RAZVOJ HIBRIDNEGA SIMULACIJSKEGA MODELA ZA … · With survey research and statistical testing, we have confirmed that the application of the electronic white board without proper

Doktorska disertacija

RAZVOJ HIBRIDNEGA SIMULACIJSKEGA MODELA ZA IZBOLJŠANJE DELOVANJA URGENTNEGA ODDELKA BOLNIŠNICE

Avgust 2016 Kandidat: Stanko Grabljevec

Mentor: izr. prof. dr. Andrej Škraba

Somentor: izr. prof. dr. Zlatko Fras

ZAHVALA Zahvaljujem se mentorju izr. prof. dr. Andreju Škrabi in somentorju izr. prof. dr. Zlatku Frasu za številne nasvete, ki so pomagali pri nastanku tega dela. Zahvaljujem se Univerzitetnemu kliničnemu centru Ljubljana za financiranje doktorskega študija in projekta izdelave elektronske table ter sodelavcem, ki so pripomogli k realizaciji projekta in nastanku tega dela. Predvsem se zahvaljujem vodji Internistične prve pomoči mag. Hugonu Možini, glavni medicinski sestri Internistične prve pomoči gospe Maruši Brvar in poslovnemu direktorju Interne klinike Zlatku Lazareviču za ustvarjalno sodelovanje pri uvajanju elektronske table ter raziskovalnem delu. Hvala spoštovanemu kolegu Roku Repasu za neprecenljivo pomoč pri uvajanju elektronske table in ocenjevanju njenega učinka. Zahvaljujem se nečakinji Sabini za pomoč pri jezikovnem pregledu disertacije. Hvala Barbari, Petri in Eriku za vzpodbude med študijem.

»Vsi modeli so napačni. Nekateri so uporabni.«

George Box

POVZETEK

V disertaciji obravnavamo vpliv uvedbe elektronske table, ki vključuje radiofrekvenčno sledenje pacientov, na delovanje urgentnega oddelka ter zajem vhodnih podatkov za simulacijski model. Ugotovili smo, da je uvedba elektronske table zahtevna, tako s tehničnega kot organizacijskega vidika. Elektronska tabla zahteva stalno tehnično podporo osebju urgentnega oddelka. Ocenjujemo, da v našem primeru prav zaradi pomanjkanja le-te nismo dosegli pričakovanega učinka. Z anketno raziskavo in statističnim testiranjem smo potrdili, da uporaba elektronske table brez ustrezne podpore in izobraževanja ne izboljša percepcije trenutnega stanja delovnega procesa. Razvili smo koncept avtomatskega zajemanja podatkov o trajanju aktivnosti, ki so vključene v simulacijski model urgentnega oddelka, s pomočjo radiofrekvenčnega sledenja pacientov. Razvoj elektronske table v sodelovanju z osebjem urgentnega oddelka je pokazal, da potrebuje osebje prek elektronske table pregled nad tistimi ključnimi fazami obravnave pacientov, ki so jih že v preteklosti raziskovalci vključili v generične simulacijske modele urgentnih oddelkov. V okviru našega dela smo izdelali generični simulacijski model, ki temelji na kombinirani uporabi diskretne dogodkovne simulacije in agentnega modeliranja. Z eksperimentiranjem na modelu smo potrdili, da bi s strani zaposlenih predlagane organizacijske spremembe doprinesle k skrajšanju časa obravnave pacientov. Opredelili smo pristop k modeliranju po principih sistemske dinamike, dogodkovne simulacije in agentno orientirane simulacije ter orisali relacije med omenjenimi paradigmami. V disertaciji predstavimo razvoj hibridnega simulacijskega modela širjenja gripe v populaciji in pretoka pacientov v bolnišnici. Razvili smo metodologijo uporabe hibridnega modela za strateško pripravo na krizno situacijo zaradi širjenja sezonske ali pandemske gripe ter za taktično prilagajanje organizacije izvedbe oskrbe pacientov.

KLJUČNE BESEDE: zdravstvo, simulacija, hibridna simulacija, diskretna

dogodkovna simulacija, agentna simulacija, sistemska dinamika, modeliranje, radiofrekvenčna identifikacija, elektronska tabla UDK klasifikacija: 004.94:621.39:614.2(043.3)

ABSTRACT

DEVELOPMENT OF HYBRID SIMULATION MODEL FOR IMPROVEMENT OF EMERGENCY DEPARTMENT PERFORMANCE The influence of an electronic white board that includes radio-frequency tracking of the patients on the functioning of emergency departments and the collecting of input data for simulation are described in this thesis. We have determined that the introduction of the electronic white board is challenging, from both the technical and the organizational points of view. The electronic white board requires permanent technical support for the emergency department staff. We estimate that in our case, because of the lack of the support, the desired impact was not achieved. With survey research and statistical testing, we have confirmed that the application of the electronic white board without proper support and training does not improve the perception of the current state of the work process. The concept of the automatic collection of data about the duration of activities that are included in the simulation model of an emergency department with the aid of radio-frequency tracking of the patients was developed. Development of the electronic white board with the cooperation of the emergency department staff has shown that the staff members need the overview of those key phases of patient treatment, which were included by other researchers in their previous research addressing building the generic simulation models of emergency departments. Within the framework of our research, a generic simulation model was developed that was based on the combined application of the discrete event simulation and agent-based modelling. By experimenting with the model, we have confirmed that the organizational changes proposed by employees would decrease the emergency department length of stay. The modelling approach has been described according to the principles of system dynamics, discrete event simulation, and agent-based simulation, and relations between modelling paradigms have been examined. The development of the hybrid simulation model of influenza spread in a community, and the impact of patient flow is described. The methodology of hybrid model application for the strategic preparation for a crisis situation of the seasonal or pandemic influenza and for the tactical adaptation of the organization of patient treatment has been developed.

KEYWORDS: health-care, simulation, hybrid simulation, discrete event

simulation, agent-based simulation, system dynamics, modelling, radiofrequency-identification, electronic white board

KAZALO VSEBINE

1 UVOD ...................................................................................... 1

1.1 Predstavitev problema in namen raziskave ..................................... 2 1.2 Cilji disertacije ..................................................................... 3 1.3 Raziskovalna vprašanja in hipoteze .............................................. 3 1.4 Pregled dosedanjih raziskovanj ................................................... 4 1.5 Metode dela ......................................................................... 7 1.6 Struktura disertacije ............................................................... 8

2 SITUACIJSKO ZAVEDANJE ............................................................... 9

3 AKCIJSKO RAZISKOVANJE .............................................................. 11

4 SIMULACIJSKO MODELIRANJE ......................................................... 13

4.1 Sistemi, modeli in simulacija .................................................... 13 4.2 Metodologija simulacijske študije ............................................... 15 4.3 Simulacija in optimizacija ........................................................ 19 4.3 Paradigme simulacijskega modeliranja ......................................... 19 4.3.1 Sistemska dinamika ......................................................... 20 4.3.2 Diskretna dogodkovna simulacija ......................................... 27 4.3.3 Agentna simulacija .......................................................... 28 4.3.4 Hibridna simulacija .......................................................... 29 4.4 Paradigma hibridne simulacije in zajema podatkov v realnem času za

učinkovito upravljanje kompleksnih sistemov ..................................... 31

