service management

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

Dimensione del carattere

A cosa serve?

La teoria delle code è una disciplina matematica che modella le linee di attesa, la capacità di servizio e il flusso dei clienti (pazienti).

Sviluppata inizialmente da Agner Erlang per le telecomunicazioni nel 1909, è stata ampiamente applicata in sanità per analizzare e ottimizzare dipartimenti di emergenza, cliniche ambulatoriali, sale operatorie e centri di diagnostica.

L’intuizione alla base del metodo

I problemi di coda sorgono quando la domanda di servizio varia in modo imprevedibile e la capacità di servizio è fissa o limitata. In sanità, i pazienti arrivano a intervalli irregolari, i loro tempi di servizio variano e i fornitori hanno vincoli di capacità. La teoria delle code utilizza probabilità e statistica per prevedere la lunghezza delle code, i tempi di attesa e l'utilizzo del sistema senza la necessità di simulare ogni paziente. Comprendendo queste relazioni, i manager possono decidere quanti membri del personale, letti o unità di attrezzature sono necessari per raggiungere livelli di servizio accettabili.

Storia

Agner Erlang sviluppò la teoria delle code nel 1909 mentre analizzava i volumi di chiamate telefoniche a Copenaghen. Il campo fu formalizzato da David Kendall, che introdusse la notazione ormai standard per i tipi di coda (M/M/1, ecc.) nel 1953. Le applicazioni sanitarie accelerarono negli anni '90 e 2000, quando i metodi di ricerca operativa furono applicati al flusso dei dipartimenti di emergenza, alla pianificazione chirurgica e alla gestione delle cliniche ambulatoriali. Estensioni per gestire distribuzioni non esponenziali e arrivi variabili nel tempo hanno reso la teoria più applicabile ai sistemi sanitari reali.

Quando usarlo

Utilizzare la teoria delle code quando si analizzano sistemi di servizio con domanda variabile e capacità fissa, come dipartimenti di emergenza, cliniche ambulatoriali e servizi diagnostici. È efficace per prevedere il comportamento del sistema senza simulazioni costose. Si presume che gli arrivi e i tempi di servizio siano casuali, che il sistema sia in stato stazionario (non in avvio o arresto) e che la disciplina della coda sia chiara (FIFO, priorità). Evitare la teoria delle code se i modelli di arrivo sono altamente deterministici, se il sistema è molto piccolo (< 3 server) o se discipline di coda non standard rendono l'analisi intrattabile.

Limiti e considerazioni

  • I modelli di coda standard assumono arrivi casuali (Poisson) e tempi di servizio esponenziali, che spesso non sono validi in sanità
  • Non tiene conto dell'abbandono dei pazienti, del rifiuto o di complessi schemi di instradamento
  • Presuppone condizioni stazionarie; non gestisce la domanda variabile nel tempo (ad es., variazione stagionale)
  • I risultati sono sensibili alle ipotesi sulla forma della distribuzione; piccoli errori nelle ipotesi possono portare a grandi errori di previsione
  • Limitata capacità di modellare l'interazione tra più stazioni di servizio o politiche di priorità

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

Punti di forza

  • Fornisce formule in forma chiusa per tempi di attesa, lunghezze delle code e utilizzo con dati minimi
  • Consente una rapida analisi di scenari e studi 'what-if' (ad es., l'aggiunta di un fornitore riduce il tempo di attesa di quanto?)
  • Identifica i colli di bottiglia e i livelli di personale ottimali per determinati obiettivi di servizio
  • Teoria ben consolidata con vasta letteratura e implementazioni software
  • Basso costo computazionale rispetto alla simulazione

Applicazioni

  • Prevedere i tempi di attesa nei dipartimenti di emergenza e determinare il personale medico e infermieristico ottimale per livelli di servizio target
  • Analizzare la capacità delle cliniche ambulatoriali e decidere se aggiungere slot per appuntamenti, cliniche parallele o turni di lavoro
  • Valutare l'utilizzo delle sale operatorie e prevedere i tempi di turnover per massimizzare l'efficienza della programmazione
  • Valutare la capacità di diagnostica per immagini (TC, RM, ecografia) e pianificare le finestre di manutenzione
  • Pianificare il personale dei call center per la prenotazione di appuntamenti e le linee di consulenza in base al volume di chiamate previsto e ai tempi di risposta target

Come funziona

Come funziona

1

Raccogliere dati sui modelli di arrivo dei pazienti (tempi tra arrivi), sui tempi di servizio (quanto tempo richiede il trattamento) e sul numero di server (medici, infermieri, letti, scanner). I dati dovrebbero coprire più settimane o mesi per catturare variazioni e stagionalità.

