دانلود رایگان مقاله مدلسازی روند بستری بیماران قلبی اورژانسی

چکیده

        این پژوهش به مشکل زنجیره مراقبتهای اورژانسی در روند بیماران قلبی بستری شده می پردازد. هدف اولیه تعیین تعداد بهینه تختهای تخصیصی است با داشتن تعداد حداکثر بیمارانی که از امکان پذیرش آنها وجود نداشته است. هدف دیگر ارائه دید عمیقتری نسبت به ارتباط بین اختلاف طبیعی بین ورود بیمار و طول مدت اقامت آنها می باشد.تاکید اصلی بر نشان دادن دید غیر واقعی مدیریت بیمارستان در مورد میزان افزایش نرخ اشتغال تخت است. مقرون به صرفه بودن آن نباید نادیده گرفته شود. یک نتیجه مهم آن اینست که عدم پذیرش در کمکهای اولیه قلبی (FCA)از عدم وجود تختهای مراقبتی ناشی می شود. تغییرات هم در LOS و هم نوسانات تعداد ورود بیمار منجر به تفاوت بسیار زیاد در حجم بار کاری می شود. تکنیکهای تحقیق در عملیات به طور موفقی برای توضیح پیچیدگی و دینامیک در روند بستری اورژانس استفاده شده است. 

1. مقدمه

          به طور کلی تصمیمات در مورد ظرفیت بیمارستانها بدون کمک تحلیلهای مدلهای کمی انجام می شود(12) در سالهای قبل، مدیران بیمارستانها سعی داشتند تعداد تختها را کاهش دهند و نرخ اشتغال تخت را افزایش دهند تا کارایی عملیاتی را بهبود ببخشند. این استراتژی قابل اعتماد نبود. اختلاف در طول مدت اقامت (LOS) روی عملیات روز به روز بیمارستان و میزان ظرفیت لازم تاثیر عمده ای داشت. اگر این اختلاف در طول مدلسازی اراده ثابت و غیرواقع بینانه نادیده گرفته شود. یک مدل، فقط بر اساس اعداد میانگین باشد، توانایی توضیح پیچیدگی و داینامیک روند بستری بیماران را ندارد. این امر همچنین به عنوان نقص میانگین شناخته می شود. 

            مدیریت به همه زنجیره مراقبتی از پذیرش تا ترخیص توجه نمی کند، بلکه اساسا روی عملکرد واحدهای جداگانه تمرکز می کند. تعجبی ندارد که این کار باعث کاهش بیماران بدون کاهش قابل ملاحظه ای در هزینه ها می شود.راه حل های پیشنهادی بهینه نیستند.

          در این مطالعه، ما روند بستری اورژانسی بیماران قلبی را در یک مرکز پزشکی دانشگاهی بررسی می کنیم. تفاوت روند این بیماران خاص اختلاف در زمان پذیرش آنها در بخش کمک های اولیه قلبی (FCA) می باشد یعنی، بخشی که بیماران قلبی اورژانسی در آن وارد بیمارستان می شوند. بعد از درمان اولیه، قبل از رفتن به بخش مراقبتهای عادی کلینیکی (NC)، این بیماران به بخش مراقبتهای قلبی (CCU) منتقل می شوند. 

         بسیاری از بیمارستانها در نگهداری درست منابع با مشکل مواجه هستند، مثلا در مورد تختها و پرسنلهای موجود برای پذیرش بیماران. ارزیابی ها نشان می دهد که در بیمارستان های بررسی شده،نرخ اشتغال تختهای CCU، بالای 95% می باشد. در نتیجه اغلب اتفاق می افتد که CCU ظرفیت کافی ندارد، چون بخش پر است. در نتیجه، تعداد بیمارانی که نمی توانند در FCA پذیرش شوند، تعداد قابل توجهی است و این بیماران به سایر بیمارستانها مراجعه می کنند.

         این قابل قبول نیست و باعث فشار زیادی روی کیفیت درمانی مورد نیاز می شود. اغلب بیمارستانها شامل این مساله می شوند. تضمین پذیرش همه بیمارانی که وارد بخش اورژانس می شوند، هدف اصلی یک بیمارستان است. در کنار لزوم سرویس مناسب، بایستی جنبه های اورژانس درمانی نیز در نظر گرفته شود. در مورد حمله قلبی، وقتی کسی زودتر به اتاق اورژانس برسد، شانس بیشتری دارد که نه تنها زنده بماند، بلکه صدمات قلبی او نیز به حداقل برسد. این زمان اغلب به «زمان طلایی» معروف است.(14) این مطالعه یک مدلی را برای تحلیل تراکم در زنجیره درمانی به کار می برد. در این مدل، تعداد تختهای زنجیره درمانی برای چند سطح خدمات در نظر گرفته می شود.

