Fallstudier - Modellering, simulering och
optimering av vårdkedjor SOS 1.0
Innehållsförteckning
1
1
Introduktion och syfte
Ordet simulering skapar helt olika associationer beroende på ens bakgrund och intresse. Att sedan
komplettera ordet simulering med målen som projektet SOS 1.0 haft dvs. att använda
”simuleringsstödd optimering av servicekedjor inom specialist, primär och hemsjukvård” sätter en
kontext där vi tydligare får svar på varför vi simulerar och vad söker optimera. Denna delrapport har
till syfte att ge en inblick i hantverken, utmaningarna och belöningarna med att tillämpa
simuleringsbaserad flermålsoptimering. Den kommer att belysa några av huvudresultaten från två
fallstudier. Den är på inget sätt heltäckande av allt det som gjorts eller alla dem bidrag som gavs. Den
ska helst läsas tillsammans med andra delrapporter som projektet genererat, och om du ska välja en
av dessa många delrapporter är rapporten skriven av Johansson & Abramowicz (2020) den som bäst
beskriver den system data som även denna arbetet bygger på. Även om det finns likheter mellan
dataanalyserna i dessa två rapporter finns det även tydliga skillnader, något som diskuteras i avsnitt
3.2 i denna rapport. För att hjälpa läsaren och sätta en bakgrund till arbetet introduceras nyckeldelar
från andra delrapporter i hopp om att ge läsaren en röd tråd som gör arbetet mer lättläst och förståelig.
2
Teoretiskt ramverk
Detta kapitel beskriver händelsestyrd simulering och flermålsoptimering. Dessa tekniker användes för
att modellera och genomföra experiment under simuleringsstudierna. Utöver simulering och
flermålsoptimering, kräver modellering av hälso- och sjukvårdssystemsystem dataanalys,
processkartläggning, datainsamling, dataanalys och en stor mått modellering och mjukvarukunskaper.
Modellering har träffande beskrivits som en blandning konst och vetenskap. Utfallet påverkas av
simulantens modelleringserfarenhet och av mjukvaran. Det sistnämnda skapar både möjligheter och
begränsningar. Det som däremot är mer universellt är de steg som ett simuleringsprojekt går igenom.
Kapitlen beskriver de olika stegen och interaktion mellan olika intressenter och projektgruppen under
dessa steg.
Kommande tre avsnitt är baserade på avsnitt som återfinns i kravspecifikationen men förenklade . De
tas med här för att ge läsaren den bakgrund som behövs för att första resultaten och, samt ge läsaren
möjlighet att läsa denna rapport fristående från den andra. För en fullständig genomgång av det
teoretiska ramverket hänvisas läsaren till rapporten Kravspecifikation.
2.1
Händelsestyrd simulering
Det finns olika simuleringstekniker som används idag och inom hälso- och sjukvården kan termen
simulering syfta till allt från en patientdockas simulering av sjukdomssymptom till simulering och
utvärdering av olika strålningsbehandlingsstrategier. Olika simuleringstekniker är anpassade till att
simulera olika frågeställningar med olika modelleringskrav. För att simulera olika typer av
vårdprocesser används framför allt händelsestyrd simulering (eng. Discrete Event Simulation - DES)
där fördelarna är väldokumenterade (Jacobson et al. 2006; Kopach-Konrad et al. 2007, Urenda Moris,
2010, Brailsford et al., 2013). En anledning till dess popularitet inom vården är att tekniken är bra på
att modellera dynamiska och stokastiska system. Den kan samtidigt modellera komplex systemlogik
och kräver förhållandevis låg datakraft för arbetet. Detta gör den till ett idealiskt verktyg för design,
analys och utvärdering av sjukvårdssystem (Eldabi, 2000). Händelsestyrd simulering ger användaren
möjligheterna att modellera vårdflödet med syfte att få en bättre förståelse för systemet och kunna
testa olika konfigurationer och produktionsstyrnings-alternativ med målet att förbättra systemets
olika nyckeltal. Hädanefter i rapporten hänvisar vi till just händelsestyrd simulering när termen
simulering används.
2
2.2
Flermålsoptimering
Flermålsoptimering syftar till optimering av flera parametrar samtidigt, där två eller flera mål är i
konflikt med varandra. Detta betyder att förbättring av ett mål kan komma att försämra ett eller flera
av de övriga målen och det går alltså inte att identifiera en enda lösning som optimerar alla mål
samtidigt. Denna typ av avvägning är vanligt i många verksamhetsbeslut. Till exempel brukar kortare
väntetider och därmed högre servicenivå ofta vara beroende av lägre beläggningsgrad eller innebära
ökade kostnader. Figur 1 visar alla optimala lösningar för systemet (den så kallade pareto-fronten) för
en fallstudie som genomfördes på Vasa central sjukhus. Denna graf visar två av målen i optimeringen;
närmare bestämt 1), att minska antal bäddplatser på avdelningarna T2, T3 och A3 och 2), att öka
antalet planerade operationer. Detta scenario ger upphov till en uppsättning optimala
kompromisslösningar, kända som pareto-optimala, eller helt enkelt pareto-lösningar. Figur x visar på
en tydlig relation mellan bäddkapacitet och det totala systemets kapacitet. Experimenten gås igenom
i detalj i avsnitt 4.4.
Figur 1. Resultat från studie på VCS som visualiserar två av målen med optimeringen - planerade operationer
och antal bäddplatser på avdelningarna T2, T3 och A3.
2.3
Processteg i simuleringsprojekt
Simuleringsprojekt är både en dynamisk och iterativprocess som kräver samarbete mellan olika
intressenter. Den tar sin början i en tydlig problemformulering och målsättning. Figur 2 beskriver
simuleringsprocessen i 10 steg och deras förväntade ordningsföljd. Modellen är baserad på en
industriell metodik presenterad av Banks (2000), men modifierad med förslag från (Eldabi et al., 2002)
för att bättre passa vårdsektorn. Förändringarna består främst i en mer uttalad iterativ process, samt
i att visualisera olika intressenter och deras aktiva bidrag och påverkan inom projektet. I figur 2 är
viktiga intressenter och deras påverkan visualiserad med boxar och streckade pilar i blått.
Intressenterna delas in i tre grupper utifrån om de är problemägare, experter eller användare (Eldabi
et al., 2002). Problemägare definieras som beslutfattare, beställare och ledningsfunktioner med ett
starkt intresse att adressera problemet. Domänexperter definieras som personal med domänkunskap
(specialister) och/eller personal med operativt ansvar i det modellerade systemet (nivå 2 användare).
Användare (nivå 3 användare) är de som ska jobba med modellen och ansvara för modellens resultat.