5 OPIS PROBLEMA ......................................................................... 32

5.1 Anketna raziskava ................................................................. 32

6 RAZVOJ ELEKTRONSKE TABLE ........................................................ 36

7 SIMULACIJSKI MODEL URGENTNEGA ODDELKA ...................................... 48

7.1 Opis procesa ........................................................................ 49 7.2 Izdelava računalniškega simulacijskega modela .............................. 52 7.3 Eksperimentiranje na modelu.................................................... 61 7.4 Koncept povezave elektronske table in simulacijskega modela v

realnem času ............................................................................ 70

8 RAZVOJ HIBRIDNEGA SIMULACIJSKEGA MODELA PRETOKA PACIENTOV V BOLNIŠNICI .............................................................................. 73

9 ZAKLJUČEK .............................................................................. 91

9.1 Ugotovitve raziskave .............................................................. 91 9.2 Prispevek k znanosti............................................................... 95 9.3 Predlogi za nadaljnje raziskave ................................................. 95 9.4 Sklep ................................................................................. 96

LITERATURA .................................................................................. 98

PRILOGA A: PREDLOGI ZA IZBOLJŠAVE.................................................. 106

PRILOGA B: KAZALNIKI KAKOVOSTI ...................................................... 109

PRILOGA C: PROCES OBRAVNAVE PACIENTOV NA IPP ................................. 111

PRILOGA D: PREDLOG PRENOVE PROCESA OBRAVNAVE PACIENTOV NA IPP ....... 112

PRILOGA E: LOGIKA DELOVANJA SIMULACIJSKEGA MODELA IPP ..................... 113

KAZALO SLIK ................................................................................ 114

KAZALO TABEL ............................................................................. 116

KRATICE ..................................................................................... 117

DELOVNI ŽIVLJENJEPIS KANDIDATA ..................................................... 118

IZJAVA DOKTORSKEGA KANDIDATA ...................................................... 119

Univerza v Mariboru – Fakulteta za organizacijske vede Doktorska disertacija ___________________________________________________________________________________________________________

Stanko Grabljevec: Razvoj hibridnega simulacijskega modela za stran 1 izboljšanje delovanja urgentnega oddelka bolnišnice

1 UVOD Glavni motiv za izbor teme disertacije je bil, da je avtor že dolga leta zaposlen v Univerzitetnem kliničnem centru Ljubljana (UKCL) in zato dobro pozna problematiko urgentnih oddelkov in celotnega sistema, saj je pet let deloval na področju obvladovanja bolnišničnih okužb ter pet let na področju kakovosti v okviru strateških služb UKCL, ki pokrivata ti področji. Pred leti, ko je grozila pandemija gripe, je koordiniral izdelavo pandemskega načrta za UKCL. Pri tistih pripravah si je pomagal z javno dostopnim simulacijskim orodjem za oceno potrebnih posteljnih kapacitet, a je spoznal, da ima orodje zelo omejeno funkcionalnost in uporabniku skrito logiko delovanja. Še pred tem je sodeloval pri strokovnem nadzoru na eni od klinik v UKCL, ki je vključeval tudi analizo delovanja urgentnih ambulant. Obe zadevi sta porodili zamisel, da bi v UKCL za namen izboljševanja procesov pričeli uporabljati simulacijsko modeliranje.

Urgentni oddelki (UO) bolnišnic so namenjeni oskrbi pacientov, ki potrebujejo nujno pomoč zaradi bolezni ali poškodbe. Delujejo 24 ur dnevno, vse dni v letu. Prihodi pacientov so stohastični, zato je planiranje oteženo. Delo na UO je zelo dinamično, kompleksno in stresno, saj je občasno potrebno zelo hitro oskrbeti večje število zelo prizadetih pacientov, kar zahteva hitro odločanje na osnovi postavljenih prioritet, t. i. triaže. Zaradi prednostne oskrbe najtežjih pacientov, od katerih so nekateri celo življenjsko ogroženi, se z oskrbo manj prizadetih pacientov odlaša. Pacienti dolgo čakajo že na sam pričetek obravnave, potem pa sledi še čakanje na različne diagnostično-terapevtske postopke. Študije so odkrile povezavo med dolgim čakanjem pacientov na UO in kasnejšimi zapleti zdravljenja (Ackroyd-Stolarz et al., 2011). Avtorji navajajo, da prenatrpanost UO poveča število napak, poslabša izide oskrbe, povečuje stres pri zaposlenih in pacientih, zmanjšuje delovno moralo, poveča število napak v komunikaciji, negativno vpliva na izvajanje izobraževanja itd. (Paul et al, 2010). S problemom čakanja se srečujejo UO po vsem svetu, saj je sodobna zdravstvena oskrba izredno draga, viri pa so omejeni. Dolgemu času oskrbe na UO v razvitih zdravstvenih sistemih namenjajo veliko pozornosti. V Veliki Britaniji so npr. uvedli zelo rigorozne ukrepe za izboljšanje stanja, med drugim so uvedli pravilo, da mora biti 98 % pacientov na UO oskrbljenih v štirih urah (Eatock et al., 2011). Primere zakasnitev morajo izvajalci analizirati z izvedbo vzročno-posledične analize. Bolnišnice so lahko v primeru neizpolnjevanja časovnega cenzusa kaznovane z neplačilom storitev. Javni sektor in s tem tudi bolnišnice javnega zdravstva so pod vse večjim pritiskom čim bolj učinkovitega in uspešnega delovanja. Današnji čas zahteva večjo fleksibilnost managementa v bolnišnicah in iskanje inventivnih rešitev tudi s pomočjo metod operacijskega raziskovanja, ki se v večji meri kot v zdravstvu uporabljajo v industriji, logistiki idr. Zaradi kompleksnosti in stohastičnosti procesov na UO so možnosti iskanja izboljšav s pomočjo analitičnih modelov zelo omejene in je metodologija simulacijskega modeliranja uveljavljen pristop pri iskanju organizacijskih izboljšav za UO (Paul et al., 2010).


stran 2 Stanko Grabljevec: Razvoj hibridnega simulacijskega modela za izboljšanje delovanja urgentnega oddelka bolnišnice

Na osnovi študija literature in raziskovalnega dela smo ugotovili, da je možno izboljšati metodologijo razvoja organizacijskih izboljšav in kakovosti delovanja UO in z njim povezanih oddelkov bolnišnice s pomočjo hibridnega simulacijskega modeliranja, ki je manj raziskano.

