Skip to content
Назад к результатам поиска

Модель занятости больничных коек

Автор метода
Healthcare operations researchers
Год
2000
Тип
Stochastic simulation and time-series forecasting
Семейство
Capacity planning, Forecasting

Этот текст переведён машинным способом и ещё не проверен. Читать оригинал на английском

Размер шрифта

Что он делает?

Модели занятости больничных коек прогнозируют количество занятых коек в будущем путем анализа закономерностей поступления пациентов, распределения продолжительности пребывания и динамики выписки.

Эти модели поддерживают тактические решения по кадровому обеспечению, управлению цепочками поставок и стратегические решения по расширению мощностей.

Интуиция метода

Загруженность больницы (количество пациентов в больнице) варьируется в зависимости от дня недели, сезона и непредсказуемых событий (вспышки гриппа, несчастные случаи). Точный прогноз занятости коек помогает менеджерам планировать персонал, заказывать расходные материалы и планировать техническое обслуживание. Модель учитывает стохастическую (случайную) природу поступлений и выписок: некоторые пациенты остаются на один день, другие — на недели. Моделируя тысячи возможных сценариев, модель создает вероятностные распределения занятости коек, выявляя не только среднее значение, но и вероятность достижения полной загрузки.

История

Стохастические модели загруженности больниц возникли в рамках исследования операций в 1980-х и 1990-х годах. Маккарти и его коллеги развили прогнозирование спроса на поступление в начале 2000-х годов, особенно для отделений неотложной помощи. Недавние работы расширили модели, включив потоки переводов между отделениями и внешние сигналы (погода, эпидемиологический надзор) в качестве предикторов поступлений. Большинство современных систем здравоохранения теперь используют варианты моделей занятости для управления рабочей силой.

Когда применять

Использование моделей занятости коек для тактического планирования рабочей силы (уровни укомплектования персоналом), управления запасами (постельное белье, медикаменты) и стратегического планирования мощностей (расширение коечного фонда). Наиболее ценно, когда поступления вариативны, когда существуют сезонные закономерности или когда необходимо понять риск превышения пропускной способности. Избегайте использования, если поступления чисто плановые или если исторических данных недостаточно (< 3 месяцев).

Ограничения и замечания

  • Предполагает, что будущие закономерности соответствуют историческим данным; не учитывает структурные изменения (новые программы, объединенные отделения)
  • Чувствителен к качеству данных; пропущенные или неверно классифицированные поступления искажают модель
  • Распределения LOS часто имеют тяжелые хвосты (несколько пациентов остаются гораздо дольше), что требует тщательного статистического подбора
  • Не учитывает потоки пациентов между отделениями или различие между фактической загруженностью и лицензированными койками
  • Сложность модели может скрывать допущения; пользователи могут не понимать пределы прогнозов

Условия из источника не заменяют независимую научную проверку или валидацию аналитическим движком.

Сильные стороны

  • Учитывает естественную стохастичность поступлений и LOS; детерминированные средние значения могут вводить в заблуждение
  • Предоставляет вероятностные распределения вместо точечных оценок, что позволяет принимать решения на основе рисков
  • Гибкость для включения многочисленных факторов (типы поступлений, диагнозы, сезонность, внешние шоки)
  • Поддерживает анализ «что, если»: оценка влияния сокращения LOS или увеличения пропускной способности
  • Относительно прост в реализации и обновлении по мере поступления новых данных

Применение

  • Прогнозирование ежедневной занятости коек для поддержки графиков работы медсестер и решений о сверхурочной работе
  • Прогнозирование спроса на постельное белье и расходные материалы на основе ожидаемой загруженности для эффективного управления запасами
  • Оценка необходимости добавления коек или открытия нового отделения на основе прогнозируемых ограничений пропускной способности
  • Определение оптимальной политики выписки или целевых показателей сокращения LOS для улучшения доступности коек
  • Оценка влияния сезонных всплесков (сезон гриппа) на пропускную способность больницы и готовность

Как это работает

Как это работает

1

Сбор данных о поступлении (дата, время, диагноз при поступлении), данных о продолжительности пребывания (LOS) для выписанных пациентов и закономерностей повторной госпитализации. Включите исторические данные как минимум за 12 месяцев для учета сезонных закономерностей.

2

Очистка данных от ошибок, обработка пропущенных значений, категоризация поступлений по типу (экстренные, плановые, переводы). Расчет распределений LOS по типу поступления и диагнозу. Выявление и документирование систематических закономерностей (например, меньше поступлений в выходные дни).

3

Анализ частоты поступлений по часам, дням недели и сезонам. Проверка, следует ли LOS распространенным распределениям (экспоненциальному, логнормальному, Вейбулла). Изучение корреляций между типом поступления и LOS.

4

Построение имитационной модели, которая генерирует случайные времена поступления из подобранных распределений, назначает LOS каждому пациенту и вычисляет загруженность во времени. Выполнение тысяч имитаций для оценки распределения будущей загруженности.

5

Генерация прогнозов загруженности, показывающих вероятность загруженности по временному горизонту (ежедневно, еженедельно). Выявление узких мест в пропускной способности (вероятность превышения доступных коек). Оценка сценариев (открытие нового отделения, сокращение LOS на 10%) для поддержки решений по планированию.

Частые ошибки

  • Подбор LOS к простому распределению (нормальному), когда фактическое распределение сильно смещено; это недооценивает риск загруженности в хвостовой части
  • Использование только средней частоты поступлений и средней LOS; высокая вариативность означает, что распределение загруженности шире, чем подсказывает интуиция
  • Игнорирование сезонности и эффектов дня недели, что приводит к систематической ошибке прогнозирования
  • Неспособность проверить модель на отложенных тестовых данных перед использованием прогнозов для критически важных решений

Часто задаваемые вопросы

В чем разница между загруженностью и занятостью коек?

Загруженность — это количество пациентов, физически присутствующих в больнице в данный момент. Коэффициент занятости — это загруженность, деленная на количество лицензированных коек. Оба показателя полезны: загруженность для планирования персонала и поставок, коэффициент занятости для управления пропускной способностью.

Насколько заблаговременно я могу надежно прогнозировать занятость?

Прогнозы наиболее надежны на 1–7 дней вперед, где исторические закономерности дают сильное руководство. За пределами 2 недель неопределенность значительно возрастает. Сезонные прогнозы (например, зимняя загруженность выше летней) могут быть полезны для годового планирования.

Как мне справиться с чрезвычайными событиями (пандемия, стихийное бедствие)?

Стандартные модели предполагают «обычный ход вещей». Для чрезвычайных событий скорректируйте модель, увеличив частоту поступлений или уменьшив частоту выписок на основе экспертного суждения. После события переобучите модель на новых нормальных условиях.

Следует ли моделировать каждое отделение отдельно или все койки вместе?

Начните с общебольничной модели для общей пропускной способности, затем постройте модели для конкретных отделений для детального планирования персонала. Межотделенческие переводы усложняют модели для отдельных отделений; учитывайте их, включая потоки переводов.

Как мне проверить точность моей модели?

Зарезервируйте последние 3 месяца исторических данных для тестирования. Запустите модель на более ранних данных, сгенерируйте прогнозы для зарезервированного периода и сравните прогнозы с фактической загруженностью. Отслеживайте точность прогнозов (средняя абсолютная ошибка, охват доверительных интервалов).

Похожие методы

Источники

  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.

    Открыть ссылку на публикацию
    Скопировано.
  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.

    Открыть ссылку DOI
    Скопировано.
  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.

    Открыть ссылку на публикацию
    Скопировано.