Hälso- och sjukvårdssystem har komplexa samband att modellera och ett antal olika intressenter med
heterogena eller motstridiga målsättningar att ta hänsyn till (CHSA, 2002, pp.54). Eldabi et al. (2002)
föreslår att lägga tid på en process där målsättningar växer fram, vars uppgift är att inkludera alla
3
berörda partnerna, bygga förtroende och förståelse för de föreslagna lösningarna. Simuleringsprojekt
inom vården påminner därigenom om lean-strategins stegvisa lärande (Liker, 2006, pp. 463) där varje
delsteg leder till bättre förståelse om vägen till målet.
Domänexperter
1) Problemformulering
2) Definiera mål och
projektplan
3) Konceptuellmodell
flödes och
processkartläggning
4) Datainsamling och
indataanalys
5) Kodning
6) Verifierad &
Validerad
7) Experimentdesign
8) Simulering,
optimering och analys
9) Fler experiment
10) Dokumentering och
rapportera resultat
nej
nej
ja
ja
Problemägare
Använd are
ja
ja
Figur 2. Steg i simuleringsprojekt, intressenter, analytik- och optimeringspaket. Figuren är baserad på (Banks,
2000) (Eldabi et al. 2002)
Modellen ovan startar med behovet av väldefinierade steg för problemformulering (1) och mål och
projektplan (2). Det kan ta tid att nå samsyn i dessa steg och dessutom kan definition av mål bli en
rörlig måltavla eftersom den påverkas datatillgänglighet. Figur 2 illustrerar detta genom flera iterativa
flöden mellan steg (2) och steg (4). Nya frågeställningar kan komma upp under projektets gång vid steg
(9) och leda till att nya mål definieras i steg (2).
Under steg (3); konceptuell modell, flödes och processkartläggning, kartläggs flödet för systemet
genom intervjuer, platsbesök, dokumentstudier och analys av olika former av data. Detta moment ger
en flödes- och logikbild av systemet och skapar grunden för den konceptuella modellen. Den
konceptuella modellen är en abstraktion av verkligheten, en förenkling. Den beskriver mål, in- och
outputs, omfattning av systemet, antaganden och förenklingar (Robinsson, 2013). Den konceptuella
modellen kan inte exekveras, dvs. den är endast en beskrivning av hur simuleringsmodellen ska vara
uppbyggd och kan inte ingå i ett faktiskt simuleringsförsök. Genom att analysera den konceptuella
modellen ska det bli tydligt hur frågeställningarna ska kunna besvaras.
Steg (4) datainsamling och indataanalys är ett mycket tidsödande arbete och antas ta över 30% av
tiden för ett industriellt simuleringsprojekt (Skoogh & Johansson, 2007). Inom vårdsektorn är vår
4
erfarenhet att det tar en ännu större andel av tiden i anspråk. Patienter är en mycket mer heterogen
grupp än industriprodukter. Det betyder att patientgrupper kan brytas ner i diagnosgrupper med både
huvud- och bi-diagnoser, kön, ålder, geografiskområde, hemförhållande m.m. Givetvis styrs hur
detaljerat detta kan göras av tillgången på data, frågeställningar, tid och kostnad. Problemet blir än
mer omfattande när vårdkedjor ska modelleras eftersom datakällor från olika vårdgivare ska hanteras
och samordnas. Under denna process växer ofta projektet exponentiellt då alla in- och utflöden av
patienter kartläggs.
Steg (5), modellering och kodning beskrivs av många som en blandning av konst och vetenskap. Det är
viktigt att lyfta fram att en modell alltid är en förenkling av verkligheten (se steg 3) och ska bara
innehålla de nödvändiga detaljerna för att adressera frågeställningarna. Komplexa modeller som söker
ett 1:1 förhållande till verklighet är varken önskvärda eller realistiska. Forskning visar att sådana
modeller tar alldeles för lång tid att bygga och blir sällan mer noggranna än motsvarande enklare
modeller (Robinson, 2013).
Steg (6), verifiering och validering är två steg som genomförs i anslutning till varandra. Verifiering
fokuserar på att granska om modellen fungerar i enlighet med den konceptuella modellen i steg (3)
dvs. om flöden, förenklingar och logik är rätt implementerade i modellen. Validering granskar istället
om modellens output och dynamiska beteende överensstämmer med verkligheten. Det är inte alltid
en fullständig validering kan göras, men genom olika valideringstekniker kan modellen ändå antas vara
tillräcklig överensstämmande för att användas i den vidare analysen.
Steg (7), (8) och (9) är alla kopplade till experimentfasen. Detta är det mest intressanta stegen i arbetet
och dessvärre den som oftast ägnas minst tid. En vanlig anledning till att detta steg missköts är att
projektet är försenad och tidsfönstret för att lämna resultaten är på väg att stängas. Steg (7) innefattar
beslut om simuleringshorisont, uppvärmningstid och antal replikationer (se 1.5 Terminologi).
Många simuleringsmjukvaror har begränsningar som påverkar experimentfasen (8). De stödjer endast
“vad händer om” analyser (eng. “What-if”) och enklare visualisering av resultat. Simulering är som
bekant inte i sig själv ett optimeringsverktyg. Projektgruppen har dock haft möjligheten att använda
sig av en kombinerad simulering- och flermålsoptimeringsmjukvara (Evoma, 2020). En styrka hos
mjukvaran är att den stöder avancerade optimeringsanalyser som tar hänsyn till en mängd olika
systemvariabler, systemkonfigurationer och optimeringsmål. Mjukvaran stödjer i det närmast helt
automatiserade experimentkörningar och resultat kan visualiseras med olika grafer och tabeller.
Sammanfattningsvis kan denna 10-stegs process generera förslag på lösningar som effektiviserar
flöden, identifierar optimala system konfigurationer och bidrar med systemkunskap för användare,
experter och problemägare.
2.4
Avgränsningar
Simuleringsmodellerna som har byggts och studerats har flera avgränsningar eller abstraktioner. En
viktig avgränsning i slutenvårdsenheterna är att de inte simulerar vårdpersonalens typiska
vårdaktiviteter som t.ex. hygien, mat, patientsamtal, egen tid, administrativa aktiviteter. De aktiviteter
som är modellerade är in och utskrivning. För att inkludera vårdpersonalens bemanning som en
experimentparameter behövs data i form av vårdtyngdmätning på patienterna och frekvensstudier på
avdelningens personal (Urenda Moris, 2010, Kap 6).
5
Andra avgränsningar är att det fullständiga breddade vårdflödet inte är modellerat dvs. alla
primärvårdsenheter som är en del av det utvidgade flödet till specialistvården inte är modellerade. De
flöden som inte följdes upp modellerades som ett gemensamt slutkärl.
