Skip to content
กลับไปยังผลการค้นหา

แบบจำลองการครองเตียงในโรงพยาบาล

ผู้เสนอ
Healthcare operations researchers
ปี
2000
ประเภท
Stochastic simulation and time-series forecasting
กลุ่มวิธี
Capacity planning, Forecasting

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

แบบจำลองการครองเตียงในโรงพยาบาลใช้ในการคาดการณ์จำนวนเตียงที่ถูกครองครองในอนาคต โดยการวิเคราะห์รูปแบบการรับผู้ป่วย การกระจายตัวของระยะเวลาพักรักษาในโรงพยาบาล และพลวัตของการจำหน่ายผู้ป่วย แบบจำลองเหล่านี้สนับสนุนการตัดสินใจเชิงยุทธวิธีเกี่ยวกับการจัดบุคลากร การจัดการห่วงโซ่อุปทาน และการตัดสินใจเชิงกลยุทธ์เกี่ยวกับการขยายขีดความสามารถ

แนวคิดเบื้องหลังวิธีการ

จำนวนผู้ป่วยในโรงพยาบาล (census) มีความผันแปรตามวันในสัปดาห์ ฤดูกาล และเหตุการณ์ที่ไม่คาดฝัน (เช่น การระบาดของไข้หวัดใหญ่ อุบัติเหตุ) การคาดการณ์การครองเตียงที่แม่นยำช่วยให้ผู้บริหารสามารถจัดตารางการทำงานของบุคลากร สั่งซื้อเวชภัณฑ์ และวางแผนการบำรุงรักษา แบบจำลองนี้สามารถจับลักษณะสุ่ม (stochastic) ของการรับผู้ป่วยและการจำหน่ายผู้ป่วยได้ เนื่องจากผู้ป่วยบางรายพักรักษาเพียงหนึ่งวัน ในขณะที่บางรายอาจพักนานเป็นสัปดาห์ โดยการจำลองสถานการณ์ที่เป็นไปได้นับพัน แบบจำลองจะสร้างการกระจายความน่าจะเป็นของการครองเตียง ซึ่งไม่เพียงแต่แสดงค่าเฉลี่ย แต่ยังแสดงถึงความเป็นไปได้ที่จะถึงขีดจำกัดความจุสูงสุดด้วย

ประวัติศาสตร์

แบบจำลองสุ่มของจำนวนผู้ป่วยในโรงพยาบาลมีต้นกำเนิดมาจากวิจัยดำเนินการ (operations research) ในช่วงทศวรรษ 1980 และ 1990 McCarthy และคณะได้พัฒนาการคาดการณ์ความต้องการรับผู้ป่วยในช่วงต้นทศวรรษ 2000 โดยเฉพาะอย่างยิ่งสำหรับแผนกฉุกเฉิน งานวิจัยล่าสุดได้ขยายแบบจำลองเพื่อรวมการไหลของการส่งต่อระหว่างหน่วยต่างๆ และเพื่อรวมสัญญาณภายนอก (เช่น สภาพอากาศ การเฝ้าระวังโรค) เป็นตัวทำนายการรับผู้ป่วย ระบบสุขภาพสมัยใหม่ส่วนใหญ่ในปัจจุบันใช้แบบจำลองการครองเตียงรูปแบบต่างๆ สำหรับการจัดการกำลังคน

ควรใช้เมื่อใด

ใช้แบบจำลองการครองเตียงสำหรับการวางแผนกำลังคนเชิงยุทธวิธี (ระดับพนักงาน) การจัดการสินค้าคงคลัง (ผ้าปูเตียง ยา) และการวางแผนขีดความสามารถเชิงกลยุทธ์ (การเพิ่มเตียง) แบบจำลองมีประโยชน์มากที่สุดเมื่อการรับผู้ป่วยมีความผันแปร เมื่อมีรูปแบบตามฤดูกาล หรือเมื่อต้องการทำความเข้าใจความเสี่ยงที่จะเกินขีดความสามารถ ควรหลีกเลี่ยงหากการรับผู้ป่วยเป็นไปตามกำหนดการเท่านั้น หรือหากข้อมูลย้อนหลังมีน้อย (< 3 เดือน)

ข้อจำกัดและข้อควรพิจารณา

  • สมมติฐานว่ารูปแบบในอนาคตจะเหมือนกับข้อมูลในอดีต ไม่ได้คำนึงถึงการเปลี่ยนแปลงเชิงโครงสร้าง (เช่น โปรแกรมใหม่ การรวมแผนก)
  • มีความอ่อนไหวต่อคุณภาพของข้อมูล การรับผู้ป่วยที่ขาดหายไปหรือจำแนกประเภทผิดจะทำให้แบบจำลองคลาดเคลื่อน
  • การกระจายตัวของ LOS มักมีหางยาว (heavy tails) (ผู้ป่วยบางรายพักนานกว่ามาก) ซึ่งต้องอาศัยการปรับค่าทางสถิติอย่างระมัดระวัง
  • ไม่ได้คำนึงถึงการไหลของผู้ป่วยระหว่างหน่วยต่างๆ หรือความแตกต่างระหว่างจำนวนผู้ป่วยที่รับเข้ากับจำนวนเตียงที่ได้รับอนุญาต
  • ความซับซ้อนของแบบจำลองอาจบดบังสมมติฐาน ผู้ใช้อาจไม่เข้าใจข้อจำกัดของการคาดการณ์

