Optimisation via Simulation for Healthcare Emergency Departments

Abstract

Actualment, molts dels sistemes de salut són entorns grans, complexos i molt dinàmics, en particular els serveis d'urgències hospitalaris (EDs per les sigles en anglès). Aquests obren i funcionen les 24 hores al dia durant tot l'any, amb recursos limitats. Els EDs solen estar a l'entrada principal de l'hospital i un component clau de tot el sistema de salut. La missió original dels EDs és atendre situacions d'emergència únicament. No obstant això, els usuaris d' EDs inclouen una àmplia gamma de malalties i lesions des de casos de veritable emergència, fins als no urgents. Com a resultat d'això, els EDs estan saturats. Per tant, és necessari l'ús ampli de simulacions de EDs a ordinador per avaluar les seves respostes a la demanda de serveis. L'elecció dels paràmetres de simulació òptims pot millorar el seu funcionament, però l'elecció d'una bona configuració segueix sent un gran desafiament. Aquesta millora es pot aconseguir mitjançant la modelització dels EDs basat en agents i la simulació. L'optimització a través de la simulació és un camp emergent que integra tècniques d'optimització en l'anàlisi de simulacions. En aquesta investigació es proposa una metodologia d'optimització de dues fases per a l'optimització d’EDs a través de la simulació. La primera fase és un enfocament de gra gruixut que consisteix en una etapa d'exploració global sobre tot l'espai de cerca. Aquesta fase identifica regions prometedores per a l'optimització basat en una estructura de veïnatge del problema. Aquesta fase fa servir ja sigui un enfocament pipeline d'un servei d'urgències o l'heurística de Monte Carlo més el mètode de K-means, o ambdós. Aquesta primera fase retorna una col•lecció de regions prometedores. La segona fase és un enfocament de gra fi, que consisteix en la recerca de la millor solució, ja sigui l'òptima o una sub-òptima mitjançant la realització d'una “recerca exhaustiva reduïda” en tals regions prometedores. En aquest treball s'optimitza la configuració del personal sanitari d'un ED existent. La configuració del seu personal inclou: metges, infermeres de triatge i d'urgències, personal d'admissió, i tècnics de raigs X, la quantitat i el tipus d'ells. La configuració del personal dels EDs és un problema combinatori, que pot consumir molt de temps a resoldre. Específicament tres índex diferents: temps d'estada del pacient al servei d'urgències, el nombre de pacients atesos per dia i un índex compost, el producte del cost del personal sanitari configuració pel temps d'estada del pacient. HPC s'utilitza per executar els experiments i s'han obtingut resultats encoratjadors. No obstant això, fins i tot amb una versió simplificada d'un ED utilitzada en aquest treball, l'espai de cerca és molt gran, per tant, quan augmenta la mida del problema, es requeriran més recursos de còmput per tal d'obtenir resultats en un temps raonable.

Actualmente, muchos de los sistemas de salud son entornos grandes, complejos y dinámicos, en particular los servicios de urgencias hospitalarios (EDs por sus siglas en inglés). Éstos abren y funcionan las 24 horas al día durante todo el año, con recursos limitados. Los EDs suelen ser la entrada principal al hospital y componente clave de todo el sistema sanitario. La misión original de los EDs es atender situaciones de emergencia. Sin embargo, los usuarios de EDs incluyen una amplia gama de enfermedades y lesiones desde casos urgentes, hasta no urgentes. Como resultado de esto, los EDs están saturados. Por lo tanto, es necesario el uso amplio de simulaciones computacionale de EDs para evaluar sus respuestas a la demanda de servicios. La elección de los parámetros de simulación óptimos puede mejorar su funcionamiento, pero la elección de una buena configuración es un gran desafío. Esta mejora se puede lograr mediante la modelización de los EDs basado en agentes y su simulación. La optimización mediante la simulación es un campo emergente que integra técnicas de optimización en el análisis de simulaciones. En esta investigación se propone una metodología de optimización de dos fases para la optimización de EDs a través de la simulación. La primera fase es un enfoque de grano grueso que consiste en una etapa de exploración global sobre todo el espacio de búsqueda. Esta fase identifica regiones prometedoras para la optimización basado en una estructura de vecindad del problema. Esta fase utiliza ya sea un enfoque pipeline de EDs o la heurística de Monte Carlo más el método de K-means, o ambos. Esta primera fase devuelve una colección de regiones prometedoras. La segunda fase es un enfoque de grano fino, que consiste en la búsqueda de la mejor solución, ya sea la óptima o una sub-óptima mediante una “búsqueda exhaustiva reducida” en tales regiones prometedoras. Este trabajo optimiza la configuración del personal sanitario de un ED existente. La configuración de su personal incluye: médicos, enfermeras de triaje y de urgencias, personal de admisión y técnicos de rayos X, cantidad y tipo de ellos. Dicha configuración es un problema combinatorio y multidimensional, que puede consumir mucho tiempo en resolverse. Específicamente tres índices diferentes se verificaron: minimizar tiempo de estancia del paciente; maximizar número de pacientes atendidos diariamente y minimizar el producto del costo de la configuración por el tiempo de estancia del paciente. HPC se utiliza para ejecutar los experimentos y se han obtenido resultados alentadores. Sin embargo, incluso con una versión simplificada de un ED utilizada en este trabajo, el espacio de búsqueda es muy grande, por lo tanto, cuando aumenta el tamaño del problema, se requerirán más recursos de cómputo para obtener resultados en un tiempo razonable.

Nowadays, many of the healthcare systems are large, complex environments and quite dynamic, specifically Emergency Departments, EDs. They are opened and working 24 hours per day throughout the year with limited resources. EDs are usually the main entrance to the hospital, and a key component of the whole healthcare system. The original mission of EDs is to primarily handle only emergency situations. However, ED visits include a wide range of illnesses and injuries, from truly emergencies to non-urgent cases. As a consequence, EDs are overcrowded. Thus, is mandatory to use extensively computer simulations of EDs to evaluate output responses. The choice of optimal simulation parameters can lead to improved functioning, but choosing a good configuration remains a challenging problem. This improvement can be achieved by modelling and simulating EDs using Agent-Based Modelling and simulation. Optimisation via simulation is an emerging field which integrates optimisation techniques into simulation analysis. In this research a two-phase optimisation methodology for optimisation via simulation for healthcare Emergency Departments is proposed. The first phase is a coarse grained approach consisted in a global exploration step over the entire search space. This phase identifies promising regions for optimisation based on a neighbourhood structure of the problem, using either a pipeline scheme approach of an Emergency Department or the Monte Carlo heuristic plus the K-means method, or both. This first phase returns a collection of promising regions. The second phase is a fine grained approach that consists in seeking the best solution, either the optimum or a sub-optimum by performing a “reduced exhaustive search” in such promising regions. This work optimises the sanitary staff configuration of an actual ED. The sanitary staff configuration comprises: doctors, triage and emergency nurses, admission personnel, and x-ray technicians, the amount, and sort of them. Staff configuration is a combinatorial and multidimensional problem, that can take a lot of time to be solved. In order to do optimisation, objective functions to minimise or maximise have to be set. Three different indexes were set: minimise patient length of stay (LoS); maximise number of attended patients per day (Throughput); and minimise a compound index, the product of the cost of a given sanitary staff configuration times patient length of stay (CLoS). HPC is used to run the experiments, and encouraging results were obtained. However, even with the simplified ED used in this work the search space is very large, thus, when the problem size increases, it is going to need more resources of processing in order to obtain results in a reasonable time.