3
Fallstudie Lycksele
Lycksele fallstudiet är det första fallstudiet som genomförs i projektet. Fallstudiet är därmed en lärande
resa för projektgruppen, där många för första gången genomför en simuleringsstudie. Arbetet
koncentreras till att modellerar flödet genom den kirurg-/ortopediska vårdavdelningen. Den tar
hänsyn till både elektiva- och traumaflödet och kartlägger även dem patienter som slussas vidare till
Storumans sjukstuga. Fallstudiet identifierar dem diagnoser inom plastik och fraktur som utgör
huvuddiagnoserna som följs under resterande fallstudier. Fallstudiet indataanalys klargör 1) en stegvis
förbättring av produktiviteten på specialistvården, 2) att det inte går att hitta mer detaljerad data som
kan visualisera djupare samband och korrelationer, 3) samt att andelen patienter som slussas vidare
till Storumans sjukstuga är förhållandevis lågt för dem valda diagnoserna.
3.1
Processkartläggning
Lyckseles ortopediska vårdavdelning utgör endast en del av hela vårdflödet på svenska sidan. I Figur 4
beskrivs flödet för hela vårdkedjan. Processtegen som visualiseras med en röd numrerad romb
beskriver viktiga beslutspunkter i flödet. Under denna fallstudie har dock endast de processerna som
ingår i den röda fyrkanten simulerats.
Vårdavdelningen som är huvudenheten tar emot patienter från akutmottagning och operation.
Intervjuer med personal i Lycksele och på sjukstugor klargör att i de flesta fall skrivs patienterna ut till
hemmet efter vårdtillfället men en andel överflyttas istället till en av länets sjukstugor för fortsatt vård
som inte kräver specialistkompetens. En vanlig orsak är fortsatt rehabilitering. En del patienter vårdas
här en tid och skrivs sedan ut till hemmet eller till särskilt boende i kommunen, medan andra skrivs
tillbaka till Lycksele på grund av komplikationer. Vårdproduktionsdata för det svenska vårdflödet har
kunnat följas till och med utskrivning från Region Västerbotten då juridiska regelverk förhindrade
vidare koppling till den kommunala vården. I de fall patienten i denna vårdkedja behövt vård vid
universitetssjukhuset i Umeå har det endast noterat en utskrivning till annan klinik.
Processkartläggningen visade att operationsplaneringen är integrerad med vårdavdelningens
planering. Båda enheterna drivs under samma planering och det möjliggör en skräddarsydd planering
som håller ner antalet avbokade operationer. En operation kan bl.a. bli avbokad eller struken på grund
av att patienten i sista stund inte är i form för att opereras eller pga. att det saknas vårdplats. I system
med högbeläggning eller utnyttjandegrad är det vanligt att detta sker. Lycksele har system för att
motverka båda dessa källor. Man minskar på detta genom att 1) i god tid ge utförlig information till
patienter om processen och förberedelser, 2) ha listor på patienter som kan med kort varsel ta över
ett avbokat operationstillfälle, 3) men framförallt genom att noga anpassa planerade operationer till
vårdavdelningens kapacitet. Det sistnämnda sker genom vårdplanering och utskrivningsrutiner, samt
genom att strategisk planera in operationer med lägre vårdtid tidigt i veckan. För en detaljerad bild av
operationsplaneringen för planerade (elektiva) patienter se tabell xx.
Avdelningen har 21 bäddplatser måndag till fredag. Under helgen stänger den 5 vårdplatser på grund
av svårigheter att rekrytera mer personal. Detta utgör en utmaning för verksamheten eftersom det
ökar behovet av planering och goda utskrivningsrutiner. För att skapa extra flexibilitet i systemet kan
patienter som är 65+ vårdas på Rehab avdelningen och lasarettets andra avdelningar kan ta emot
elektiva satellitpatienter vid behov. För närmare detaljer över utskrivningsrutiner och interaktionen
med sjukstugorna se rapport (Hemming & Ärlebrant, 2020).
6
Figur 4. Svenska vårdflödet med start på kirurgavdelningen i Lycksele Lasarett och slut på Storumans kommun.
Projektmedlemmarna genomförde flera platsbesök på Lycksele lasarett och intervjuer med
avdelningsföreståndare, operationsplanerare och annan vårdpersonal. Processkartläggningen med
både kvalitativa och kvantitativa aktiviteter är viktig för att få en god förståelse för processer och data.
Tabell 3.a och 3b visar hur planerade operationer planeras över veckorna. Denna huvudplanering
skiljer sig ifrån hur verksamheten bedrevs under 2014 och 2015 och är därför svårt att identifiera om
analysen bara baserades på kvantitativa studier.
3.2
Dataanalys
Dataanalysen för simuleringsmodellen skiljer sig från den dataanalys som gjorts inom projektet och
som presenteras i rapporten av Johansson & Abramowicz (2020) Datatillgång och användbarhet -
källor, möjligheter, utmaningar och jämförelser. Skillnaden består främst i att rapporten har en mer
aggregerad bild av demografin i systemen, samtidigt som den omfattar områden som inte omfattas av
simuleringsmodellen, till exempel innehåller inte simuleringsmodellen transporter mellan olika
enheter. En annan skillnad är att simuleringsmodellen främst används för att identifiera flaskhalsar och
hur variationer påverkar system. Det betyder att dataanalysen snarare fokuserar på att beskriva de
variationer som olika patientgrupper skapar samt dess flöden mellan enheter. För att ha en helhetssyn
på vilken data som funnits tillgänglig över vårdflödena, samt nyckeltal mellan svenska och finska sidan
rekommenderas att ta del av Johansson & Abramowicz (2020) utmärkta rapport.
Dataanalysen i detta avsnitt har som uppgift att gruppera patienterna i adekvata analysgrupper. Samt
i att identifiera ankommande variationer och variationer i vårdtid för dessa grupper. Dessa grupper får
inte vara för små eftersom det ger få datapunkter och därmed osäkra statistiska fördelningar.
Samtidigt önskar man ge varje ”virtuell” patient en uppsättning attribut som har betydelse i vårdflödet
och systembeteendet.
Utöver att korrekt gruppera patienter har dataanalys som uppgift att identifiera ankomstfördelningar
dvs. när och hur många patienter av olika diagnosgrupper ankommer till systemet. Detta benämns på
engelska Internal Arrival Time (IAT). Lika viktigt är att modellera variationen i vårdtid för de olika
patientgrupperna, detta görs med hjälp av fördelningar som representerar vårdtiden på avdelningen
7
och benämns på engelska som - Length of Stay (LoS). Dessa tre dataanalyser beskrivs nedan i var sin
sektion.
Data som användes för simuleringen av flödet av Lycksele lasarett bygger på 40 utvalda veckor under
året av åren 2014, 2015 och 2016, dvs. 120 veckor allt som allt. Veckorna som valts ska representera
typiska veckor på åren och därför har delar av året tagits bort. Under våren är det veckorna 3-24, minus
v.10 och v.16 som tagits med. Under hösten är det veckorna 32 t.o.m. 51 som tagits med.