1.1 Predstavitev problema in namen raziskave Problematiko predstavljamo z dveh vidikov: z vidika problematike organizacijskega okolja, katerega realno organizacijsko situacijo smo obravnavali, in z vidika metodološke problematike simulacijskega modeliranja UO in ostalih delov bolnišnice, saj UO ni izoliran sistem, ampak je njegovo delovanje močno odvisno od sprejemnih oddelkov ter podpornih sistemov, kot so npr. laboratorij, radiološka diagnostika itd. Internistična prva pomoč (IPP) v UKCL skrbi za paciente z akutnimi internističnimi obolenji. Letno število obravnavanih pacientov se giblje okoli 23.000. Utesnjene prostorske razmere, več prihodov pacientov zaradi staranja populacije, pomanjkanje osebja in drugi vzroki vodijo v pogosto preobremenjenost oddelka in povprečno zelo dolg čas obravnave. Pogosta natrpanost in dolgi čakalni čas so najpogostejši vzrok za pritožbe pacientov in njihovih spremljevalcev. V času velikega hkratnega števila pacientov na IPP osebje težko sledi dinamiki dogajanj, spreminjajoči se lokaciji pacientov in fazi njihove obravnave. Naš namen je, da s kombinacijo akcijskega raziskovanja, uvedbo informacijske podpore, t. i. elektronske table (ET), in simulacijskega modeliranja izboljšamo delovanje IPP. Pri projektu uvajanja ET nas je vodila predvsem zamisel o izboljšanju situacijskega zavedanja in izboljšanje koordinacije delovanja IPP, povečanje učinkovitosti procesa in povečanje varnosti pacientov. Prav tako pa nas je zanimalo, v kolikšni meri lahko podatkovna struktura ET in avtomatizacija zajema podatkov s pomočjo radiofrekvenčnega sledenja pacientov pripomore k izgradnji simulacijskega modela UO. Dosedanji pristopi k modeliranju in simulaciji UO so večinoma temeljili na paradigmi diskretne dogodkovne simulacije. Paul et al. (2010) na osnovi pregleda številnih študij navajajo, da se dosedanje raziskave niso dotaknile vpliva človeškega vedenja, vpliva informacijsko-komunikacijske tehnologije ter da niso upoštevale, da je UO vpet v širši organizacijski okvir celotne bolnišnice. Diskretna dogodkovna simulacija je primerna za simuliranje procesov na nivoju UO, za simuliranje interakcij UO z drugimi organizacijskimi enotami znotraj bolnišnice pa svetujejo uporabo sistemske dinamike. Raziskave so poudarjale predvsem vidik učinkovitosti sistema (boljša izraba virov, nižji stroški delovanja idr.), manj pa vidik pacientov: čas oskrbe, zadovoljstvo z oskrbo, izidi zdravljenja itd. Avtorji simulacijskih raziskav pogosto navajajo težave z zajemom podatkov, ker informacijski sistemi ne vsebujejo podatkov, ki so potrebni za izgradnjo simulacijskega modela, zajem podatkov z opazovanjem in drugimi metodami pa zahteva veliko sredstev. Forsbergova in sodelavci navajajo, da je v člankih na splošno zelo malo povedanega o tem, kaj je bilo res spremenjeno na UO na osnovi ugotovitev simulacijskega modeliranja (Forsberg et al., 2011).



Z razvojem metodologije in izgradnjo prototipnega hibridnega simulacijskega modela želimo prispevati k napredku simulacijskega modeliranja pretoka pacientov na UO in v bolnišnici. Hibridnega v tem smislu, da bodo pri njegovi izgradnji uporabljene vse tri prevladujoče paradigme simulacijskega modeliranja v managamentu: dogodkovna simulacija, sistemska dinamika in agentna simulacija. Za bolnišnice, posebno pa njihove UO, so še posebno obremenjujoči zimski meseci, ker se takrat zaradi širjenja gripe in njej podobnih obolenj poveča priliv pacientov na UO, poveča pa se tudi absentizem med zaposlenimi. Prototipni hibridni simulacijski model bo sočasno simuliral dinamiko širjenja gripe v populaciji, pritok pacientov na UO, dinamiko širjenja gripe v bolnišnici in dinamiko posteljnih kapacitet na sprejemni kliniki ter povezavo sprejemne klinike z ostalim delom bolnišnice, ki ga širjenje nalezljive bolezni ne prizadene v tolikšni meri kot tistega, ki sprejema in oskrbuje okužene paciente. Pričakujemo, da bo rezultate naše raziskave moč uporabiti za izboljšanje metodologije upravljanja posteljnih kapacitet v času "zimske krize" zaradi širjenja gripe in za izboljšanje kriznega načrtovanja v bolnišnici za primer sezonske pa tudi pandemske gripe.

1.2 Cilji disertacije 1. Poiskati organizacijske izboljšave za konkreten UO na osnovi akcijskega

raziskovanja, kibernetične organizacijske teorije in simulacijskega modeliranja. Pri tem želimo vključiti širšo skupino strokovnjakov, ki delajo na UO, kar bo pripomoglo k izboljšavi procesa modeliranja sistema.

2. Nadgradnja obstoječega informacijskega sistema z razvojem informacijskega sistema ET, ki bo vključeval tudi sledenje pacientov v realnem času na osnovi radiofrekvenčne identifikacije.

3. Izgradnja simulacijskega modela UO s pomočjo hibridnega pristopa, ki bo omogočal testiranje organizacijskih sprememb.

4. Izvedba povezave simulacijskega modela UO s podatkovno strukturo ET. 5. Izdelava prototipnega hibridnega simulacijskega modela, ki bo pripomogel k

razumevanju dinamike posteljnih kapacitet v bolnišnici v času širjenja gripe, pomagal pri izboljšanju metodologije upravljanja postelj v bolnišnici ter pri pripravi na krizno situacijo zaradi sezonske ali pandemske gripe.

1.3 Raziskovalna vprašanja in hipoteze Z raziskovalnim delom želimo odgovoriti na naslednji raziskovalni vprašanji: 1. Ali je s simulacijskim modelom UO, ki temelji na podatkovni strukturi ET,

možno najti izboljšave za delovanje UO? 2. Za katere aktivnosti procesa obravnave pacientov, ki so vključene v simulacijski

model UO, je možno vzpostaviti avtomatski zajem podatkov o njihovem trajanju s pomočjo radiofrekvenčnega sledenja pacientov?

V okviru izvedbe doktorske disertacije obravnavamo naslednji hipotezi:



H1: Uporaba ET bo pri zaposlenih na IPP izboljšala percepcijo trenutnega stanja delovnega procesa. H2: Hibridno simulacijsko modeliranje je primerno za bolj podrobno in adaptivno opredelitev strukture in dinamike delovanja urgentnega oddelka in z njim povezanih sprejemnih oddelkov v času širjenja gripe.

Hipoteza izhaja iz dejstva, da dosedanji pristopi niso celovito obravnavali metodologije modeliranja UO in z njim povezanih drugih oddelkov bolnišnice, ki bi obsegala zvezni, dogodkovni in agentni pristop. Narava obravnavanega sistema zahteva združitev vseh treh paradigem, kar bo zagotovilo bolj podrobno stopnjo modeliranja ter posledično višjo stopnjo kontrole, ki jo bo moč izvajati s pomočjo razvitega modela. Hkrati se bo ustrezno povečala praktična uporabnost modela in adaptivnost zaradi vključitve ekspertne skupine v fazi modeliranja, validacije in uporabe sistema (Škraba et al., 2003; Škraba et al., 2007).

