İçeriğe atla
Arama sonuçlarına dön

Sağlık Hizmetlerinde Kuyruk Teorisi

Ortaya koyan
Agner Krarup Erlang
Yıl
1909
Tür
Stochastic modeling and optimization technique
Aile
Operations research, Service management

Bu metin makine çevirisidir ve henüz incelenmedi. Asıl metni İngilizce oku

Yazı boyutu

Ne işe yarar?

Kuyruk teorisi, bekleme hatlarını, hizmet kapasitesini ve müşteri (hasta) akışını modelleyen matematiksel bir disiplindir.

Başlangıçta Agner Erlang tarafından 1909'da telekomünikasyon için geliştirilen bu teori, acil servisleri, ayakta tedavi polikliniklerini, ameliyathaneleri ve tanı hizmet merkezlerini analiz etmek ve optimize etmek için sağlık hizmetlerine yaygın olarak uygulanmıştır.

Yöntemin mantığı

Hizmet talebinin öngörülemeyen bir şekilde değiştiği ve hizmet kapasitesinin sabit veya sınırlı olduğu durumlarda kuyruk sorunları ortaya çıkar. Sağlık hizmetlerinde hastalar düzensiz aralıklarla gelir, hizmet süreleri değişir ve sağlayıcıların kapasite kısıtlamaları vardır. Kuyruk teorisi, her hastayı simüle etmeye gerek kalmadan kuyruk uzunluklarını, bekleme sürelerini ve sistem kullanımını tahmin etmek için olasılık ve istatistik kullanır. Bu ilişkileri anlayarak, yöneticiler kabul edilebilir hizmet seviyelerine ulaşmak için kaç personel, yatak veya ekipman birimine ihtiyaç duyulduğuna karar verebilirler.

Tarih

Agner Erlang, 1909'da Kopenhag'daki telefon görüşmesi hacimlerini analiz ederken kuyruk teorisini geliştirdi. Alan, 1953'te kuyruk türleri için standart gösterimi (M/M/1 vb.) tanıtan David Kendall tarafından biçimlendirildi. Operasyon araştırması yöntemlerinin acil servis akışı, cerrahi planlama ve ayakta tedavi poliklinik yönetimine uygulanmasıyla sağlık hizmetlerindeki uygulamalar 1990'lar ve 2000'lerde hızlandı. Üstel olmayan dağılımları ve zamanla değişen varışları ele almak için yapılan uzantılar, teoriyi gerçek sağlık sistemlerine daha uygulanabilir hale getirdi.

Ne zaman kullanılır?

Değişken talep ve sabit kapasiteye sahip hizmet sistemlerini (acil servisler, ayakta tedavi poliklinikleri ve tanı hizmetleri gibi) analiz ederken kuyruk teorisini kullanın. Pahalı simülasyon gerektirmeden sistem davranışını tahmin etmek için etkilidir. Varışların ve hizmet sürelerinin rastgele olduğunu, sistemin kararlı durumda olduğunu (başlangıç veya kapanışta olmadığını) ve kuyruk disiplininin net olduğunu (FIFO, öncelik) varsayın. Varış modellerinin oldukça deterministik olduğu, sistemin çok küçük olduğu (< 3 sunucu) veya standart olmayan kuyruk disiplinlerinin analizi çözülemez hale getirdiği durumlarda kuyruk teorisinden kaçının.

Sınırlar ve dikkat edilmesi gerekenler

  • Standart kuyruk modelleri, sağlık hizmetlerinde genellikle geçerli olmayan rastgele (Poisson) varışları ve üstel hizmet sürelerini varsayar
  • Hasta terkini, vazgeçmeyi veya karmaşık yönlendirme modellerini hesaba katmaz
  • Sabit koşulları varsayar; zamanla değişen talebi (örneğin, mevsimsel değişim) ele almaz
  • Sonuçlar, dağılım şekli hakkındaki varsayımlara duyarlıdır; varsayımlardaki küçük hatalar büyük tahmin hatalarına yol açabilir
  • Birden fazla hizmet istasyonu veya öncelik politikası arasındaki etkileşimi modelleme yeteneği sınırlıdır

Kaynak metnin koşulları, bağımsız bilimsel inceleme veya analiz motoru doğrulaması yerine geçmez.

Güçlü yönleri

  • Bekleme süreleri, kuyruk uzunlukları ve kullanım oranları için minimum veri ile kapalı formül sağlar
  • Hızlı senaryo analizi ve 'ne olursa' çalışmaları sağlar (örneğin, bir sağlayıcı eklemek bekleme süresini ne kadar azaltır?)
  • Darboğazları ve belirli hizmet hedefleri için optimal personel seviyelerini belirler
  • Kapsamlı literatür ve yazılım uygulamaları ile iyi kurulmuş bir teori
  • Simülasyona kıyasla düşük hesaplama maliyeti

Uygulama alanları

  • Acil servis bekleme sürelerini tahmin etmek ve hedef hizmet seviyeleri için optimal doktor ve hemşire personelini belirlemek
  • Ayakta tedavi poliklinik kapasitesini analiz etmek ve randevu slotları, paralel poliklinikler veya vardiya planlaması eklenip eklenmeyeceğine karar vermek
  • Ameliyathane kullanımını değerlendirmek ve planlama verimliliğini en üst düzeye çıkarmak için devir sürelerini tahmin etmek
  • Tanı görüntüleme kapasitesini (BT, MR, ultrason) değerlendirmek ve bakım pencerelerini planlamak
  • Beklenen çağrı hacmine ve hedef yanıt sürelerine göre hasta planlaması ve danışma hatları için çağrı merkezi personelini planlamak

Nasıl çalışır?