3.2.1
Patientdata
Datafilen innehöll data motsvarande tre års data över patient inläggningar på specialistvården i
ortopediska avdelningen i Lycksele. Av dessa 3 års data valdes tre perioder á 40 veckor. En för
respektive år. De 40 veckorna representerade typ veckor för verksamheten. Under dessa 40 veckor
skedde 5413 patientinläggningar.
Patientdata som används i simuleringsmodellen inkluderar diagnos, kön, fyra geografiska områden
(Storuman, Lycksele, Umeå och övrigt) och ålder, se tabell 1. För en detaljerad bild av demografin i
systemet se rapport (Johansson & Abramowicz, 2020).
Tabell 1. Beskrivning patientdata
Diagnosgrupper
Ort
Ålder
Kön
M16 - höftprotes
Storuman
1-100 år
Man
M17 - knäprotes
Lycksele
Kvinna
E66 - obesitas
Umeå
N4 - prostata
Övrigt
Z4 - colon
S8 - fraktur
S7- fraktur höft
S06 - hjärnskakning
R1- akut buk
Övrigt trauma
3.2.2
Ankomstfördelning patientgrupper
Ankomst av patienter till systemet baseras på historisk data, se en sammanställning av data för
akuta/trauma patienter i tabell 2 och sannolikhetfördelningarna som genererar IAT för dessa grupper
i tabell 3. För planerade patienter använder modellen det operationsschema som användes 2016.
Schemat skiljer sig något mellan jämn och udda vecka. Schemat i tabell 4 visar operationsdagar.
Inskrivningsdagen för dessa patienter skiljer sig något beroende om patienten opereras tidigt
(inskrivning sker dagen före) eller senare under dagen. Tabell 5 visar skillnaden mellan inskrivning och
operationsdag. Tabellen visar också hur länge patienten normalt stannar. Modellen jobbar dock med
en empiriskfördelning som bygger på verklig historisk data och tar hänsyn till skillnaderna mellan
förväntad vårdtid och verklig vårdtid.
Tabell 2. Inskrivna trauma patienter per dag - 2014, 2015, 2016
Data Characteristic
Value
2014
2015
2016
Måndag Tisdag
onsdag
torsdag
fredag
lördag
söndag
Number of observations
814
280
280
254
117
117
116
116
116
116
116
Minimum observation
0
0
0
0
1
0
0
0
0
0
0
Maximum observation
12
12
9
10
11
12
10
9
8
10
7
Mean
4.05897
4.45
3.77857
3.93701
5
4.41026
4.10345
4.18103
3.90517
3.31034
3.49138
Median
4
4
4
4
5
4
4
4
4
3
3
Variance
4.41718
5.14444
3.80026
4.05926
5.03448
6.00265
4.0066
4.41042
3.59963
3.08546
3.03471
Lexis ratio (var./mean)
1.08825
1.15605
1.00574
1.03105
1.0069
1.36107
0.9764
1.05486
0.92176
0.93207
0.8692
Skewness
0.50452
0.51941
0.4402
0.3849
0.20963
0.78299
0.39815 -0.02594
0.4183
0.71863
0.0649
8
Tabell 3. Visar ankomsttalen och dem statistiska fördelningar för trauma (akut) patienterna. Alla fördelningarna
som används är diskreta fördelningar som modellerar den variation som det verkliga systemet uppvisar.
Veckodag
Fördelning
Medelvärde
antal pat/dag
Måndag
Poisson (4.53968, 2)
5
Tisdag
Negative Binomial (17, 0.80466)
4.4
Onsdag
Negative Binomial (227, 0.98388)
4.1
Torsdag
Negative Binomial (227, 0.98388)
4.1
Fredag
Negative Binomial (227, 0.98388)
4.1
Lördag
Binomial (34, 0.09104)
3.1
Söndag
Binomial (34, 0.09104)
3.1
Tabell 4. IAT elektiva patienter ankomstfördelningar
Tabell 5 - Schemaläggning och vårdplanering för elektiva ortopediska operationer i Lycksele. Gantt-scheman
visar inskrivningsdag och förväntad utskrivningsdag för ortopediska elektiva patienter.
3.2.3
Vårdtidfördelning patientgrupper
Alla diagnosers vårdtid modellerades med hjälp av empiriska sannolikhetstabeller baserade på data
från 2014-2016. Empiriska tabellen slumpar fram LoS genom en slumptalsgenerator. Tabell 6 visar på
frekvensutfallet från data för dem olika diagnoserna samt medelvårdtiden för data punkterna.
Gruppen med största spridning mellan min och max dagar är övriga gruppen. Det är flera grupper som
har ett stort kovariansvärde.
OP sal
Måndag Tisdag
Onsdag Torsdag Fredag OP sal
Måndag Tisdag
Onsdag Torsdag Fredag
Umeå Ortopeder
Ankomst en dag före
Inskrivning Rehab
Extra platser
GBP/Slivar
Ankomst en dag före
Poliklinisk
Gyn
Tandpol
5
1-2
cancer
3 GBP
4
2
2 höft
2 höft
2 GBP
Veckoplanering V1
2 knä
2 höft
Veckoplanering V2
1
2 knä
2 knä
3
2 höft
2 höft
5
2 höft
2 höft
1
2
3
4
2 knä
2 höft
3 GBP
2 GBP
V0
V1
V2
Onsdag
Torsdag
Fredag Lördag Söndag Måndag Tisdag
Onsdag Torsdag Fredag Lördag Söndag Måndag Tisdag
Onsdag Torsdag Fredag Lördag Söndag
H1 M skrivs in (knä måndag)
H1 M
H1 M
H2 M skrivs in
Höft Måndag Skrivsin
H2 M
H2 M
H3 T
H3 T
M16 Knä
H4 T
H4 T
M17 Höft
H5 O
H5 O
E66 fetma
H6 O
H6 O
N40 Prostata
H7 To
H7 To
K43 bråk
H8 To
H8 To
Z43 piliostomi
H9 F
H9 F
Z47 ej operation behandling
H10 F
H10 F
K1 M skrivs in
K1 M
K1 M
K2 M skrivs in
K2 M
K2 M
K3 T
K3 T
K4 T
K4 T
G1 M skrivsin
G1 M
G1 M
G2 M skrivsin
G2 M
G2 M
G3 M skrivsin
G3 M
G3 M
G4 T ?
G4 T ?
G5 T ?
G5 T ?
G6 T ?
G6 T ?
G4 O
G4 O
G5 O
G5 O
Cancer Pat ?
Cancer Pat ?
