排队论在医疗保健中的应用
- 提出者
- Agner Krarup Erlang
- 年份
- 1909
- 类型
- Stochastic modeling and optimization technique
- 类别
- Operations research, Service management
本文为机器翻译,尚未经过审校。 阅读英文原文
它有什么作用?
排队论是一门数学学科,用于模拟等待队列、服务能力和顾客(患者)流。它最初由 Agner Erlang 于 1909 年为电信领域开发,现已广泛应用于医疗保健领域,以分析和优化急诊科、门诊诊所、手术室和诊断服务中心。
方法背后的直觉
当服务需求波动且服务能力固定或有限时,就会出现排队问题。在医疗保健领域,患者到达时间不规律,服务时间各不相同,而服务提供者又面临容量限制。排队论利用概率和统计学来预测队列长度、等待时间和系统利用率,而无需模拟每一位患者。通过理解这些关系,管理者可以决定需要多少医护人员、病床或设备单元才能达到可接受的服务水平。
历史学
Agner Erlang 于 1909 年在分析哥本哈根的电话呼叫量时开发了排队论。该领域由 David Kendall 正式化,他在 1953 年引入了现行的标准队列类型符号(M/M/1 等)。随着运筹学方法应用于急诊科流程、手术调度和门诊诊所管理,其在医疗保健领域的应用在 20 世纪 90 年代和 21 世纪初加速。处理非指数分布和随时间变化的到达的扩展使该理论更适用于真实的医疗保健系统。
何时使用
在分析具有可变需求和固定容量的服务系统(如急诊科、门诊诊所和诊断服务)时使用排队论。它能有效预测系统行为,且无需昂贵的模拟。假设到达和服务时间是随机的,系统处于稳态(非启动或关闭状态),并且队列规则清晰(先进先出、优先)。如果到达模式高度确定性、系统非常小(< 3 个服务器)或非标准队列规则导致分析难以处理,则避免使用排队论。
局限与注意事项
- 标准的排队模型假设随机(泊松)到达和指数服务时间,这在医疗保健中通常不成立
- 未考虑患者放弃、拒绝服务或复杂的路由模式
- 假设处于稳态条件;无法处理随时间变化的流量(例如,季节性变化)
- 结果对分布形状的假设敏感;假设中的微小错误可能导致预测中的巨大误差
- 模拟多个服务站或优先策略之间交互的能力有限
来源中的条件不能替代独立的科学审查或分析引擎的验证。
优势
- 提供等待时间、队列长度和利用率的封闭式公式,数据需求量少
- 允许快速进行情景分析和“假设”研究(例如,增加一名提供者可将等待时间缩短多少?)
- 识别瓶颈和针对给定服务目标的最佳人员配置水平
- 成熟的理论,拥有广泛的文献和软件实现
- 与模拟相比,计算成本低
应用
- 预测急诊科的等待时间并确定目标服务水平下的最佳医生和护士配置
- 分析门诊诊所容量,并决定是增加预约时段、并行诊所还是轮班调度
- 评估手术室利用率并预测周转时间以最大化调度效率
- 评估诊断成像容量(CT、MRI、超声)并安排维护窗口
- 根据预期的呼叫量和目标接听时间,规划呼叫中心的医护人员配置,用于患者预约和咨询热线
使用方式
使用方式
收集患者到达模式(到达间隔时间)、服务时间(治疗耗时)和服务器数量(医生、护士、病床、扫描仪)的数据。数据应涵盖数周或数月,以捕捉变异性和季节性。
将到达和服务时间总结为概率分布(例如,指数分布、正态分布)。使用拟合优度检验(Kolmogorov-Smirnov、Anderson-Darling)来检验观测数据是否符合标准分布。
识别队列结构:单服务器与多服务器、单队列与多队列,以及是否适用优先规则(急诊患者优先、预约与随访)。
使用 Kendall 符号(例如,M/M/c/N:马尔可夫到达、马尔可夫服务、c 个服务器、系统容量 N)指定排队系统,并计算稳态指标:平均队列长度、平均等待时间、服务器利用率。
确定当前容量是否满足服务目标(例如,90% 的患者在 4 小时内得到诊治)。如果不满足,则确定是增加服务器、缩短服务时间还是实施分诊。对关键假设进行敏感性分析。
常见陷阱
- 假设到达是泊松分布,而实际上是按计划进行的,或一天中有多个高峰
- 忽略患者异质性(例如,急诊与常规病例),并将标准排队公式应用于混合系统
- 将理论稳态指标与现实世界中的首日或最差情况混淆
- 使用平均服务时间,而变异性(标准差)很高;变异性比平均值本身对等待时间的影响更大
常见问题
什么是 M/M/1 队列,何时使用?
M/M/1 代表具有马尔可夫(指数)到达和服务时间分布的单服务器队列。它适用于模拟单个接待员、单个成像扫描仪或单个服务提供者,前提是需求不是太高。其平均等待时间公式为 W = λ / (μ(μ − λ)),其中 λ 是到达率,μ 是服务率。
增加一名提供者如何减少等待时间?
影响是非线性的,并且取决于当前的利用率。在低利用率下(例如,服务器忙碌 30%),增加容量影响很小。在高利用率下(例如,服务器忙碌 85%),增加一名服务器可以显著缩短等待时间。这就是为什么医疗系统通常接近满负荷运行并出现长时间等待的原因。
如果患者是预约来的,我可以使用排队论吗?
部分可以。预约到达减少了随机性,更具可预测性,但预约系统仍存在爽约、取消和可变的服务时间。混合模型(部分预约,部分随访)在医疗保健中很常见。如果到达高度确定性(全部预约),模拟可能更好。
“利用率”是什么意思,它如何影响等待时间?
利用率(ρ = λ / (c × μ)) 是服务器容量的使用比例。70% 的利用率意味着服务提供者有 70% 的时间在忙碌。当利用率接近 100% 时,等待时间呈指数级增长。大多数医疗系统旨在实现 70-85% 的利用率,以平衡效率和服务水平。
我该如何选择增加人员与提高效率(缩短服务时间)?
两者都可以缩短等待时间,但提高效率通常更便宜且更可持续。将平均服务时间缩短 10% 的效果与招聘更多人员相似,但没有长期的薪资成本。首先优先考虑流程改进,然后根据需要增加容量。
相关方法
参考文献
Erlang, A. K. (1909). The theory of probabilities and telephone conversations. Nyt Tidsskrift for Matematik, 20(B), 33–39.
打开出版物文献已复制。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.
打开出版物文献已复制。Gross, D., Shortle, J. F., Thompson, J. M., & Harris, C. M. (2008). Fundamentals of Queuing Theory (4th ed.). John Wiley & Sons.
打开出版物文献已复制。