1.4 Pregled dosedanjih raziskovanj Marsikateri UO v tujini uporablja za predstavitev ključnih podatkov o pacientih in stanju sistema klasične magnetne bele tabele, t. i. "piši-briši table", angleško dry-erase boards. Na njih zaposleni zapisujejo ključne podatke v zvezi s pacienti in njihovo obravnavo na UO. Zapis je tabelaričen − vsaka vrstica predstavljla zapis podatkov enega pacienta in vsak stolpec posamezno vrsto podatka. Nanje se piše s flomastri in lahko tudi pritrjuje samolepilne lističe in magnetne oznake. Podatki se ažurirajo tako, da se stari zapis pobriše in zapiše novega. Wears et al. (2007) navajajo, da so te table običajno nameščene v osrednjem delu UO, ki je dostopen le zaposlenim, in jim služijo kot poglaviten komunikacijski in koordinacijski pripomoček. Tudi na IPP so v preteklosti razmišljali o uvedbi klasične bele table, a tega niso realizirali zaradi različnih razlogov, kot so pomanjkanje prostora, zamudnost osveževanja podatkov in druge pomanjkljivosti uporabe klasične bele table. Dandanes mehanske table v razvitih zdravstvenih sistemih nadomeščajo z elektronskimi. Od klasičnih tabel so prevzele del poimenovanja, pa tudi večji del funkcionalnosti in logiko tabelaričnega prikaza podatkov. ET so običajno veliki elektronski zasloni, na katere se stekajo najpomembnejši demografski in klinični podatki o pacientih, podatki o statusu obravnave pacientov, dodatno pa lahko prikazujejo tudi statistične podatke delovanja sistema. V literaturi prevladujejo tehnična poročila o projektih izdelave in uvajanja ET v vsakdanjo prakso. V njih so vplivi učinkov ET na delovanje UO raziskovani z zelo različnimi metodami, zato posplošitev veljavnosti ugotovitev ni možna. Prevladujejo poročila o pozitivnih učinkih, vendar pa lahko zasledimo tudi taka, ki navajojo težave v zvezi z ET. France et al. (2005) navajajo, da uvedba ET zmanjša število motenj in odvečne komunikacije. Aronsky et al. (2008) pišejo, da je ET izboljšala komunikacijo med zaposlenimi. Abujudeh et al. (2010) navajajo, da je uvedba ET izboljšala koordinacijo med zaposlenimi. Oboje naj bi bilo doseženo na račun lahke dostopnosti relevantnih podatkov vsem zaposlenim, vendar le v primeru, če so se le-ti stekali na velik elektronski zaslon in če je ET avtomatsko zajemala podatke iz informacijskih sistemov. V primeru, da je bila aplikacija ET dostopna le s posameznih računalnikov, pa je to celo negativno vplivalo na delovni



proces glede na pred tem uporabljano klasično belo tablo. Navajajo pa prednosti funkcionalnosti ET, ki jih klasična bela tabla ne omogoča, kot npr. avtomatski prikaz opozoril pri določenih podatkih, avtomatski izračun določenih vrednosti, kot npr. čas čakanja na pregled pri zdravniku, statistike sistema, npr. število čakajočih za sprejem itd. Boger (2003) navaja, da je uvedba ET povečala zadovoljstvo pacientov in skrajšala čas obravnave na UO. V literaturi nismo zasledili, da bi na katerem od UO pri razvijanju ET vključili tudi sistem lociranja pacientov v realnem času, ki bi temeljil na radiofrekvenčni identifikaciji. V zvezi z uporabo radiofrekvenčne identifikacije (RFID) za namen sledenja pacientov v realnem času na UO smo zasledili predvsem tehnična poročila in novinarske prispevke, znanstvenih člankov je relativno malo. Janz et al. (2005) so s študijo na UO ugotovili, da je z RFID zbrane in statistično obdelane podatke moč izkoristiiti za izboljšanje delovnih procesov in skrajšanje časa obravnave pacientov na UO. Miller et al. (2006) ter Amini in Otondo (2007) obravnavajo zajem podatkov z RFID sistemom na UO za izdelavo simulacijskega modela UO. Ugotavljajo, da je zajem podatkov na ta način možen, vendar pa je potrebno z RFID sistemom zbrane podatke očistiti in urediti, da so primerni za uporabo pri izboljševanju procesa dela in pri izgradnji simulacijskega modela, saj pri zajemu podatkov prihaja do napak. Huang in Chu (2011) sta izdelala koncept uporabe RFID za opozarjanje na preseganje čakalnega časa posameznih faz obravnave pacientov na UO od predpisanih vrednosti. Sistem je bil testiran le v laboratorijskem okolju. Okoniewska et al. (2012) so preizkusili delovanje RFID sistema za namen sledenja pacientov, zaposlenih in opreme na bolnišničnem oddelku. Uporabili so tehnologijo istega proizvajalca, kot smo jo v našem primeru. Ugotovili so omejene možnosti uporabe sistema in mešane odzive zaposlenih. Al-Essa (2013) v svoji disertaciji, v kateri je bil poudarek na razvoju FMEA obrazca za podporo pri uvajanju RFID tehnologije na UO, z anketiranjem zaposlenih ugotavlja, da uvedba sledenja pacientov v realnem času s pomočjo RFID tehnologije pripomore k boljšemu upravljanju pretoka pacientov na UO. Vendar pa je iz rezultatov moč razbrati, da zaposleni večji vpliv pripisujejo pritoku pacientov in razpoložljivosti postelj na sprejemnih oddelkih, na kar RFID tehnologija seveda ne more vplivati. Uporaba simulacije pri raziskovanju organizacijske problematike UO sega desetletja v preteklost. Saunders je s sodelavcama leta 1989 objavil pogosto citiran članek, ki opisuje izdelavo dogodkovnega simulacijskega modela UO. S pomočjo eksperimentiranja na modelu so ugotavljali vpliv različnih razporeditev kadrov, trajanje laboratorijskih analiz, število postelj idr. na pretočnost pacientov. Ugotavljali so tudi izkoriščenost resursov (Saunders et al, 1989). S pregledom člankov smo ugotovili, da avtorji do danes večinoma niso bistveno spremenili pristopa k simulacijskemu modeliranja UO — prisegali so na paradigmo diskretne dogodkovne simulacije. Lim s pregledom 29 člankov iz obdobja 2000—2010 ugotovi, da so raziskovalci 22-krat uporabili diskretno dogodkovno simulacijo (DES), trikrat modeliranje s pomočjo teorije časovnih vrst, po dvakrat pa sistemsko dinamiko (SD) in agentno simulacijo (AB). Modeli na osnovi teorije vrst imajo zaradi kompleksnosti procesov na UO dokaj omejeno možnost uporabe, so pa nekateri uporabili te modele v kombinaciji s simulacijo. Le v dveh študijah so raziskovalci povezali simulacijo z optimizacijo. Redko so raziskovalci poročali o dejanski uporabi eksperimentalnih izsledkov v praksi (Lim et al., 2012).