         در بخش 2 مدل ساختاری ایجاد شده است و با تحلیل داده ها در بخش 3 دنبال می شود. در بخش 4 تاثیر نوسانات در ورود و اختلاف LOS بر روی ظرفیت لازم را توضیح می دهد. در بخش 5 پدیده مسدود شدن و مدل ریاضی معرفی شده است. بخش 6 نتایج و مقالات شامل نتیجه گیری و بحث را در بخش 7 بیان می کند.

2. مدل ساختار یافته

        فاز اول مطالعه ساختن یک مدل ساخیافته یا فلوچارت از روند بیماران است. چنین مدلی مسیریابی بیماران متفاوت را در یک حالت کیفی توضیح می دهد و ارتباط بین واحدهای بیمارستان را تعریف می کند.بعد از ملاقات تخصصی با متخصصات قلب، ما تصمیم گرفتیم دو روند مختلف بیماران را شناسایی کنیم. اولین روند بیماران، در FCA به سیستم وارد می شود و بعد از ماندن در CCU و NC از بیمارستان خارج می شود. بخشهای مختلف به صورت زیر تعریف شده است:

- کمکهای اولیه قلبی: یک واحد بیمارستانی قصد دارد تا تشخیص سریع و شروع به درمان را برای نشانه های بدخیم بیماری که احتمالا به علت بیماری قلبی (برای مثال، درد قفسه سینه، سنکوپ، تپش قلب، تنگی نفس ) انجام دهد.

- واحد مراقبت قلبی: یک واحد بیمارستانی که به طور خاص برای مراقبتهای شدید درمانی بیماران با بیماریهای قلبی مزمن یا بدخیم تجهیز شده است. مثلا(سندروم قلبی بدخیم، بی نظمی ضربان قلب، از کار افتادگی قلب) 

- مراقبتهای عادی: یک بخش بیمارستانی مجهز برای مراقبت های عادی برای یک عده از بیماران خاص در این مورد، بیماران قلبی

         روند دوم بیماران، از بیمارستانهای اطراف سرچشمه میگیرد، وارد CCU می شود و بعد از درمان به سایر بیمارستانها برمیگردد.در نتیجه به بخش NC نمی روند. این بیماران بستری می شوند تا عمل زیر پوستی (یا بالون) آنژیوپلاستی (PTCA)ضروری انجام دهند. این نوع درمان به عنوان مراقبت کلینیکی سطح عالی می باشد. فقط بیمارستان های تایید شده اجازه دارند این نوع رویه های پزشکی را انجام دهند. مدل ساختاری با دو روند مختلف بیمار در شکل 1 نشان داده شده است:

          فرایندهای مراقبتی درمانی دچار عدم اطمینان زیادی هستند. تعداد بسیار زیادی از مسیریابی های ممکن بیماران را می توان شناسایی کرد. اگر ما روندهای مختلف با جزئیات فراوان را درون یک بیمارستان بررسی کنیم، فلوچارت شبیه یک مسیر پین بال می شود. در نتیجه شکل 1 تکمیل بنظر نمی رسد.

Abstract

          This study investigates the bottlenecks in the emergency care chain of cardiac in-patient flow. The primary goal is to determine the optimal bed allocation over the care chain given a maximum number of refused admissions. Another objective is to provide deeper insight in the relation between natural variation in arrivals and length of stay and occupancy rates. The strong focus on raising occupancy rates of hospital management is unrealistic and counterproductive. Economies of scale cannot be neglected. An important result is that refused admissions at the First Cardiac Aid (FCA) are primarily caused by unavailability of beds downstream the care chain. Both variability in LOS and fluctuations in arrivals result in large workload variations. Techniques from operations research were successfully used to describe the complexity and dynamics of emergency in-patient flow.

1 Introduction

         Capacity decisions in hospitals are made in general without the help of quantitative model-based analyses [12]. Over the past years hospital managers have been stimulated to reduce the number of beds and increase the occupancy rates to improve operational efficiency. This strategy is questionable. Variability in length of stay (LOS) has a major impact on day-to-day hospital operation and capacity requirements. If this variability is disregarded during modeling an unrealistic and static representation of reality will emerge. A model, only based on average numbers, is not capable of describing the complexity and dynamics of the in-patient flow. This is also known as the flaw of averages.

          Management does not consider the total care chain from admission to discharge, but mainly focuses on the performance of individual units. Not surprisingly, this has often resulted in diminished patient access without any significant reduction in costs. The suggested solutions are suboptimal.

        In this study we investigate the emergency in-patient flow of cardiac patients in a university medical centre. This particular patient flow is characterized by time-varying arrivals at the First Cardiac Aid (FCA), the department where emergency cardiac patients enter the hospital. After initial treatment patients are transferred to the Coronary Care Unit (CCU) before they go to the normal care clinical ward (NC).