9
Tabell 6. Identifierade vårdtidsfördelningar LoS - empiriska fördelningar
Diagnosgrupp, medelvårdtid och frekvensdiagram
M16, 5.24 dagar
M17, 4.88 dagar
E66, 2.6 dagar
N4, 2.6 dagar
Z4, 4.6 dagar
S8, 2.7 dagar
S7, 3.6 dagar
S06, 1.6 dagar
R1, 2.0 dagar
Övrig grupp, 3.7 dagar
10
3.3
Modell
Simuleringsmodellen modellerades i två olika mjukvaror. Bilden på modellen i figur 5 visar modellen i
simuleringsmjukvaran Facts 3.0. Den åskådliggör att avdelningen är uppdelad i två delar, dels 16
vårdplatser som är öppna hela veckan och dels fem plus tre vårdplatser som stänger under helgen. De
tre extra vårdplatserna kan personalen använda för att vårda Lycksele patienter över 65 år.
Svårigheten i modelleringsarbetet bestod i dels i att den initiala datamängden inte innehöll en koppling
till Storumans sjukstuga och i komplexiteten att modellera flexibiliteten i utskrivningarna som
genomfördes under fredagar. Modellen kommer därför att kompletteras under 2021 och inkludera
flödet till Storumans sjukstuga.
Figur 5. Simuleringsmodellen som inkluderar Lycksele vårdavdelning och flödet till bl.a. Storumans sjukstuga
3.4
Experiment, resultat och analys
Simuleringsmodellen verifierades och validerades i två omgångar. Flera detaljer korrigerades bl.a.
antal planerade operationer per vecka och hur avdelningen kan använda Rehab platser för Lycksele
patienter som är + 65, samt extra platser i andra avdelningar på lasarettet.
Utfallet ledde till att skillnaden i antalet vårdade patienter under en period av 60 dagar var endast
3.2%. Det som också skiljde var att simuleringsmodellen var ”sämre” på att skriva ut patienter under
fredagen. Det ledde till en 2% högre överbeläggning än i det verkliga systemet och några fler strukna
patienter, se tabell 7. Resultaten visar att modellen över Lycksele kirurgiska avdelning är tillräcklig
noggrann för att representera verkligheten 2016.
Ett önskemål är att modellera alla sjukstugor som kan ta emot patienter från avdelningen. Detta för
att studera hur hela systemet med sjukstugor påverkar flödet för dem patienter som inte kan skrivas
ut till hemmet.
Tabell 7. utfall från simuleringsmodell och verkliga systemet. Siffrorna utgör medelvärdet i respektive system för
en period av 60 dagar.
3 x 60 dagar, 2016
Elektiva
Trauma
Total inskrivna patienter
på avd.
Verkliga systemet
135
224.7
359.8
Simuleringsmodellen
136
212.2
348.2
Skillnad i %
0.7
5.6
3.2
11
4
Fallstudie Vasa- Närpes
Fallstudiet över Vasa-Närpes bestod av flera delfallstudier och experiment. Arbetet genomgick flera
faser där Fas 1 omfattade endast modellering och simulering av tre avdelningar på Vasa central sjukhus
(VCS). Fas 2 studera en framtida vårdavdelning på VCS och påverkan av att minska antalet vårdplatser.
Fas 3 inkluderade detaljmodellering av Närpes primärvård enhet (Närpes HVC). Denna delrapport
kommer att koncentrera sig på det viktigaste i fas 2 och 3 av arbetet och inkluderar inte alla delsteg.
4.1
Processkartläggning
Detta avsnitt är hämtat från projektets rapport Kravspecifikationen. Den återges här för att ge läsaren
en bakgrund till systemet.
I Finland har projektet studerat patienter hemmahörande i Närpes kommun som genomgått en
ortopedisk operation, antingen på grund av en akut skada eller som en planerad knä- eller
höftoperation. Flödet presenteras i figur 6. Patienterna har opererats vid Vasa centralsjukhus och
vårdats på kirurgisk avdelning på sjukhuset efter operationen. Därefter har största andelen patienter
skrivits ut till sina hem i Närpes, med eller utan hjälp från hemvården. De patienter som haft större
vård- och rehabiliteringsbehov har skrivits ut till en bäddavdelning vid Närpes Hälsovårdscentral (HVC),
akut- och rehabiliteringsavdelningen i Närpes stad. Efter avslutad vårdtid på HVC sjukhus har
patienterna skrivits ut till ett boende eller till sitt eget hem, för att eventuellt fortsätta sin rehabilitering
med stöd av den sammanslagna hemvårdens tjänster.
Figur 6. Finländska vårdflödet med start på kirurgavdelningarna på Vasa Central Sjukhus och vården i Närpes
stad.
Den fullständiga simuleringsmodellen (fas 3) omfattar det som är innanför den röda markeringen i
figur 6. Det som benämns som Kirurgisk avdelning innefatta tre avdelningar T2, T3 och A3. Avdelning
T2 har 28 sängplatser, T3 har 30 platser och A3 har 20 platser. Tillsammans kan avdelningarna
omhänderta 78 patienter. Avdelningar fungerar som buffertar för varandra och kan ta över en patient
om den tänkta avdelningen inte har en tillgänglig sängplats. Även de Närpes HVC tillsammans med
andra HVC i regionen har möjlighet att snabbt ta emot färdigbehandlade patienter som inte blir
utskrivna direkt till hemmet.
12
4.2
Dataanalys
Dataanalysen följer samma mönster som i tidigare fallstudie. Skillnaderna är att arbetet inkluderar en
större mängd patienter, diagnoser och enheter. Analysen omfattar även en mer detaljerad
utskrivningsprocent från VCS per dag och patientgrupp. Den inkluderar flödet mellan VCS och Närpes
HVC, samt övriga inskrivna patienter från andra enheter till Närpes HVCs bäddavdelning, se figur xx.
Analysen bygger på data från åren 2016 och 2017. Den använder sig av 40 typ veckor under året, det
betyder att i likhet med fallstudiet i Lycksele lasarett tar vi inte hänsyn till sommarveckor och andra
helgveckor under året. I snitt skrivs det in 78.6 elektiva patienter per vecka till avdelning T2, A3T3 och
63.9 trauma patienter per vecka till samma avdelningar. Tillströmningen är i genomsnitt 142.5
patienter per vecka, men som studiet kommer att visa finns det stor variation i hur många som skrivs
in vecka för vecka.
4.2.1
Patientdata
Patientdata grupperingen och efter följande analys innehåller 26 grupper. Dessa 26 grupper
presenteras med i diagnosgrupper och avdelningsgrupper i nedanstående tabell. Grupperna innehåller
början på ICD koden för respektive diagnoser, t.ex. grupp M16 grupperar alla patienter med diagnoser
som börjar på M16. Gruppen MX grupperar alla patienter med diagnoser som inte är en del av M16
och M17. Flera grupper återkommer och finns i två varianter, en för elektiva och en för trauma
patienter, t.ex. SÖP och SÖX. Andra grupperingar visar vilken avdelning som använder sig av
diagnosgruppen t.ex. ÖT2_P (övriga patienter avdelning T2 planerade). Grupperna är eftersom dem
skiljer sig åt i vårdtid.