Avtorji v svojih modelih, ki temeljijo na uporabi DES, različno podrobno obravnavajo različne dele modela, faze pri gradnji modela in eksperimentiranje na modelih. Nekateri so se osredotočili predvsem na preučevanje učinkov prerazporejanja kadrov (Evans et al., 1996; Rossetti et al., 1999; Coats in Michalis, 2001; Baesler, Jahnsen in DaCosta, 2003; Komashie in Mousavi, 2005; Duguay in Chetouane, 2007; Brenner et al., 2010; Hong Choon et al., 2014; Ghanes et al., 2014) ali spremenjene organizacije dela — spremembe v triažiranju pacientov (Connelly in Bair, 2004; Ruohonen, 2007; Medeiros et al., 2008; Holm in Dahl, 2009; La in Jewkes, 2013), uvedbo obposteljnega registriranja pacientov (Beck et al., 2009). DES se je izkazala kot koristno orodje pri napovedovanju potrebnih dodatnih resursov zaradi predvidenega povečanja priliva pacientov, kar je bilo uporabljeno pri novogradnjah UO (Baesler et al., 2003; Wiinamaki in Dronzek, 2003; Gibson in Lease, 2007) ali pri pripravi načrtov za primer bioterorizma (Bebber, 2007). Nekateri avtorji so se osredotočili na preučevanje medsebojnih vplivov procesov na UO in sodelujočih diagnostičnih in bolniških oddelkov ter iskanju izboljšav v zvezi s tem (Blasak et al., 2003; Gunal in Pidd, 2006). Nekateri avtorji so opisali uporabo simulacije za preučevanje predlaganih izboljšav v okviru projektov izboljševanja kakovosti (Gonzalez et al., 1997; Johnson et al., 2004; Duguay in Chetouane, 2007; Ferrin et al., 2007; Khurma et al., 2008). Simulacijska študija Gonzaleza je proučevala vpliv triažiranja, oblik zdravstvenega zavarovanja, vizite, laboratorija, slikovne diagnostike idr. Ugotovili so, da so najpomembnejši vzroki za dolge čase obravnav pacientov na UO nestandardizirani delovni postopki ter pomanjkanje zdravnikov, medicinskih sester, opreme in postelj (Gonzalez et al., 1997). Yeh in Lin (2007) sta optimirala delovne razporede medicinskih sester s kombinirano uporabo genetskega algoritma in simulacije. Lane et al. (2000) so razvili model na osnovi SD, s pomočjo katerega so raziskovali vpliv različnih dejavnikov, vključno z dinamiko razpoložljivih postelj, na čas obravnave na UO. Obravnavali so tudi vplive povezav UO z ostalimi deli bolnišnice in vpliv različnih politik odpuščanj pacientov z oddelkov na pretočnost pacientov na UO. Ugotovili so, da zmanjšanje posteljnih kapacitet ne vpliva prav veliko na skrajšanje časa obravnave na UO, se pa podaljšajo čakalne dobe za planirane sprejeme. Storrow et al. (2008) so s pomočjo modela SD raziskovali vpliv trajanja laboratorijskih preiskav na čas obravnave pacientov na UO. Wong et al. (2010) so z eksperimentiranjem na modelu SD pokazali, da enakomernejše odpuščanje pacientov s sprejemnih oddelkov prek celega tedna zmanjša čas oskrbe na UO. Wang (2009) in Cabrera et al. (2011) so se lotili agentnega modeliranja UA. Njihovi modeli so bili zelo poenostavljeni in brez dodane vrednosti glede na modele, ki so jih drugi avtorji razvili po paradigmi DES. Hutzschenreuter et al. (2008) so razvili multiagenten model bolnišnice za namen planiranja sprejemov pacientov. Agenti so bili posamezni oddelki, ki sprejemajo paciente. Sinreich in Marmor (2004) ter Fletcher et al. (2007) so razvili generične modele UO, saj so na osnovi študija literature in analize procesov v bolnišnicah ugotovili, da imajo UO v različnih bolnišnicah zelo podobne ključne procese in da so vzorci bolj odvisni od tipa UO (internistični, kirurški itd.) kot pa od bolnišnice. Poročil o uporabi hibridnega pristopa pri modeliranju UO je zaenkrat malo. Chahal (2010) je razvil metodologijo za odločanje glede uporabe hibridnega modeliranja



in prikazal primer vpliva elektronske table na delovanje UO s pomočjo hibrida SD-DES. Ahmad et al. (2013) so predstavil koncept hibridnega modela, ki je združeval DES in SD paradigmo in je povezoval UO z ostalimi deli bolnišnice. Na pretočnost pacientov na UO močno vpliva zasedenost postelj v bolnišnici. Forster et al. (2003) so ugotovili, da povečana zasedenost postelj na sprejemnih oddelkih najbolj vpliva na čas oskrbe tistih pacientov na UO, ki so po obravnavi na UO sprejeti v bolnišnico. Predlagali so povečanje posteljnih kapacitet, ko zasedenost postelj doseže mejo 90 %. Do podobne ugotovitve so prišli Bagust et al. (1999), ki so na hipotetičnem modelu angleške bolnišnice, ki je bil narejen na osnovi DES, raziskovali dinamiko posteljnih kapacitet. Ugotovili so, da se bolnišnica, ki deluje z 90-odstotno ali več zasedenostjo postelj pogosto sooča s pomanjkanjem postelj. Haraden in Resar (2004) v svoji raziskavi navajata, da je raziskovanje pretoka pacientov v bolnišnici najpomembnejše za razumevanje čakalnih časov in odpovedi sprejemov. Povečevanje kapacitet samo po sebi ne reši problema dolgega čakalnega časa. Prvi korak pri uvajanju izboljšav je razumevanje variabilnosti procesov. Obremenjenost UO in bolnišnic se močno poveča v zimskem času zaradi epidemije gripe in gripi podobnih obolenj − nekateri avtorji govorijo o "zimski krizi" (Vasilakis in El-Darzi, 2001). Zelo malo je člankov na temo simulacijskega modeliranja širjenja gripe v zdravstveni ustanovi. Van Den Dool et al. (2008) so z eksperimentiranjem na diskretnem stohastičnem simulacijskem modelu pokazali koristi cepljenja proti sezonski gripi zaposlenih v negovalnem domu za zmanjšanje števila obolelih med varovanci. Ista raziskovalna skupina je s podobnim modelom pokazala, da se podobna korist lahko doseže tudi s cepljenjem med zaposelnimi na bolniškem oddelku (Van den Dool et al., 2009). Nuño et al. (2008) so z eksperimentiranjem na stohastičnem epidemiološkem modelu pokazali, kako bi bilo mogoče s kontroliranjem socialnih stikov zaščititi varovance negovalnega doma pred pandemsko gripo. V slovenski literaturi nismo zasledili člankov o simulacijskih študijah v zvezi s pretoki pacientov v bolnišnici.

1.5 Metode dela Raziskovalno delo smo organizirali kot kombinacijo temeljnega, aplikativnega in akcijskega raziskovanja. Da gre pri naši raziskavi za elemente temeljnega raziskovanja utemeljujemo s tem, da smo dopolnili teorijo hibridnega simulacijskega modeliranja UO v povezavi z ostalimi deli bolnišnice v času "zimske krize" zaradi širjenja gripe. Naše raziskovanje je tudi aplikativno, saj smo določena raziskovalna spoznanja uporabili na konkretnem UO, akcijsko raziskovanje pa zato, ker smo določene takojšnje vplive sprejeli za raziskovalne cilje in spremembe vključili v raziskovalni proces. Akcijsko raziskovanje opredeljuje (Cunningham, 1976): 1. Raziskovanje, ki ga izvajajo člani organizacije ob pomoči zunanjih svetovalcev — vsi skupaj sestavljajo akcijsko raziskovalno skupino. 2. Člani sodelujejo tako pri raziskovanju kot pri akciji. 3. Poudarja pomen skupinske dinamike, ki spodbuja skupinsko delovanje.