         Many hospitals have trouble keeping the right resources, such as beds and personnel, available for arriving patients. Measurements show that the CCU in the considered hospital operates at occupancy rates greater than 95%. As a result, it frequently occurs that the CCU has insufficient capacity because the unit is full. Consequently, the number of refused admissions at the FCA is significant and numerous patients are turned away to other referring hospitals.

         This is unacceptable and puts a great pressure on the required quality of care. More and more hospitals have to account for their quality of care. An admission guarantee for all patients entering the emergency department is one of the main goals of the hospital. Besides this service requirement, one has to consider the medical emergency aspect. In case of a heart attack, the sooner someone gets to the emergency room, the better his or her chance of not only surviving, but also of minimizing heart damage following the attack. This is often referred to as the ‘Golden Hour’ [14]. This study applies a queuing model to analyze congestion in the emergency care chain. With this model the number of beds in the care chain is determined for several service levels.

         In Section 2 the structural model is constructed followed by the data analysis in Section 3. Section 4 describes the impact of fluctuations in arrivals and variation in LOS on capacity requirements. In Section 5 the phenomenon of blocking and the mathematical model are introduced. Section 6 gives the results and the paper ends with the conclusion and discussion in Section 7.

2 Structural model

         The first phase of the study is the construction of a structural model (or flowchart) of the patient flow. Such a model describes the different patient routings in a qualitative manner and defines the relations between different hospital units. After expert meetings with cardiologists we decided to identify two different patient flows. The primary patient flow enters the system at the FCA and leaves the hospital after a stay at the CCU and NC. The different departments are defined as follows:

& First Cardiac Aid: A hospital unit intended to provide rapid diagnosis and initiation of treatment for subjects with acute symptoms probably due to cardiac disease (for example chest pain, syncope, palpitations, dyspnea) 

Coronary Care Unit:A hospital unit that is specially equipped to provide intensive care of patients with severe acute or chronic heart disease (for example acute coronary syndromes, arrhythmia, heart failure)

Normal Care: A hospital unit equipped to provide nonintensive care to a particular group of patients, in this case patients with cardiac disease.

         A secondary patient flow, originating from surrounding hospitals, enters the CCU and returns to other hospitals after treatment, thus bypassing the NC. These patients are hospitalized to have immediate percutaneous (or balloon) angioplasty (PTCA) [3]. This kind of treatment is referred to as top-clinical care. Only certified hospitals are allowed to perform this type of medical procedure.The structural model with the two different patient flows is shown in Fig. 1.

         Health care processes are characterized by a great uncertainty. A large variety of possible patient routings can be distinguished. If we investigate the different flows throughout the hospital in great detail the flowchart becomes like the path of a pinball. Therefore, Fig. 1 is not striving for completeness. Nevertheless, it is possible to reduce complexity without losing integrity by focusing on the most critical patient flows. In this study both the primary and secondary patient flow are taken into account.

چکیده

1. مقدمه

2. مدل ساختار یافته

3. تحلیل داده ها

3.1. ورود بیماران

3.2. مسیریابی

3.3. توزیع زمان اقامت

3.3.1. کمک های اولیه قلبی (FCA)

3.3.2. بخش مراقبتهای قلبی (CCU)

3.3.3. واحد مراقبت های عمومی کلینیکی (NC)

4. تاثیر تغییرات روی ظرفیت مورد نیاز

4.1. تحلیل چند حالته

4.2. تحلیل وضعیت ایستا

4.3. وضعیت بیمارستان تحت بررسی

5. مدلسازی زنجیره مراقبت قلبی

5.1.  پدیده مسدودسازی و تاثیر صرفه جویی مقیاس روی نرخ اشغال

5.2. فرایند دو بعدی مارکوف

6. نتایج مطالعه موردی

7. نتیجه گیری

7.1. نتایج عمومی

7.2. نتایج خاص

منابع

Abstract

1 Introduction

2 Structural model

3 Data analysis

3.1 Arrivals

3.2 Routings

3.3 Length of stay distributions

3.3.1 First Cardiac Aid (FCA)

3.3.2 Coronary Care Unit (CCU)

3.3.3 Normal Care clinical ward (NC)

4 Impact of variation on capacity requirements

4.1 Multiple state analysis

4.2 Steady state analysis

4.3 The situation in the hospital under investigation

5 Modeling the emergency cardiac care chain

5.1 The phenomenon of blocking and impact of economies of scale on occupancy rates

5.2 Two-dimensional Markov process

6 Results of case study

7 Conclusion

7.1 General results

7.2 Specific results

References