Μοντελοποίηση και Ανάλυση διαθεσιμότητας ενός συστήματος παροχής υπηρεσιών Υγείας

Availability modeling and Analysis of a health care system (Αγγλική)

  1. MSc thesis
  2. Μανδαλίδης, Αναστάσιος
  3. Διαχείριση και Τεχνολογία Ποιότητας (ΔΙΠ)
  4. 31 Μαίου 2020 [2020-05-31]
  5. Ελληνικά
  6. 76
  7. Πλατής, Αγάπιος
  8. Πλατής, Αγάπιος | Σαπίδης, Νικόλαος
  9. Διαθεσιμότητα | Μαρκοβιανές αλυσίδες | Μοντέλα ουρών αναμονής | Σύστημα παροχής υπηρεσιών Υγείας | Βελτιστοποίηση
  10. 1
  11. 3
  12. 33
  13. Περιέχει: πίνακες, εικόνες, σχήματα
    • Η ποιότητα παροχής υπηρεσιών υγείας σε μία σύγχρονη και ανεπτυγμένη χώρα είναι μείζονος σημασίας στις μέρες μας. Ωστόσο η οικονομική κρίση, με άμεσο αντίκτυπο τον περιορισμό των πόρων (υλικών και ανθρώπινων), έχει επηρεάσει σε μεγάλο βαθμό την αξιοπιστία και την αποτελεσματικότητα των συστημάτων παροχής υπηρεσιών υγείας. Η θεωρία ουρών, πέραν του μεγάλου επιστημονικού ενδιαφέροντος, έρχεται να δώσει λύσεις, μέσω κατάλληλων εργαλείων (μαθηματικών μοντέλων), σε πολλές εφαρμογές της ανθρώπινης δραστηριότητας. Ένα από τα μοντέλα αυτά που αφορά ένα υβριδικό πρότυπο Erlang Β με προτεραιότητες και θέσεις φύλακα, προτάθηκε από τον G.Haring (Haring, Puigjaner, & Trivedi, 2001) για τον τρόπο διαχείρισης καναλιών της κινητής τηλεφωνίας ως προς τις κλήσεις που προέρχονται από περιαγωγή (handoff) και τις νέες κλήσεις .Το ίδιο μοντέλο χρησιμοποιήσαμε στην παρούσα διπλωματική εργασία, .για τη διαχείριση των κλινών σε μία μονάδα υγείας ως προς τους τακτικούς και έκτακτους ασθενείς με τους πρώτους να έχουν μεγαλύτερη προτεραιότητα έναντι των τακτικών. . Υπολογίστηκαν η πιθανότητα απόρριψης των έκτακτων ασθενών Pd και η πιθανότητα μπλοκαρίσματος των τακτικών ασθενών Pb καθώς και με ακρίβεια 8 δεκαδικών ψηφίων όλα τα στοιχεία των άνω τριγωνικών πινάκων Pb και Pd μέχρι και χωρητικότητα κλινικής 100 κλινών , και δεσμευμένες κλίνες φύλακα επίσης μέχρι την τιμή g=100. Η διαφορά με τους υπολογισμούς του G. Haring είναι ότι δεν χρησιμοποιήθηκαν προσεγγιστικές μέθοδοι υπολογισμού, αλλά οι υπολογισμοί για τα πραγματικά δεδομένα της Ορθοπεδικής Κλινικής του Νοσοκομείου Παπανικολάου της Θεσσαλονίκης σε περιβάλλον Matlab 2014b εκτελέστηκαν με ακρίβεια σε λιγότερο από 10 λεπτά για το δυσκολότερο σενάριο που χρησιμοποιήθηκε με τα πραγματικά δεδομένα. Στη συνέχεια εξετάσαμε για 4 σενάρια, τη μέθοδο βελτιστοποίησης τύπου 1. Αυτά αφορούσαν την πραγματική περίπτωση της εισερχόμενης ροής των έκτακτων ασθενών, αλλά και 3 πιθανά σενάρια όπου ελέγχθηκε το άνω όριο εφαρμογής του μοντέλου για τη ροή των εισερχόμενων ασθενών με δεδομένη τη χωρητικότητα Ν και την μέγιστη τιμή της πιθανότητας απόρριψης Pdmax. Το μοντέλο έδωσε πολύ καλά αποτελέσματα για τα Pbopt και gmin με σταθερές τις εξερχόμενες ροές τακτικών ασθενών μ1, έκτακτων ασθενών μ2, καθώς και την εισερχόμενη ροή τακτικών ασθενών λ1, όταν χρησιμοποιήθηκε ως μεταβαλλόμενη παράμετρος η εισερχόμενη ροή των έκτακτων ασθενών λ2. Η μέθοδος βελτιστοποίησης τύπου 1 μπορεί να δίνει πολύ καλά αποτελέσματα εντός μίας κλινικής σταθερής χωρητικότητας, αλλά σε ένα δυναμικό περιβάλλον αυτό δεν είναι αρκετό. Επειδή η χωρητικότητα της κλινικής είναι από μόνη της ένας περιορισμός περάσαμε στην εφαρμογή μεθόδων βελτιστοποίησης τύπου 2 για σενάρια 3 περιπτώσεων. Για τα πραγματικά δεδομένα της κλινικής με δεδομένα τα Pdmax και Pbmax υπολογίσαμε το Νmin και το gmin επαληθεύοντας έτσι ότι η βελτιστοποίηση τύπου 2 είναι ουσιαστικά συμπληρωματική της βελτιστοποίησης τύπου 1, η διαφορά τους είναι στα μεγέθη των οποίων οι τιμές είναι δεδομένες και στα μεγέθη των οποίων αναζητείται η τιμή. Στο δεύτερο σενάριο αναζητήθηκε η χωρητικότητα της κλινικής για την οποία η πιθανότητα απόρριψης των τακτικών ασθενών ήταν 4 τάξεις μεγέθους μεγαλύτερη. Το αποτέλεσμα είναι η κλινική να μειώνει τη χωρητικότητά της αλλά να αυξάνει τις κλίνες φύλαξης. Το πιο ενδιαφέρον σενάριο είναι οπωσδήποτε το τελευταίο όπου διαπιστώνεται η έξαρση μίας επιδημίας με διπλάσια ροή έκτακτων ροών για την οποία ενδιαφερόμαστε να προεκχωρήσουμε έναν καθορισμένο αριθμό κλινών Ν στη δεδομένη κλινική και με δεδομένο αριθμό κλινών φύλακα g. Αυτό για να επιτευχθεί απαιτεί εφαρμογή του μοντέλου και σε άλλες κλινικές του ίδιου νοσοκομείου ώστε να προκαθοριστεί πριν την είσοδο μεγάλου αριθμού ασθενών ποιες κλινικές θα δώσουν κλίνες σε αυτή που έχει ανάγκη. Το πρότυπο ως εργαλείο μπορεί να παίξει κομβικό ρόλο στην οργάνωση του Νοσοκομείου και τη διαλειτουργικότητα των κλινικών του. Τα αποτελέσματα που λάβαμε απέδειξαν ότι μπορεί να χρησιμοποιηθεί ως ένα πολύ ισχυρό εργαλείο για τη διαχείριση των κλινών της κλινικής, αλλά και των κλινών μεταξύ των κλινικών αφού ανταποκρίθηκε με επιτυχία και σε σενάρια οριακών συνθηκών παρουσιάζοντας γενικότερα ευρωστία, ευελιξία, ανθεκτικότητα αλλά κυρίως απλότητα.