4. Namen raziskovanja je spremeniti vedenje — v tem procesu si sledijo načrtovanje, izvajanje in evalvacija. Uporabili smo Cunninghamov proceduralni model. Po tem modelu smo naše raziskovanje razdelili v tri faze: faza razvoja skupine, faza raziskovanja in faza akcije. Kombinacijo akcijskega raziskovanja in simulacijskega modeliranja so v preteklosti že uporabili za razreševanje problematike UO, npr. Rosmulder (2011). Zbrana teoretična spoznanja drugih avtorjev smo analizirali, primerjali med seboj in naredili sintezo novih spoznanj, ki smo jih uporabili pri razreševanju organizacijskih problemov na konkretnem UO (dedukcija), potem pa smo na osnovi teh spoznanj izpeljali določene splošne zaključke (indukcija). Uporabili smo naslednje kvalitativne in kvantitativne raziskovalne metode: ● metode sistemskega pristopa; ● metoda modeliranja poslovnega procesa; ● metode dogodkovne, zvezne in agentne simulacije; ● metode skupinskega odločanja; ● analiza pisnih dokumentov in elektronskih baz podatkov; ● statistične analize; ● opazovanje; ● anketiranje; ● razgovori.

Poseben poudarek je bil na razvoju hibridnega simulacijskega modela, kjer smo skušali doprinesti k metodologiji hibridnega simulacijskega modeliranja.

1.6 Struktura disertacije Delo je razdeljeno na teoretični (poglavja 1−4) in empirični del (poglavja 5−9). V teoretičnem delu predstavimo teoretična izhodišča, ki so nam bila poglavitno vodilo pri lastnem raziskovalnem delu. V poglavju 2 predstavimo model situacijskega zavedanja, saj je bilo to, da se osebju s čim bolj robustno informacijsko rešitvijo omogoči stalno seznanjenost s stanjem delovanja sistema poglaviten motiv za razvoj ET na IPP. Poglavje 3 opiše značilnosti akcijskega raziskovanja. Poglavje 4 nas uvede v teorijo simulacijskega modeliranja. V poglavju 5 je predstavljena situacija na IPP in rezultati anketne raziskave, ki smo jo izvedli med zaposlenimi na IPP. Poglavje 6 opisuje projekt razvoja ET. V poglavju 7 je predstavljena izdelava simulacijskega modela IPP in rezultati eksperimentiranja na modelu. Poglavje 8 opiše razvoj prototipnega hibridnega modela pretoka pacientov v bolnišnici v času širjenja gripe in eksperimentiranje na modelu. V poglavju 9 (zaključek) povzamemo rezultate, opišemo dosežene cilje, odgovorimo na v uvodu zapisani raziskovalni vprašanji in hipotezi, navedemo možnosti za nadaljnje raziskovanje in na temelju teoretičnih ter empiričnih spoznanj opišemo predviden nadaljnji razvoj simulacijskega modeliranja pretoka pacientov v bolnišnici.



2 SITUACIJSKO ZAVEDANJE Endsley (1995) definira situacijsko zavedanje kot percepcijo elementov okolja, razumevanje teh elementov ter predvidevanje njihovega prihodnjega stanja. Situacijsko zavedanje (SZ) je bilo intenzivno raziskovano v letalstvu, jedrski industriji in vojskovanju, uporaba teoretičnih spoznanj SZ pa je koristna v vseh dinamičnih in kompleksnih sistemih, kamor prav gotovo sodi tudi UO. Odsotnost ali pomanjkljivo SZ je najpogostejši vzrok za nastanek varnostnih incidentov, ki jim botruje človeški faktor. Endsleyeva deli SZ na tri stopnje: 1. Percepcija (prva stopnja SZ) Prvi korak pri doseganju SZ je zaznava stanj, atributov in dinamike pomembnih elementov v okolju (objekti, ljudje, dogodki, sistemi, signali itd.). 2. Razumevanje (druga stopnja SZ) Naslednji korak pri oblikovanju SZ je povezovanje zaznanih elementov s prepoznavanjem vzorcev, interpretiranjem in vrednotenjem. Drugi korak zahteva povezovanje informacij, da se doseže razumevanje vpliva le-teh na temelju namenov in ciljev posameznika. Gre za izoblikovanje celostne slike sveta oz. tistega dela sveta, ki je zanimiv za posameznika, tj. obravnavo. 3. Projekcija (tretja stopnja SZ) Tretja in najvišja stopnja SZ vključuje sposobnost predvidevanja bodočih akcij elementov v okolju. To je doseženo s poznavanjem stanj in dinamike elementov in razumevanjem situacije (prva in druga stopnja SZ), ekstrapoliranjem teh informacij v prihodnost in določanjem, kako bo to vplivalo na prihodnje stanje okolja. Na SZ vpliva veliko spremenljivk − značilnosti posameznikov, opravil in okolja. Tako npr. različni posamezniki v istem sistemu ob istem usposabljanju ne bodo imeli enakega SZ. Endsleyin model govori o tem, da je SZ osnova za kasnejše sprejemanje odločitev in izvajanje aktivnosti v okviru delovanja kompleksnega, dinamičnega sistema. Vendar pa dobro SZ ni samo po sebi dovolj za sprejemanje dobrih odločitev. SZ vključuje prostorsko in časovno komponento. Čas je pomemben v SZ, saj je SZ dinamičen konstrukt, ki se spreminja z akcijami posameznikov, značilnostmi opravil in okolja. Prav tako pa je pomembna lokacija dogodkov in aktivnosti, ki so zanimivi za posameznika. Ob vstopu novega elementa v sistem ga posameznik vključi v svoj mentalni model in naredi spremembe v načrtu in izvedbi akcij z namenom doseganja želenih ciljev.



Endsley je razvila tudi model timskega situacijskega zavedanja (TSZ), ki temelji na konceptih:

Zahteve TSZ — stopnja zavedanja članov tima o informacijah, ki si jih je potrebno deliti.

Sredstva TSZ — sredstva, ki so na voljo za širjenje informacij.

Mehanizmi TSZ — skupni mentalni modeli, ki podpirajo enako interpretacijo informacij pri vseh članih tima.

Procesi TSZ — določanje prioritet opravilom, koordiniranje dela, razreševanje nasprotujočih si informacij, domnev in percepcij.

Na osnovi Endsleyinega modela smo razvili timski model situacijskega zavedanja za urgentni oddelek, ki vključuje ET in simulacijo (Slika 1). V modelu ima ET vlogo sredstva za širjenje informacij. Informacije na ET vplivajo na percepcijo situacije pri zaposlenih. Podatkovna struktura ET je element izgradnje simulacijskega modela UO. Rezultati simulacij na modelu pri zaposlenih povečujejo razumevanje delovanje sistema, kar vpliva na njihov mentalni model o UO.