Tabell 8 visar att det sker en omgruppering av patienter när dem fortsätter i flödet till exempel bildar
grupperna S7S8 och S7 en ny grupp S7S8när dem kommer till Närpes HVC osv. Anledningen till nya
grupperingen är att det statistiska underlaget blir för liten utan grupperingen.
Tabell 8. Diagnosgrupper för VCS elektiva och trauma patienter, samt HVC med nya grupperingar
Elektiva
Trauma
HVC, Ny gruppering
M16
S7
MX (M16, M17, MX, MXA)
M17
S8
NX
MX
SÖX
EX
NX
R1
S7S8 (S7 , S8)
EX
RX
SXÖ (SÖX, SÖP)
ZX
ÖT2_A
RX (R1, RX)
SÖP
MXA
ZX
ÖT2_P
ÖAT3_A
ÖVCS (ÖVCS, ÖT2_A, ÖAT3_A, ÖT2_P, ÖAT3_P)
ÖAT3_P
ÖHVC
Att utöka antalet patientgrupper ökar komplexiteten i dataanalysen och också arbetsbördan. Det ska
tilläggas att denna inte var den ursprungliga grupperingen utan att den har förfinats vart efter studiet
gått från fas 1 till fas 3. Den ökade antalet grupper leder till ett ökat antal vårdtidsfördelningar och
utskrivningsfördelningar. Komplexiteten växer när även utskrivningsfördelningen skiljer sig mellan
veckodagar se (Johansson & Abramowicz, 2020). En viktig parameter som togs med i modellen är
andelen patienter från dessa olika grupper som var hemmahörande till Närpes och sedan hur många
av dessa som gick vidare i flödet till Närpes HVC.
13
4.2.2
Ankomstfördelning patientgrupper
Modelleringen av ankomstflödet till avdelningarna genomförs i flera steg. Steg 1 i processen startar
när modellen skapar en inkommande patient med tillhörande patient/diagnosgruppen inför varje dag.
Modellen slumpar vilken patientgrupp baserad på den historiska mixen som avdelningen haft. Nästa
patient skaps först efter den nuvarande blivit antagen till avdelningen.
Steg 2 i processen antar patienter till avdelningen baserad på en fördelning och medeltalet. Antalet
slumpas fram varje dag baserad på historisk data. Tabell 9 presenterar medeltalet för inskrivna
patienter till de olika avdelningarna. Siffran kommer från en Poisson fördelning omvandlas till en
exponentialfördelning ger därmed en medeltid mellan patient ankomst inom en timme per dag dvs.
mellan kl.13 -14. Att tiden 13 till 14 är vald har att göra med att modellen vill undvika krockar mellan
in- och utskrivningar, det betyder att utskrivningar sker innan kl.13. Exponentialfördelningen som har
ett kovariansvärde på 1 representerar bra den variation som VCS avdelningarna har.
Tabell 9. Ankomstfördelningar - alla är exponentialfördelade och patienterna blir inskrivna mellan kl. 13-14.
Siffran anger medelvärdet av antalet patienter.
Avdelning/dag
Mån-Torsdag
Fredag
Lördag
Söndag
T2 elektiva
6.3
3.9
0.5
0.9
T2 trauma
3.4
A3T3 elektiva
10.25
4.8
0.7
1.76
A3T3 trauma
5.8
HVC från T2/T3/A3
0.3
HVC övrigt
0.37
Figur 7 visar en av fördelningarna som har presenterats i tabell xx. Figuren visar histogram med antal
inskrivna patienter måndag till torsdag till avdelningarna A3T3. Den visar hur en Poisson fördelning
med parameter/medelvärde 10.25 kan approximera historiska antalet och variationen. På liknande
sätt har data för alla ovanstående avdelningar och dagar beräknats.
Figur 7. Historisk data från avdelningarna A3T3 i dem blåastaplarna, matchas av Poisson fördelningen med
lambda värde 10.25.
14
4.2.3
Vårdtidsfördelning patientgrupper
Patienters vårdtid på de olika avdelningarna är korrelerat till diagnosgrupperna. Tabell xx. visade att
modellen använder sig av 26 stycken patientgrupper. Var och en av dessa grupper har sitt eget LoS
fördelning. Varje fördelning är bygg på historisk data som kan visualiseras genom frekvenstabeller. För
dokumentation av medelvårdtiden för dem olika empiriska sannolikhetsfördelningarna för elektiva och
trauma patienter hänvisas till tabell 10 och 11 nedan. Dessa tabeller innehåller bara nyckeltal kopplade
till datamängden. De enskilda datapunkterna används för att ta fram dem empiriska
sannolikhetsfördelningarna som simuleringsmodellen använder för att simulera den verkliga
avdelningen och dess variationer. Två exempel på detta visas av figur 8 och 9.
Tabell 10. Beskrivning av datagrupperna och dess nyckeltal för elektiva patienter på T2, A3 och T3
Patientgrupp
M16
M17
MX
NX
EX
ZX
SÖT2_P
ÖT2_P
ÖAT3_P
Antal
datapunkter
375
480
367
533
297
27
406
681
3117
Min
0
1
0
0
0
0
0
0
0
Max
9
7
26
15
13
7
20
36
54
Medel
2.7
2.9
2.5
1.6
1.6
1.7
2.3
2.4
2.9
Median
3.0
3.0
2.0
1.0
1.0
1.0
1.0
1.0
1.0
Varians
1.2
1.0
5.4
2.9
2.7
3.7
8.2
8.3
13.7
Snedhet
2.0
1.1
4.1
3.4
3.9
1.8
3.4
4.4
4.1
Ett exempel på en sannolikhetstabell och motsvarande histogram för patientgruppen M16,
presenteras nedan i figur 8.
Figur 8. Sannolikhetstabell och histogram för gruppen M16
Tabell 11. Beskrivning av datagrupperna och dess nyckeltal för trauma patienter på T2, A3 och T3
Patientgrupp
S7
S8
SÖ
R1
RX
ÖT2_A
ÖAT3_A
Antal
datapunkter
461
276
805
218
255
437
2961
Min
0
0
0
0
0
0
0
Max
13
45
23
14
17
32
62
Medel
3.5423
3.09058
1.97267
2.04128
2.39608
3.27918
3.6562
Median
3
2
1
1
2
2
3
Varians
3.27919
14.04631
4.34751
3.85543
4.8858
14.11913
14.37838
Snedhet
1.06204
6.18836
3.35742
2.44482
2.60679
3.25896
4.70114
15
Figur 9. Sannolikhetstabell och histogram för S7, samt passad Binomialfördelning
Det båda tabellerna visar är att vårdtiden på specialistsjukhus i Vasa är relativt låga och som Johansson
& Abramowicz (2020) rapport visar ligger det något lägre än motsvarande verksamhet på Lycksele
Lasarett.