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • สามารถจับลักษณะสุ่มตามธรรมชาติของการรับผู้ป่วยและ LOS ได้ ค่าเฉลี่ยเชิงกำหนด (deterministic averages) อาจทำให้เข้าใจผิดได้
  • ให้การกระจายความน่าจะเป็นแทนที่จะเป็นการประมาณค่าแบบจุด (point estimates) ซึ่งช่วยให้สามารถตัดสินใจโดยคำนึงถึงความเสี่ยงได้
  • มีความยืดหยุ่นในการรวมปัจจัยต่างๆ ได้มากมาย (ประเภทการรับผู้ป่วย การวินิจฉัย ฤดูกาล การเปลี่ยนแปลงภายนอก)
  • สนับสนุนการวิเคราะห์ 'ถ้าหาก' (what-if analysis): ประเมินผลกระทบของการลด LOS หรือการเพิ่มขีดความสามารถ
  • ค่อนข้างตรงไปตรงมาในการนำไปใช้และอัปเดตเมื่อมีข้อมูลใหม่เข้ามา

การประยุกต์ใช้

  • การคาดการณ์การครองเตียงรายวันเพื่อสนับสนุนตารางการจัดพยาบาลและการตัดสินใจเรื่องการทำงานล่วงเวลา
  • การคาดการณ์ความต้องการผ้าปูเตียงและเวชภัณฑ์ตามจำนวนผู้ป่วยที่คาดการณ์ไว้เพื่อการจัดการสินค้าคงคลังอย่างมีประสิทธิภาพ
  • การประเมินว่าจะเพิ่มเตียงหรือเปิดหน่วยใหม่หรือไม่ โดยพิจารณาจากข้อจำกัดด้านขีดความสามารถที่คาดการณ์ไว้
  • การกำหนดนโยบายการจำหน่ายผู้ป่วยที่เหมาะสมที่สุดหรือเป้าหมายการลด LOS เพื่อปรับปรุงความพร้อมของเตียง
  • การประเมินผลกระทบของการเพิ่มขึ้นตามฤดูกาล (เช่น ฤดูไข้หวัดใหญ่) ต่อขีดความสามารถของโรงพยาบาลและการเตรียมพร้อม

วิธีการทำงาน

วิธีการทำงาน

1

รวบรวมข้อมูลการรับผู้ป่วย (วันที่ เวลา การวินิจฉัยเมื่อรับ) ข้อมูลระยะเวลาพักรักษาในโรงพยาบาล (Length of Stay - LOS) สำหรับผู้ป่วยที่จำหน่ายแล้ว และรูปแบบการกลับมารับการรักษาซ้ำ ควรมีข้อมูลย้อนหลังอย่างน้อย 12 เดือน เพื่อให้ครอบคลุมรูปแบบตามฤดูกาล

2

ทำความสะอาดข้อมูลเพื่อแก้ไขข้อผิดพลาด จัดการกับค่าที่ขาดหายไป จำแนกประเภทการรับผู้ป่วย (ฉุกเฉิน นัดหมาย หรือส่งต่อ) คำนวณการกระจายตัวของ LOS ตามประเภทการรับผู้ป่วยและการวินิจฉัย ระบุและบันทึกรูปแบบที่เป็นระบบ (เช่น จำนวนผู้ป่วยที่รับน้อยลงในช่วงสุดสัปดาห์)

3

วิเคราะห์อัตราการรับผู้ป่วยตามชั่วโมง วันในสัปดาห์ และฤดูกาล ทดสอบว่า LOS เป็นไปตามการกระจายตัวทั่วไปหรือไม่ (เช่น exponential, lognormal, Weibull) ตรวจสอบความสัมพันธ์ระหว่างประเภทการรับผู้ป่วยและ LOS

4

สร้างแบบจำลองการจำลอง (simulation model) ที่สร้างเวลาการรับผู้ป่วยแบบสุ่มจากการกระจายตัวที่ปรับให้เหมาะสม กำหนด LOS ให้กับผู้ป่วยแต่ละราย และคำนวณการครองเตียงตามช่วงเวลา ดำเนินการจำลองซ้ำนับพันครั้งเพื่อประมาณค่าการกระจายตัวของการครองเตียงในอนาคต