Slika 1: Model timskega situacijskega zavedanja za urgentni oddelek ob uvedbi ET

in simulacijskega modela



3 AKCIJSKO RAZISKOVANJE Akcijsko raziskovanje je način raziskovanja in ne specifična metoda (Meyer, 2000), ki se vse več uporablja tudi v zdravstvu. Značilno za akcijsko raziskovanje je sodelovanje med raziskovalcem in praktiki, raziskovalec je lahko eden od slednjih. Holter in Schwartz-Barcott (1993) opredelita praktika kot »notranjega« poznavalca raziskovalne tematike. Način sodelovanja raziskovalca s praktiki je lahko različen in je odvisen od namena raziskave. Mesec (1993) navaja, "da je Lewinova eksplicitna definicija akcijskega raziskovanja tako široka, da se ne razlikuje od opredelitve uporabnega raziskovanja ali terenskega eksperimenta, to pa velja tudi za mnoge tako imenovane akcijske raziskave njega samega in njegovih sodelavcev. Toda tako njegov metodološki nazor kot njegova spoznanja o zakonitosti spreminjanja vedenja in stališč, predvsem o vlogi skupinskega odločanja, participacije in povratnega sporočila, predstavljajo osnovo za opredelitev akcijskega raziskovanja kot specifične metode, ki je splet spoznavanja in praktičnega delovanja. V temelje koncepta akcijskega raziskovanja kot metode spoznavanja so vgrajene med drugimi naslednje ideje: 1. Naloga znanosti je prispevati k reševanju problemov družbenega življenja in

naj se zato loteva človeško in družbeno pomembnih tem. 2. Pri tem raziskovanju se ne usmerjamo na proučevanje medsebojnih odvisnosti

izoliranih variabel, ampak imamo vedno pred očmi celotno polje. 3. Pri psihološkem spoznavanju se izmenjavata subjektivna in objektivna

perspektiva, perspektive akterjev in perspektiva opazovalca. 4. Raziskovalni postopki naj bodo vključeni v praktično akcijo, tako da jo lahko

usmerjajo, hkrati pa je s tem raziskovalec neposredna priča dejanskemu dogajanju.

5. V okviru akcijskega raziskovanja se uporablja eksperimentalna metoda. 6. Zbiranje empirične evidence je podobno delu zgodovinarja, ki rekonstruira

preteklo dogajanje. 7. Akcijsko raziskovanje poteka v iterativnih ciklih, v katerih si slede

identifikacija problema, načrtovanje, delovanje in evalvacija. 8. Pri akcijskem raziskovanju se prepletajo akcija, raziskovanje in usposabljanje." Za akcijsko raziskovanje kot metodo družbenega spreminjanja pa so temeljna naslednja Lewinova spoznanja (Mesec, 1993): 1. Skupina in ne posameznik je medij družbenega spreminjanja. 2. Posamezen vidik vedenja se lahko spremeni samo, če se spremeni celota,

katere del je. 3. Odpor do sprememb je povezano z ohranjanjem skupinskih norm in standardov

in skupinska odločitev. Skupinsko odločanje je posrednik med motivacijo in spremembo vedenja in je osrednjega pomena za spreminjanje vedenja.

4. Spreminjanje poteka v fazah: "odmrznjenje" starih navad, sprememba in "zamrznjenje" novih navad.

5. Vključitev nosilcev družbene moči v raziskavo je nujen pogoj za spreminjanje s pomočjo raziskovanja. Akcijsko raziskovanje naj bi hkrati prispevalo k pridobivanju teoretičnih znanj in k spreminjanju v vsakdanjem življenju.



Stringer (2008) pravi, da čeprav ima akcijsko raziskovanje veliko skupnega z navadnimi procesi reševanja težav in z načrtovanjem, je njegova prednost v sistematičnosti izvedbe opredeljenih procesov proučevanja. Preprosti potek "glej, misli, deluj" povzema osnovne procese akcijskega raziskovanja. Ko raziskovalci opravljajo neko študijo, se osredotočijo na točno določeno vprašanje. Potem pa:

Glej: zbiraj informacije (podatke) s pazljivim opazovanjem, ki zajema gledanje, poslušanje in zapisovanje.

Misli: analiziraj informacije, da prepoznamo bistvene značilnosti in sestavine.

Deluj: na novo izražene informacije uporabi za izoblikovanje rešitev preiskovane zadeve.

Stringer (2008) nadaljuje: "Ta preprosta rutina se izvaja večkrat zaporedoma, da rešitve uresničimo, jih opazujemo, analiziramo in preoblikujemo, dokler ne dosežemo uspešnega izida. Zapletenejši problemi in zadeve zahtevajo bolj razčlenjene oblike tega preprostega procesa, tako da popolnoma izražen cikel akcijskega raziskovanja vsebuje naslednje procese:

Zasnova študije, pazljivo izluščenje vprašanja, ki ga preiskujemo, načrtovanje sistematičnih procesov raziskovanja ter preverjanje etike in veljavnosti dela.

Zbiranje podatkov, kar pomeni tudi zbiranje informacij iz različnih virov.

Analiziranje podatkov za ugotavljanje ključnih značilnosti raziskovanega vprašanja.

Sporočanje rezultatov študije zadevnim skupinam občinstva.

Uporaba rezultatov študije v prizadevanju za rešitev preiskovanega vprašanja." Rosmulder (2011) navaja uspešno integracijo simulacijskega modeliranja v akcijsko raziskovanje na urgentnem oddelku bolnišnice. S pomočjo simulacije so preverjali vpliv t. i. naprednega triažiranja na čas obravnave pacientov. Simulacija je pokazala, da bi nov pristop lahko pripomogel k skrajšanju časa obravnave. Avtor pravi, da je simulacija pripomogla k uvedbi organizacijske spremembe, ker so bili predstavniki različnih poklicnih skupin vključeni v izgradnjo simulacijskega modela, s čimer sta se povečala njihovo skupno razumevanje organizacijske problematike in njihova vključenost v uvajanje organizacijskih sprememb. Poleg tega pa je preverjanje učinkovitosti predlagane spremembe na modelu pred njenim dejanskim uvajanjem v realnem sistemu blizu načina razmišljanja zdravnikov in medicinskih sester, ki so navajeni na sistem z dokazi podprte medicine in vse bolj tudi na z dokazi podprte zdravstvene nege.



4 SIMULACIJSKO MODELIRANJE

4.1 Sistemi, modeli in simulacija Sistem je skupek entitet (ljudi, strojev itd.), ki sodelujejo z namenom doseganja določenega cilja. Opredelitev sistema je odvisna od ciljev določene raziskave. Tako je lahko npr. nabor entitet, ki sestavljajo sistem za neko določeno raziskavo, le podsistem neke druge raziskave. Stanje nekega sistema je nabor vrednosti tistih spremenljivk, ki so potrebne za opis sistema v določenem času glede na cilje raziskave. Tako je npr. pri raziskovanju delovanja banke možen nabor spremenljivk število zasedenih uslužbencev in čas prihodov strank (Law, 2007). Sisteme lahko raziskujemo na različne načine (Slika 2).

Slika 2: Načini raziskovanja sistema



Law (2007) navaja, da se v managementu največ uporablja prav simulacija. Predvsem zato, ker so po eni strani ti problemi preveč kompleksni za reševanje z analitičnimi metodami, po drugi strani pa je pogosto preveč tvegano neposredno uvajanje organizacijskih sprememb brez predhodnega preverjanja predvidenih učinkov na sistem s pomočjo simulacije na modelu. Simulacijo kot raziskovalno metodo je potrebno razumeti na naslednji način: realen sistem se pretvori v matematično-logičen model, nato se na njem izvaja eksperimente s pomočjo računalnika in simulacijskega računalniškega programa. Računalnik pri tem uporablja numerične, optimizacijske in druge metode. Simulacijske modele lahko razdelimo po naslednjih treh vidikih (Law, 2007): 1. Statični in dinamični modeli

Statični simulacijski modeli prikazujejo stanje sistema v določenem času. Statične simulacijske modele uporabljamo za predstavitev sistemov, kjer čas ne igra pomembne vloge. Sem prištevamo določene "Monte Carlo modele". Po drugi strani pa dinamični sistemi prikazujejo sisteme, ki se spreminjajo s časom, kot npr. model delovanja žerjava v tovarni.