4.3
Modell
Vasa-Närpes modellen är mer omfattande och data tung än den tidigare Lycksele modellen. Figur 10
visar huvudflödet till vårdavdelningarna T2, A3T3 samt dess fortsatta flöde till Närpes HVC som är
markerad med en röd ring.
Modellen är byggd med hjälp av användargränssnittet, genom kodning och genom att läsa in data från
Excel ark. Den dokumenterar antal patienter som behandlas, ledtid genom systemet, beläggning av
avdelningarna och även antal patienter som inte kunde bli inskrivna på grund av sängplatsbrist.
Figur 10. Översiktsbild av VCS-Närpes HVC modellen. Bakom denna enkla fasad döljs en komplex modell med
många patientgrupper och kedja av händelser som loggas.
Den använder sig av viktade kopplingar och kö-rutiner för att skicka patienter vidare i flödet. Den har
en komplex matris för att skriva ut Närpes patienter från VCS till Närpes HVC, hem eller äldreboende
enligt olika sannolikhetsprocent beroende på veckodagen. Sannolikheterna styrs av patientgruppen,
16
avdelningen inom VCS de kommer från och vilken veckodag dem skriv ut. För att ge en uppfattning av
dem olika möjliga kombinationerna hänvisas läsaren till figur 11.
Figur 11. Sannolikhetkopplingar som bestämmer hur en patient går vidare i flödet.
Modellen stämmer väl överens med VCS avdelningar T2, A3 och T3. Valideringsarbetet av Närpes HVC
däremot utgjorde en utmaning. Simuleringsmodellen pekade på att Närpes HVCs bäddavdelningar
borde ha svårare att klara servicegraden. I simuleringsmodellen blev bäddavdelningen full belagd efter
en simuleringshorisont på tre månader, dvs. att systemet aldrig hamnade i det man beskriver som
steady state. Än är det oklart varför. Det finns tre hypoteser som vi tittar närmare på. 1) systemet är
beroende av kortare semester avbrott på VCS för att minska tillströmningen av patienter och eftersom
vi simulerar 4 månader utan avbrott får systemet inte det nödvändiga avbrotten, 2) rutinerna för
inskrivning är mer flexibla på bäddavdelningen än i modellen och 3) utskrivningsprocenten från VCS
stämmer inte med verkligheten. Redan idag vet vi att dokumenteringen är bristfällig och trots att vi
genom korsreferenser försökt att kartlägga exakt antal patienter som går vidare finns det en lucka i
datan. Modelleringsdata, experiment och slutsatser för Närpes HVC har presenterats för Närpes, men
kommer inte att presenteras i denna utgåva av rapporten.
4.4
Experiment, resultat och analys
Rapporten kommer att redovisa några av dem experiment som genomfördes under fas 2 av projektet.
Dessa experiment adresserar en kommande förändring i bäddkapaciteten i avdelning T3, A3 och T3.
Eftersom bäddantalet ska minskas ville projektgruppen inom VCS studera vad följderna av detta skulle
vara på VCs operations kapacitet och på flödet. Minskningen av antalet sängplatser per avdelning är
enligt nedan:
•
A3 har nu 20 platser och i nya sjukhuset 16 platser
•
T2 har nu 28 platser och i nya sjukhuset 25 platser
•
T3 har nu 30 platser och i nya sjukhuset 25 platser
•
Från 78 platser till 66 platser
Det som är intressant att optimera är att hitta bästa kompromissen mellan antalet bäddplatser,
beläggningsgrad, intäkter och antal genomförda operationer. För att nå högbeläggningsgrad och utan
att behöva stryka för många operationer behöver systemen hålla ner variationerna. En stor del av
variationerna kommer från trauma/akuta flödet och är svårare att påverka. Däremot finns det
17
variation som avdelningen står själva för och den uppkommer genom att ha schemalägga ojämnt över
veckan och över veckorna. Datat från VCS visade på att kvoten mellan medelvärdet och variansen för
operationsplaneringen har ett Lexus ratio värde på ca. 1. Även om det i sig är en normal variation, är
det av intresse att se vad som händer om man minskar variationen som kommer från
operationsplaneringen. Modellen innehåller ett objekt som heter Selection och den pekas ut i figur xx,
genom dem blåa cirklarna. Selection objektet ger optimeringsmotorn möjlighet att testa olika
konfigurationer på flödet. I figur 12 visas vad som händer när man tittar in i objektet. Figuren visar hur
det nu finns fyra olika upplägg på operationsplaneringen. Genom att låta optimeringsmotorn välja
vilken av dessa som bäst hjälper systemet att nå optimala siffror på målen för systemet öppnar man
för intressant analyser. Ett experiment parametrarna för objektet selection är därför enligt följande er:
1.
Dagens planering av operationer
2.
Planerade måndag - fredag utan variation
3.
Måndag - torsdag med en extra patient måndag och tisdag och en färre på onsdag och torsdag
4.
Måndag till Fredag med mer utjämnad variation dock fortfarande nära Lexus ratio = 1
Motsvarande selection och val finns för avdelningen T2
Figur 12. Selection objekt för flödet över avdelning A3/T3. Visar på 4 olika konfigurationer på
operationsplaneringen för elektiva patienter
Utöver att experimentera med selection kommer optimeringsmotorn att skruva på antalet sängplatser
genom att öka/minska antal sängplatser T2, T3/A3. Den kommer att mäta antal patienter som blir
behandlade under simuleringsperioden, antal backade eller strukna operationer pga. av brist på
sängplats och även inkludera en total kostnadsanalys. Observera att akuta patienter alltid har
företräde över planerade patienter.
Utöver dessa parametrar innehåller modellen även kostnads och intäktsparametrar för M16, M17, S7
och S8 patientgrupperna. Tabellen nedan visar kostnad per patient för operation och andra
aktiviteterna innan vårdtiden på vårdavdelningen. Den visar även vinst för tid på vårdavdelningen.
Modellen tar hänsyn till alla kostnader för dessa grupper och även den intäkt som varje genomförd
operation bidrar med. Det som är av intresse är att en struken operation genererar kostnader men
ingen intäkt. Det betyder att för hög beläggningsgrad leder visserligen till låga vårdkostnader på
avdelning T2, T3 och A3, men det leder även till en högre andel strukna patienter som leder till
kostnader. Ett av optimeringsmålen är därför att maximera vinsten.
18
Tabell 12. Kostnad och intäktstabell för diagnoserna M16, m17, S7 och S8.
Kostnader plockade från KPP med villkoren år 2018, avdelningar T2, T3 och A2.
Diagnos
Intäkt Index
Kostnader p/p exkl bäddavdelning
Vinst p/p före bäddavdelning
M16 Index
6491
5755
736
M17 Index
5436
3554
1882
S72 Index
5843
3622
2221
S82 Index
3836
2099
1737
Experimenten gör även följande antagande: att det finns operationsresurser för att öka antalet
planerade operationer med upp till 20%. Här gör vi skillnad mellan akuta operationer som står
oförändrade och planerade operationer som ökar med 20%. Figur 13 visar experiment variabler och
optimeringsmålen
för
experimentet
som
dem
definieras
i
optimeringsfönstret
av
simuleringsmjukvaran.