Nasıl çalışır?

1

Hasta varış modelleri (varışlar arası süreler), hizmet süreleri (tedavinin ne kadar sürdüğü) ve sunucu sayısı (doktorlar, hemşireler, yataklar, tarayıcılar) hakkında veri toplayın. Veriler, değişimi ve mevsimselliği yakalamak için birden çok haftayı veya ayı kapsamalıdır.

2

Varışları ve hizmet sürelerini olasılık dağılımları (örneğin, üstel, normal) olarak özetleyin. Gözlemlenen verilerin iyi oluş testleri (Kolmogorov-Smirnov, Anderson-Darling) kullanılarak standart dağılımlara uyup uymadığını test edin.

3

Kuyruk yapısını belirleyin: tek sunucu mu, çoklu sunucu mu; tek kuyruk mu, çoklu kuyruk mu ve öncelik kurallarının geçerli olup olmadığı (acil hastalar önce, randevulu mu, ayakta mı).

4

Kuyruk sistemini Kendall gösterimi (örneğin, M/M/c/N: Markovian varışlar, Markovian hizmet, c sunucu, sistem kapasitesi N) kullanarak belirtin ve kararlı durum metriklerini hesaplayın: ortalama kuyruk uzunluğu, ortalama bekleme süresi, sunucu kullanımı.

5

Mevcut kapasitenin hizmet hedeflerini (örneğin, hastaların %90'ının 4 saat içinde görülmesi) karşılayıp karşılamadığını belirleyin. Karşılamıyorsa, sunucu sayısını artırmak, hizmet süresini azaltmak veya triyaj uygulamak gerekip gerekmediğini belirleyin. Anahtar varsayımlar üzerinde hassasiyet analizi yapın.

Sık yapılan hatalar

  • Varışların Poisson olduğunu varsaymak, ancak aslında randevulu olmaları veya gün içinde birden fazla zirveye sahip olmaları
  • Hasta heterojenliğini (örneğin, acil durumlar ve rutin vakalar) göz ardı etmek ve standart kuyruk formüllerini karma sistemlere uygulamak
  • Teorik kararlı durum metriklerini gerçek dünya ilk gün veya en kötü durum senaryolarıyla karıştırmak
  • Ortalama hizmet süresini kullanmak, ancak değişkenlik (standart sapma) yüksek olduğunda; değişkenlik, ortalamadan çok daha fazla bekleme süresini artırır

Sık sorulan sorular

M/M/1 kuyruğu nedir ve ne zaman kullanılır?

M/M/1, Markovian (üstel) varış ve hizmet süresi dağılımlarına sahip tek sunuculu bir kuyruğu temsil eder. Tek bir check-in görevlisi, tek bir görüntüleme tarayıcısı veya talep çok yüksek olmadığında tek bir sağlayıcıyı modellemek için uygundur. Ortalama bekleme süresi formülü W = λ / (μ(μ − λ))'dir, burada λ varış oranı ve μ hizmet oranıdır.

Bir sağlayıcı daha eklemek bekleme süresini nasıl azaltır?

Etkisi doğrusal değildir ve mevcut kullanıma bağlıdır. Düşük kullanımda (örneğin, sunucunun %30'u meşgul), kapasite eklemenin etkisi minimaldir. Yüksek kullanımda (örneğin, %85'i meşgul), bir sunucu eklemek bekleme süresini önemli ölçüde azaltabilir. Sağlık sistemlerinin genellikle tam kapasiteye yakın çalışmasının ve uzun beklemelerin görülmesinin nedeni budur.

Hastalar randevuyla geldiğinde kuyruk teorisini kullanabilir miyim?

Kısmen. Randevulu varışlar rastgeleliği azaltır ve daha tahmin edilebilirdir, ancak randevu sistemlerinde hala gelmeyenler, iptaller ve değişken hizmet süreleri vardır. Karma bir model (bazıları randevulu, bazıları ayakta) sağlık hizmetlerinde yaygındır. Varışlar oldukça deterministikse (tüm randevular), simülasyon daha iyi olabilir.

'Kullanım' ne anlama gelir ve bekleme süresini nasıl etkiler?

Kullanım (ρ = λ / (c × μ)), kullanılan sunucu kapasitesinin kesridir. %70 kullanım, sağlayıcıların zamanın %70'inde meşgul olduğu anlamına gelir. Kullanım %100'e yaklaştıkça bekleme süreleri üstel olarak artar. Çoğu sağlık sistemi, verimlilik ve hizmet seviyeleri arasında denge kurmak için %70-85 kullanım oranını hedefler.

Personel eklemek ile verimliliği artırmak (hizmet süresini azaltmak) arasında nasıl seçim yapmalıyım?

Her ikisi de bekleme süresini azaltır, ancak verimlilik iyileştirmeleri genellikle daha ucuz ve daha sürdürülebilirdir. Ortalama hizmet süresini %10 azaltmak, daha fazla personel işe almakla benzer bir etkiye sahiptir, ancak uzun vadeli maaş maliyetleri olmadan. Önce süreç iyileştirmesine öncelik verin, ardından gerekirse kapasite ekleyin.

İlgili yöntemler

Kaynaklar

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

    Yayın kaynağını aç
    Kopyalandı.
  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.

    Yayın kaynağını aç
    Kopyalandı.
  3. Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.

    Yayın kaynağını aç
    Kopyalandı.