Abteilungsübergreifende Termin- und Reihenfolgeplanung in Krankenhäusern mittels multichromosomaler, künstlicher Evolution

Kühn, Matthias Jürgen

Seit der Umstellung des Vergütungssystems auf diagnosebezogene Fallpauschalen sind Krankenhäuser gezwungen, effizient zu arbeiten um kostendeckend zu wirtschaften. Unter diesem Gesichtspunkt steigt die Notwendigkeit zur Planung und Optimierung der Abläufe innerhalb dieser. Gegenstand der vorliegenden Arbeit ist eine abteilungsübergreifende Termin- und Reihenfolgeplanung der Patienten, mit dem Ziel, die Krankenhausressourcen möglichst effizient einzusetzen und die Wartezeiten der Patienten zu minimieren. Bis heute werden Lösungsansätze nach ambulanter Aufnahmeplanung, stationärer Aufnahmeplanung sowie OP-Planung differenziert und überwiegend losgelöst voneinander betrachtet. Die bisherigen Lösungsansätze verkennen weitestgehend, dass die stationär und ambulant aufgenommenen Patienten im weiteren Ablauf teils dieselben Ressourcen beanspruchen. Auch lässt sich eine OP-Planung nicht verlässlich durchführen, ohne die Aufnahmeplanung und ohne die vorhandenen Krankenhausressourcen (z.B. Betten, Personal) mit deren jeweiligen Kapazitäten in der Planung zu berücksichtigen. Daher erfolgt erstmalig in der hier entwickelten Planungsmethode eine gesamtheitliche Betrachtung der Problemfelder der stationären Aufnahmeplanung, der ambulanten Aufnahmeplanung und der OP-Planung, unter Berücksichtigung erforderlicher vor- und nachgelagerter Ressourcen, insbesondere der Notaufnahme. Es wird auf den Untersuchungsgegenstand bezogen aufgezeigt, wie die vorliegenden fachübergreifenden und dynamischen Gegebenheiten (fachübergreifende und dynamische Komplexität) berücksichtigt werden können, ohne im Detaillierungsgrad mit vielen stark vereinfachenden Annahmen zu arbeiten (Detailkomplexität), wie es bisherige Arbeiten tun. Um der dynamischen Eigenschaft der zugrundeliegenden Prozesse zu entsprechen (dynamische Komplexität), wurde ein dynamisches Simulationsmodell (ausführbares Modell) entwickelt, welches unter Einsatz einer hier entwickelten Methode zur automatisierten Transformation aus eEPK Prozessbeschreibungen aufgebaut und an Realdaten validiert wurde. Der Arbeit liegen Prozesse und Daten aus drei Kliniken der Maximalversorgung zugrunde (Referenzklinik). Um der Detailkomplexität gerecht zu werden, sind im Modell auf die Planung einwirkende stochastische Einflüsse berücksichtigt, wie u.a. Notfälle, nicht geplantes Patientenaufkommen (nicht-elektiv, walk-ins), Unpünktlichkeit von Patienten, Ausbleiben von Patienten (no-show), Varianzen im Behandlungsverlauf, Varianzen in den Bearbeitungszeiten oder Störungen resp. Ausfälle technischer Ressourcen. Das entwickelte Planungskonzept wird in einer multichromosomalen Repräsentation kodiert. Die Planung und Optimierung erfolgt mit einem hybriden Genetischen Algorithmus (GA), welcher eine hier entwickelte Methode der selbstadaptiven Mutation einsetzt. Im Weiteren werden die Ergebnisse der optimierten Termin- und Reihenfolgeplanung dargelegt und analysiert. Abschließend wird ein konkreter Vorschlag zur Umsetzung im Krankenhaus unterbreitet.

Since the compensation system was switched to diagnosis-related payments, hospitals have been forced to work efficiently in order to economize and cover costs. To achieve these objectives, processes have to be planned and optimized. In this work an inter-departmental plan for appointment and patient sequencing is developed, that focus on using hospital resources efficiently and minimize patients waiting time. Up to now the approach has been to find dedicated and independent solutions for the outpatient admission, inpatient admission and operating room (surgery) planning, even so they are dynamically coupled. The current solutions for the most part do not take into consideration that inpatients and outpatients lay claim to many of the same resources in subsequent procedures. Surgery planning cannot be carried out reliably without planning admission or taking the available resources of the hospital (e.g. beds, staff) and their respective capacities into account. The planning method developed here, hence for the first time combines the problem areas in planning admissions for in- and outpatients, and surgeries, taking into account the required upstream and downstream resources, in particular from the emergency department. It is shown, how the inter-departmental, dynamic conditions (inter-departmental and dynamic complexity) can be taken into account without the need to work at a level of detail with numerous grossly simplifying assumptions (detail complexity) as in previous research. In order to consider the dynamics of the underlying processes (dynamic complexity), a dynamic simulation model (executable model) has been developed. An automated transformation method was developed and used to transform an eEPC description of the underlying processes into an executable model. The model was validated for recorded data from a hospital. The research was based on processes and data from three maximum care clinics (reference clinics). To do justice to the detail complexity, stochastic variations which affect planning have been taken into consideration, such as emergencies, unplanned patient volumes (non-electives, walk-ins), patients' lack of punctuality, patient absence (no-show), variances in the course of treatment, variances in processing time or faults and failures of technical resources. The developed planning concept is coded by a multichromosomal representation. For planning and optimization a hybrid genetic algorithm (GA) is used, that employs a method for self-adapting mutation developed here. GA performance for self-adapting mutation rate and several static mutation rates are compared. The results of the optimization are presented and analyzed. It is shown how the developed planning concept may be integrated into an existing hospital IT-system (SAP IS-H*med).

Zitieren

Zitierform:

Kühn, Matthias Jürgen: Abteilungsübergreifende Termin- und Reihenfolgeplanung in Krankenhäusern mittels multichromosomaler, künstlicher Evolution. Ilmenau 2017.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export