5

สร้างการคาดการณ์การครองเตียงที่แสดงความน่าจะเป็นของการครองเตียงตามช่วงเวลาที่คาดการณ์ (รายวัน รายสัปดาห์) ระบุคอขวดของขีดความสามารถ (ความเป็นไปได้ที่จะเกินจำนวนเตียงที่มีอยู่) ประเมินสถานการณ์ (เช่น การเปิดหน่วยใหม่ การลด LOS ลง 10%) เพื่อสนับสนุนการตัดสินใจในการวางแผน

ข้อผิดพลาดที่พบบ่อย

  • การปรับค่า LOS ให้เข้ากับการกระจายตัวแบบง่ายๆ (เช่น normal) เมื่อการกระจายตัวจริงมีความเบ้สูง ซึ่งจะประเมินความเสี่ยงของการครองเตียงที่หางยาวต่ำเกินไป
  • การใช้เพียงอัตราการรับผู้ป่วยเฉลี่ยและ LOS เฉลี่ย ความแปรปรวนสูงหมายความว่าการกระจายตัวของการครองเตียงจะกว้างกว่าที่คาดการณ์ไว้
  • การละเลยผลกระทบของฤดูกาลและวันในสัปดาห์ ซึ่งนำไปสู่ความเอนเอียงในการคาดการณ์อย่างเป็นระบบ
  • การไม่ตรวจสอบความถูกต้องของแบบจำลองกับข้อมูลทดสอบที่แยกไว้ก่อนที่จะเชื่อถือการคาดการณ์สำหรับการตัดสินใจที่สำคัญ

คำถามที่พบบ่อย

ความแตกต่างระหว่าง census กับการครองเตียงคืออะไร?

Census คือจำนวนผู้ป่วยที่อยู่ในโรงพยาบาล ณ เวลาใดเวลาหนึ่ง อัตราการครองเตียงคือ census หารด้วยจำนวนเตียงที่ได้รับอนุญาต ทั้งสองค่ามีประโยชน์: census สำหรับการวางแผนบุคลากรและเวชภัณฑ์ อัตราการครองเตียงสำหรับการจัดการขีดความสามารถ

ฉันสามารถคาดการณ์การครองเตียงได้อย่างน่าเชื่อถือล่วงหน้าได้นานแค่ไหน?

การคาดการณ์มีความน่าเชื่อถือมากที่สุดในช่วง 1-7 วันข้างหน้า ซึ่งรูปแบบในอดีตให้แนวทางที่ชัดเจน เกิน 2 สัปดาห์ ความไม่แน่นอนจะกว้างขึ้นอย่างมีนัยสำคัญ การคาดการณ์ตามฤดูกาล (เช่น การครองเตียงในฤดูหนาวสูงกว่าฤดูร้อน) สามารถเป็นประโยชน์สำหรับการวางแผนประจำปี

ฉันจะจัดการกับเหตุการณ์พิเศษ (เช่น การระบาดใหญ่ ภัยธรรมชาติ) ได้อย่างไร?

แบบจำลองมาตรฐานสมมติว่า 'เป็นไปตามปกติ' สำหรับเหตุการณ์พิเศษ ให้ปรับแบบจำลองโดยการเพิ่มอัตราการรับผู้ป่วยหรือลดอัตราการจำหน่ายตามดุลยพินิจของผู้เชี่ยวชาญ หลังจากเหตุการณ์ ให้ฝึกแบบจำลองใหม่ด้วยเงื่อนไขปกติใหม่

ฉันควรกำหนดแบบจำลองแยกสำหรับแต่ละหอผู้ป่วย หรือรวมเตียงทั้งหมดเข้าด้วยกัน?

เริ่มต้นด้วยแบบจำลองทั่วทั้งโรงพยาบาลสำหรับขีดความสามารถโดยรวม จากนั้นจึงสร้างแบบจำลองเฉพาะหน่วยสำหรับการจัดบุคลากรโดยละเอียด การส่งต่อผู้ป่วยข้ามหน่วยทำให้แบบจำลองหน่วยเดียวซับซ้อนขึ้น ให้คำนึงถึงสิ่งเหล่านี้โดยรวมการไหลของการส่งต่อ

ฉันจะตรวจสอบความถูกต้องของแบบจำลองได้อย่างไร?

สำรองข้อมูลย้อนหลัง 3 เดือนสุดท้ายไว้สำหรับการทดสอบ รันแบบจำลองด้วยข้อมูลก่อนหน้านี้ สร้างการคาดการณ์สำหรับช่วงเวลาที่สำรองไว้ และเปรียบเทียบการคาดการณ์กับการครองเตียงจริง ติดตามความแม่นยำของการคาดการณ์ (เช่น ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (mean absolute error) การครอบคลุมของช่วงการคาดการณ์ (coverage of prediction intervals))

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิง DOI
    คัดลอกแล้ว
  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.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว