Skip to content
Voltar aos resultados

Teoria das Filas em Saúde

Proposto por
Agner Krarup Erlang
Ano
1909
Tipo
Stochastic modeling and optimization technique
Família
Operations research, Service management

Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês

Tamanho da fonte

O que ele faz?

Teoria das filas é uma disciplina matemática que modela filas de espera, capacidade de serviço e fluxo de clientes (pacientes).

Desenvolvida inicialmente por Agner Erlang para telecomunicações em 1909, tem sido amplamente aplicada à saúde para analisar e otimizar departamentos de emergência, clínicas ambulatoriais, salas de cirurgia e centros de serviços de diagnóstico.

A intuição por trás do método

Problemas de filas surgem quando a demanda por serviço varia imprevisivelmente e a capacidade de serviço é fixa ou limitada. Na saúde, pacientes chegam em intervalos irregulares, seus tempos de serviço variam e os provedores têm restrições de capacidade. A teoria das filas usa probabilidade e estatística para prever comprimentos de fila, tempos de espera e utilização do sistema sem a necessidade de simular cada paciente. Ao entender essas relações, os gerentes podem decidir quantos membros da equipe, leitos ou unidades de equipamento são necessários para atingir níveis de serviço aceitáveis.

História

Agner Erlang desenvolveu a teoria das filas em 1909 enquanto analisava volumes de chamadas telefônicas em Copenhague. O campo foi formalizado por David Kendall, que introduziu a notação agora padrão para tipos de fila (M/M/1, etc.) em 1953. As aplicações em saúde aceleraram nas décadas de 1990 e 2000 à medida que métodos de pesquisa operacional foram aplicados ao fluxo de departamentos de emergência, agendamento cirúrgico e gerenciamento de clínicas ambulatoriais. Extensões para lidar com distribuições não exponenciais e chegadas variáveis no tempo tornaram a teoria mais aplicável a sistemas de saúde reais.

Quando usar

Usar teoria das filas ao analisar sistemas de serviço com demanda variável e capacidade fixa, como departamentos de emergência, clínicas ambulatoriais e serviços de diagnóstico. É eficaz para prever o comportamento do sistema sem simulação cara. Assumir que chegadas e tempos de serviço são aleatórios, que o sistema está em estado estacionário (não em inicialização ou desligamento) e que a disciplina da fila é clara (FIFO, prioridade). Evitar teoria das filas se os padrões de chegada forem altamente determinísticos, se o sistema for muito pequeno (< 3 servidores) ou se disciplinas de fila não padrão tornarem a análise intratável.

Limitações e considerações

  • Modelos de filas padrão assumem chegadas aleatórias (Poisson) e tempos de serviço exponenciais, que muitas vezes não se aplicam na saúde
  • Não leva em conta abandono de pacientes, desistência ou padrões de roteamento complexos
  • Assume condições estacionárias; não lida com demanda variável no tempo (por exemplo, variação sazonal)
  • Resultados são sensíveis à suposição sobre a forma da distribuição; pequenos erros nas suposições podem levar a grandes erros de previsão
  • Capacidade limitada de modelar a interação entre múltiplas estações de serviço ou políticas de prioridade

As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.

Pontos fortes

  • Fornece fórmulas de forma fechada para tempos de espera, comprimentos de fila e utilização com dados mínimos
  • Permite análise rápida de cenários e estudos de 'e se' (por exemplo, adicionar um provedor reduz o tempo de espera em quanto?)
  • Identifica gargalos e níveis ótimos de pessoal para metas de serviço dadas
  • Teoria bem estabelecida com extensa literatura e implementações de software
  • Baixo custo computacional em comparação com simulação

Aplicações

  • Prever tempos de espera em departamentos de emergência e determinar o pessoal médico e de enfermagem ideal para níveis de serviço alvo
  • Analisar a capacidade de clínicas ambulatoriais e decidir se adiciona horários de consulta, clínicas paralelas ou turnos de agendamento
  • Avaliar a utilização de salas de cirurgia e prever tempos de 'turnover' para maximizar a eficiência do agendamento
  • Avaliar a capacidade de diagnóstico por imagem (CT, MRI, ultrassom) e agendar janelas de manutenção
  • Planejar o pessoal de call center para agendamento de pacientes e linhas de aconselhamento com base no volume esperado de chamadas e nos tempos de resposta alvo

Como funciona

Como funciona

1

Coletar dados sobre padrões de chegada de pacientes (tempos entre chegadas), tempos de serviço (quanto tempo leva o tratamento) e número de servidores (médicos, enfermeiros, leitos, scanners). Os dados devem abranger várias semanas ou meses para capturar variação e sazonalidade.

2

Resumir chegadas e tempos de serviço como distribuições de probabilidade (por exemplo, exponencial, normal). Testar se os dados observados se ajustam a distribuições padrão usando testes de bondade de ajuste (Kolmogorov-Smirnov, Anderson-Darling).

3

Identificar a estrutura da fila: servidor único vs. múltiplos servidores, fila única vs. múltiplas filas e se regras de prioridade se aplicam (pacientes de emergência primeiro, agendados vs. não agendados).

4

Especificar o sistema de filas usando a notação de Kendall (por exemplo, M/M/c/N: chegadas Markovianas, serviço Markoviano, c servidores, capacidade do sistema N) e calcular métricas de estado estacionário: comprimento médio da fila, tempo médio de espera, utilização do servidor.

5

Determinar se a capacidade atual atende às metas de serviço (por exemplo, 90% dos pacientes atendidos em até 4 horas). Se não, identificar se aumentar o número de servidores, reduzir o tempo de serviço ou implementar triagem. Realizar análise de sensibilidade em suposições chave.

Erros comuns

  • Assumir que as chegadas são Poisson quando na verdade são agendadas ou têm múltiplos picos no dia
  • Ignorar a heterogeneidade dos pacientes (por exemplo, emergências vs. casos de rotina) e aplicar fórmulas de filas padrão a sistemas mistos
  • Confundir métricas teóricas de estado estacionário com cenários do mundo real de primeiro dia ou pior caso
  • Usar tempo médio de serviço quando a variabilidade (desvio padrão) é alta; a variabilidade aumenta os tempos de espera muito mais do que a média sozinha sugere

Perguntas frequentes

O que é a fila M/M/1 e quando é usada?

M/M/1 representa uma fila de servidor único com distribuições de chegada e serviço Markovianas (exponenciais). É apropriada para modelar um único atendente de check-in, um scanner de imagem solitário ou um provedor único quando a demanda não é muito alta. Sua fórmula para tempo médio de espera é W = λ / (μ(μ − λ)), onde λ é a taxa de chegada e μ é a taxa de serviço.

Como adicionar mais um provedor reduz o tempo de espera?

O efeito é não linear e depende da utilização atual. Em baixa utilização (por exemplo, 30% de ocupação do servidor), adicionar capacidade tem impacto mínimo. Em alta utilização (por exemplo, 85% de ocupação), adicionar um servidor pode reduzir drasticamente o tempo de espera. É por isso que os sistemas de saúde muitas vezes operam perto da capacidade total e apresentam longas esperas.

Posso usar teoria das filas se os pacientes chegam por agendamento?

Parcialmente. Chegadas agendadas reduzem a aleatoriedade e são mais previsíveis, mas sistemas de agendamento ainda têm faltas, cancelamentos e tempos de serviço variáveis. Um modelo híbrido (alguns agendados, alguns não agendados) é comum na saúde. Se as chegadas forem altamente determinísticas (todos agendados), a simulação pode ser melhor.

O que significa 'utilização' e como ela afeta o tempo de espera?

Utilização (ρ = λ / (c × μ)) é a fração da capacidade do servidor que está sendo usada. Uma utilização de 70% significa que os provedores estão ocupados 70% do tempo. À medida que a utilização se aproxima de 100%, os tempos de espera aumentam exponencialmente. A maioria dos sistemas de saúde visa uma utilização de 70–85% para equilibrar eficiência e níveis de serviço.

Como escolho entre adicionar pessoal vs. melhorar a eficiência (reduzir o tempo de serviço)?

Ambos reduzem o tempo de espera, mas melhorias na eficiência são frequentemente mais baratas e sustentáveis. Reduzir o tempo médio de serviço em 10% tem um efeito semelhante a contratar mais pessoal, mas sem custos salariais de longo prazo. Priorize a melhoria do processo primeiro, depois adicione capacidade, se necessário.

Métodos relacionados

Fontes

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

    Abrir referência da publicação
    Copiado.
  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.

    Abrir referência da publicação
    Copiado.
  3. Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.

    Abrir referência da publicação
    Copiado.