2

Riassumere gli arrivi e i tempi di servizio come distribuzioni di probabilità (ad es., esponenziale, normale). Verificare se i dati osservati si adattano a distribuzioni standard utilizzando test di bontà dell'adattamento (Kolmogorov-Smirnov, Anderson-Darling).

3

Identificare la struttura della coda: server singolo vs. server multipli, coda singola vs. code multiple e se si applicano regole di priorità (pazienti in emergenza prima, programmati vs. accesso diretto).

4

Specificare il sistema di coda utilizzando la notazione di Kendall (ad es., M/M/c/N: arrivi Markoviani, servizio Markoviano, c server, capacità del sistema N) e calcolare le metriche di stato stazionario: lunghezza media della coda, tempo medio di attesa, utilizzo del server.

5

Determinare se la capacità attuale soddisfa gli obiettivi di servizio (ad es., il 90% dei pazienti viene visitato entro 4 ore). In caso contrario, identificare se aumentare i server, ridurre il tempo di servizio o implementare il triage. Eseguire analisi di sensibilità sulle ipotesi chiave.

Errori comuni

  • Supporre che gli arrivi siano Poisson quando in realtà sono programmati o presentano picchi multipli durante il giorno
  • Ignorare l'eterogeneità dei pazienti (ad es., emergenze vs. casi di routine) e applicare formule di coda standard a sistemi misti
  • Confondere le metriche teoriche di stato stazionario con scenari reali del primo giorno o del peggiore dei casi
  • Utilizzare il tempo di servizio medio quando la variabilità (deviazione standard) è elevata; la variabilità aumenta i tempi di attesa molto più di quanto suggerisca la media da sola

Domande frequenti

Cos'è la coda M/M/1 e quando viene utilizzata?

M/M/1 rappresenta una coda a server singolo con distribuzioni di arrivo e servizio Markoviane (esponenziali). È appropriata per modellare un singolo addetto alla reception, uno scanner di immagini solitario o un singolo operatore quando la domanda non è troppo elevata. La sua formula per il tempo medio di attesa è W = λ / (μ(μ − λ)), dove λ è il tasso di arrivo e μ è il tasso di servizio.

Come riduce il tempo di attesa l'aggiunta di un altro operatore?

L'effetto è non lineare e dipende dall'utilizzo attuale. A basso utilizzo (ad es., 30% di occupazione del server), l'aggiunta di capacità ha un impatto minimo. Ad alto utilizzo (ad es., 85% di occupazione), l'aggiunta di un server può ridurre drasticamente i tempi di attesa. Ecco perché i sistemi sanitari operano spesso a piena capacità e registrano lunghe attese.

Posso usare la teoria delle code se i pazienti arrivano su appuntamento?

Parzialmente. Gli arrivi programmati riducono la casualità e sono più prevedibili, ma i sistemi di appuntamento hanno comunque mancate presentazioni, cancellazioni e tempi di servizio variabili. Un modello ibrido (alcuni programmati, alcuni senza appuntamento) è comune in sanità. Se gli arrivi sono altamente deterministici (tutti su appuntamento), la simulazione potrebbe essere migliore.

Cosa significa 'utilizzo' e come influisce sul tempo di attesa?

L'utilizzo (ρ = λ / (c × μ)) è la frazione della capacità del server utilizzata. Un utilizzo del 70% significa che gli operatori sono occupati il 70% del tempo. Man mano che l'utilizzo si avvicina al 100%, i tempi di attesa aumentano esponenzialmente. La maggior parte dei sistemi sanitari mira a un utilizzo del 70-85% per bilanciare efficienza e livelli di servizio.

Come scelgo tra aggiungere personale o migliorare l'efficienza (ridurre il tempo di servizio)?

Entrambi riducono i tempi di attesa, ma i miglioramenti dell'efficienza sono spesso più economici e sostenibili. Ridurre il tempo di servizio medio del 10% ha un effetto simile all'assunzione di più personale, ma senza costi salariali a lungo termine. Dare priorità al miglioramento dei processi, quindi aggiungere capacità se necessario.

Metodi correlati

Fonti

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

    Apri il riferimento della pubblicazione
    Copiato.
  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.

    Apri il riferimento della pubblicazione
    Copiato.
  3. Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.

    Apri il riferimento della pubblicazione
    Copiato.