    • The quality of health services in a modern and developed country is a major issue nowadays. However, the economic crisis has led to direct resources cut downs, both in terms of human capita and in terms of equipment and medical materials, affecting the reliability and the effectiveness of healthcare units. The queueing theory, in addition to the great scientific interest, comes to provide solutions, through appropriate tools (mathematical models), to many applications of human activity. One of these models involving an Erlang B hybrid model with priorities and guard positions, was proposed by G.Haring (Haring, Puigjaner, & Trivedi, 2001) for the way to manage mobile channels in terms of calls coming from roaming (handoff calls) and new calls. The same model was used in this dissertation to manage beds in a health unit for patients coming from emergency departments and outpatient clinics respectively, with the former having a higher priority. The rejection probability formulas Pd for the emergency patients as well as blocking probability formulas Pb for patients coming from outpatient clinics were extracted in detail and all elements of the upper triangular Pb and Pd tables with an accuracy of 8 decimal places, up to a clinic capacity of 100 beds, were calculated reserved guard beds also up to the value of g=100. The key difference with G.Haring's calculations is that no approximate methods of calculation were used, but the calculations for the actual data of the Orthopaedic Clinic of Papanikolaou Hospital in Thessaloniki in a Matlab2014b environment were executed accurately in less than 10 minutes for the most difficult scenario used with the actual data. Then we examined the type 1 optimization method for 4 scenarios. These concerned the actual case of the incoming flow of emergency patients, as well as 3 possible scenarios where the upper application limit of the model was examined for the flow of incoming patients given the N capacity and the maximum rejection probability of Pdmax. The model performed very good results for Pbopt and gmin with constant outgoing flows of patients either from outpatient clinics μ1 or from Emergency Department μ2, as well as the incoming flow of patients from outpatient clinics λ1, while the incoming flow of Emergency Department patients λ2 was used as a varying parameter. The type 1 optimization method may give very good results within a stable capacity clinic, but in a dynamic environment this is not enough. Because the capacity of the clinic is in itself a limitation we passed on the application of type 2 optimization methods for 3 case scenarios. For the actual data of the clinic with given data Pdmax and Pbmax we calculated Nmin and gmin thus verifying that the type 2 optimization is substantially complementary to the type 1 optimization, their difference is in sizes whose values are given and the sizes of which the value is sought. In the second scenario we looked for the capacity of the clinic for which the rejection probability of the patients from outpatient clinics was 4 classes of magnitude greater. The result is that the clinic reduces its capacity but increases the guard beds. The most interesting scenario is certainly the last one where there is an outbreak with twice the flow of emergency flows for which we are interested in preallocating a specified number of N beds in the given clinic and given the fact that the number of guard beds is g. In order to achieve this, the application of the model to other clinics in the same hospital is required in order to pre-determine which clinics will give beds to the one in need before the entry of a large number of patients. The model can play a key role as a tool in the organization of the Hospital and the interoperability of its clinics. The results we have received have shown that it can be used as a very powerful tool for the management of beds inside the clinic, as well as beds between clinics after responding successfully and in boundary scenarios presenting overall robustness, flexibility, resilience but mostly simplicity.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.