Figur 13. Figuren visar inställningar för experiment variabler och optimeringsmålen
Optimeringen körde 3000 olika experiment och här följer några av dem samband som kan identifieras.
Figur 14 visar att färre sängplatser kommer att begränsa kapaciteten i vårdflödet och därmed agera
flaskhals. De bästa kompromisslösningarna representeras av de punkter som ligger längst ut på pareto-
fronten. Varje punkt representerar en systemkonfiguration, där den strategi som operationsplanering
använder visualiseras med olika färger. Dessa strategier söker utjämna operationsplaneringen och
därmed minska den ojämna planeringen som idag leder till variation i antal operationer som
genomförs från dag till dag och från vecka till vecka. Dessa typer av människoskapta variationer skapar
ofta problem längre ner i flödet.
19
Figur 14. Resultat från studie på VCS som visualiserar två av målen med optimeringen - planerade operationer
och antal bäddplatser på avdelningarna T2, T3 och A3. Färgen på dem olika lösningar representerar olika
operationsplanerings strategier.
Figur14 visar på en tydlig relation mellan bäddkapacitet och det totala systemets kapacitet. Det är även
tydligt att kurvan planar ut efter 75 bäddplatser. Om vi i istället tittar på de två målen vinst och antal
bäddplatser i samma studie ser resultatet lite annorlunda ut (figur 15). Här ser man inte en lika tydlig
pareto-front och med vissa undantag visar resultatet att maxvinsten för systemet kan nås redan vid 72
bäddplatser.
Figur 15. Resultat från studie på VCS som visualiserar två av målen med optimeringen - vinst och antal
bäddplatser på avdelningarna T2, T3 och A3.
En mer utförlig och detaljerad genomgång av de olika experimenten kommer att publiceras under
2021 och 2022.
20
5
Slutsatser
Denna är en delrapport för projektet SOS 1.0. den har haft som syfte att ge inblick i modellering,
simulering och optimeringsarbetet. Att bygga valida simuleringsmodeller är ett omfattande arbete
som dock är väldigt givande och intressant. Behovet av att kombinera vetenskap och konst anses vara
av vikt vid all simuleringsarbete.
Simuleringsarbetet skapar alltid utrymme för ytterligare analyser och experiment. SOS 1.0 har använt
sig av en tekniken simuleringsbaserad flermålsoptimering som ger möjligheten att studera hur
systemet kan nå optimala kompromisser mellan mål som ofta är i direkt konflikt med varandra. Dessa
möjligheter ger även möjlighet att identifiera regler för att optimera systemen. Dessa regler baserade
på optimala pareto-lösningar är av stort värde för beslutsfattare. Det är vår förhoppning att dessa
exempel kan skapa intresse för tekniken och dess möjligheter. Mer utförligare analyser och detaljerade
beskrivningar kommer att publiceras under 2021 och 2022.
En simuleringsmodell är alltid en abstraktion av verkligheten. Och även om den kan användas för att
identifiera optimala system parametrar kan den aldrig fånga den variation av händelser, stora som små
som genomförs varje dag för i våra sjukvårdsystem av kvalificerade sjukvårdpersonal. Handlingar och
beslut som räddar människor varje dag och som visar en stor mått på osjälviskhet. Vår önskan är att
simulering och optimering kan tjäna dessa professioner och ge de stöd för att fatta beslut som är svåra
att överblicka pga. systemets variationer, komplexa flöden och suboptimerade processer. Att kunna
modellera helheten, även om det sker på en förenklad nivå ger insikt som är svårt att nå baserad på
ren intuition.
Referenser
Brailsford, S.C., Bolt, T.B., Bucci, G. , Chaussalet, T.M. , Connell, N.A. , Harper, P.R. , Klein, J.H., Pitt, M. & Taylor M. (2013)
Overcoming the barriers: a qualitative study of simulation adoption in the NHS, Journal of the Operational Research Society,
64:2, 157-168, DOI: 10.1057/ jors.2011.130
CHSA, Centrum För Hälso Och Sjukvårdsanalys (Centre for Healthcare Analysis) (2002) Jakten på den goda styrningen - En
kunskapsöversikt kring styrning och organisation inom hälso- och sjukvård (eng. The hunt for the good management - A
knowledge survey around management and organisation within the healthcare system), 2002, Gothenburg. Centrum För
Hälso- Och Sjukvårdsanalys, report nr. 3, ISBN 91-974223-2-0.
Eldabi, T., Zahir, I. and Ray, J.P. (2002) A proposed approach for modelling health-care systems for understanding. Journal of
management in Medicine, 16(2/3), pp. 170-187.
Goienetxea Uriarte, A., Ruiz Zúñiga E., Urenda Moris, M., and Ng, H. C. A. (2017) How can decision makers be supported in
the improvement of an emergency department? A simulation, optimization and data mining approach. Operations Research
for Heath Care 15 (2017) 102-122
Hemming, S. & Ärlebrant, L. (2020) kartläggning av kirurg-ortopediska vårdkedjan och dess kvaliteter i Västerbotten och
Kust-Österbotten - Analys av intervjuer med vårdpersonal inom specialist-, primär- och kommunvård/socialvård. Region
Västerbotten.
Johansson, M. & Abramowicz, K. (2020) Datatillgång och användbarhet - Källor, möjligheter, utmaningar och jämförelser.
Delrapport inom Botnia-Atlantica SOS 1.0 - simuleringsstödd optimering av servicekedjor inom specialist, primär och
hemsjukvård. Region Västerbotten.
Robinson, S. (2013) Conceptual modeling for simulation, Proceedings of the 2013 Winter Simulation Conference R.
Pasupathy, S.-H. Kim, A. Tolk, R. Hill, and M. E. Kuhl, eds (pp. 377-388)
Piscataway, NJ: IEEE.
Urenda Moris, M. (2010) Dealing with variability in the design, planning and evaluation of Healthcare inpatient units: a
modelling methodology for patient dependency variations, Ph.D. Thesis, Faculty of Computing Sciences and Engineering, De
Montfort University, UK.
Dölj infoSparad kopia
Detta är sökmotorns sparade kopia av https://www.regionvasterbotten.se/VLL/Filer/Fallstudier%20%E2%80%93%20Modellering%2C%20simulering%20och%20optimering%20av%20v%C3%A5rdkedjor%20SOS%201.0.pdf
1 ord som matchar logg in markerades.
Gå till [ nästa | föregående ] förekomst.
Sidan kan ha uppdaterats sedan sökmotorn indexerade den. Du kan alltid gå till den senaste versionen.