2. Deterministični in stohastični modeli

O determinističnem modelu govorimo, če le-ta ne vsebuje nobene slučajnosti. Sem bi lahko npr. prišteli zakompliciran sistem diferencialnih enačb, ki opisuje kemično reakcijo. Izhod iz sistema je "determiniran", ko so določene vhodne vrednosti in povezave v sistemu. V primeru, da je vsaj ena spremenljivka stohastična, pa govorimo o stohastičnem modelu, katerega vsaka izhodna vrednost je tudi slučajna.

3. Zvezni in diskretni modeli

V zveznem sistemu se stanje spremenljivk spreminja kontinuirano glede na čas. Za primer lahko vzamemo let letala, kjer se položaj in hitrost letala stalno spreminjata glede na čas. Pri diskretnih sistemih pa se stanje spreminja v diskretnih časovnih korakih. Tak primer je npr. banka in število strank v njej — število se spremeni le, ko pride nova stranka ali pa ko katera od strank zapusti banko. V resničnem svetu je le malo sistemov popolnoma diskretnih ali popolnoma zveznih, a ker običajno prevladuje eden zgoraj opisanih načinov obravnave spreminjanja stanja, lahko sisteme razdelimo na zvezne in diskretne in analogno temu tudi simulacijske modele delimo na zvezne in diskretne. Treba pa je poudariti, da pri simulacijskem modeliranju za modeliranje diskretnega sistema ne uporabimo vedno diskretnega modela oz. za zvezni sistem ne vedno zveznega. Odločitev glede tega je odvisna od ciljev raziskovanja. Tako lahko npr. avtomobilski promet obravnavamo kot diskreten model, če nas zanimajo značilnosti in gibanje posameznih avtomobilov, če pa lahko avtomobile obravnavamo "agregirano", lahko pretok avtomobilov obravnavamo s pomočjo diferencialnih enačb v zveznem modelu.

(Lednik, 2007) navaja, da je simuliranje delovanja sistemov metoda, ki nam prinaša mnogo koristi. Med drugim:



razumevanje sistema in problema ter definiranje ključnih dejavnikov;

oblikovanje sistema in analizo ter vrednotenje alternativnih rešitev;

analizo delovanja sistema, kot so kapaciteta posameznih elementov, ozka grla ipd.;

iskanje optimalnega vodenja sistema;

predvidevanje delovanja sistema v prihodnosti;

izobraževanje in pripravljanje oseb, ki bodo v praksi vodile sistem. Najpogostejši razlogi za simulacijo so predvsem v tem, da je eksperimentiranje z realnim sistemom predrago ali celo nemogoče (kot npr. v primeru vojaških operacij, zdravstveni sistemi itd.), analitični model nima rešitve ali pa je analitični model prezahteven za razumevanje (preveč in prezapletene diferencialne enačbe). Prednosti simulacijskega modeliranja so naslednje (Lednik, 2007):

Možno je analizirati probleme, ki jih ne moremo matematično modelirati.

Omogoča reševanje raznovrstnih problemov.

Lahko kontroliramo pogoje eksperimentiranja, spreminjamo scenarije eksperimentiranja.

Vrednotenje in analiziranje sistema je močno olajšano s pomočjo animacije delovanja modela sistema.

Med pomanjkljivosti simulacije pa lahko štejemo (Lednik, 2007):

Pogosto je razvoj modela dolgotrajen, zahteven, drag.

Simulacije je potrebno ponavljati, izvajati eksperimente, kar vzame precej časa.

Ne pridobimo zakonitosti, ki veljajo med vhodnimi in izhodnimi veličinami in ne dobimo optimalne rešitve.

Potrebno je poznati več metod in orodij za simuliranje.

Vrednotenje modela je precej kompleksno.

4.2 Metodologija simulacijske študije Simulacijska študija poteka po korakih, ki jih prikazuje Slika 3. Metodologija je povzeta po Law (2007), a podobne opise najdemo tudi pri drugih avtorjih. Poudariti je potrebno, da je simulacijska študija iterativni proces in da ne poteka linearno. Formulacija problema in planiranje študije

Managerji izberejo problem, ki se ga bo reševalo s simulacijo v njihovi organizaciji.

V tej fazi ni potrebno, da je problem natančno opredeljen ali da je opredeljen kvantitativno.

Pogosto gre za iterativen proces.



Slika 3: Potek simulacijske študije



V tej fazi je potrebnih več sestankov managerjev, strokovnjakov s tistega dela organizacije, ki se ga bo raziskovalo, in simulacijskega analitika, na katerih se opredeli:

o cilje študije; o specifična vprašanja, na katera naj odgovori študija (potrebno

zaradi opredelitve stopnje podrobnosti modela); o kazalnike, po katerih se bo merilo učinkovitost različnih

konfiguracij; o namen modela; o konfiguracijo sistema, ki se naj ga modelira (potrebno zaradi

opredelitve splošnosti simulacijskega programa); o časovni okvir izvedbe; o resurse.

Zbiranje podatkov in definiranje modela

Zbere in dokumentira se podatke o delovanju sistema in procesih, ki potekajo v njem.

Opredeli se stopnjo podrobnosti modela, ki je odvisna od: o ciljev projekta, o kazalnikov delovanja sistema, o razpoložljivosti podatkov, o omejitev računalniškega programa in strojne opreme, o mnenja poznavalcev sistema, o razpoložljivega časa in razpoložljivih resursov.

Ni potrebno, da so elementi modela v razmerju ena proti ena glede na elemente sistema.

Gradnja modela poteka od preprostejšega k bolj zapletenemu; običajno ni potrebno modelirati prav vsakega vidika sistema za sprejemanje učinkovitih odločitev.

Validiranje modela

Simulacijski analitik skupaj s poznavalci sistema pregleda dokumentacijo v zvezi z izdelanim modelom, da se potrdi njegovo veljavnost.

Izdelava in verifikacija računalniškega programa

Izbere se programsko orodje, v katerem se bo izdelalo simulacijski model.

Verificira ("razhrošči") se z računalniškim programom izdelan model. Izvedba poskusnih simulacijskih tekov

Izvede se simulacijske teke za namen validacije. Validacija računalniškega programa

preveri se, ali rezultati simulacije v ustrezni meri odražajo delovanje sistema.



Izbor vrste eksperimenta Glede na potrebe študije se izbere vrsto eksperimenta (občutljivostna analiza, kalibracija, optimizacija itd.). Izdelava scenarijev za eksperimentiranje

Izdela se različne scenarije, npr. za "kaj-če" analize. Izvedba produkcijskih simulacijskih tekov

Izvede se produkcijske simulacijske teke različnih scenarijev. Analiza izhodnih podatkov

Analizira se rezultate posameznega scenarija in primerja rezultate med različnimi scenariji.

Dokumentiranje, predstavitev in uporaba rezultatov

Dokumentira se celotno študijo kot navodila in pomoč pri ravnanju s simulacijskim modelom.

S pomočjo animacije se predstavi rezultate managerjem in drugim, ki niso seznanjeni s podrobnostmi modela.

Če so rezultati veljavni in kredibilni, se jih uporabi v procesu odločanja. Verifikacija in validacija Verifikacija je postopek, s katerim zagotovimo, da je konceptualni model ustrezno prenesen v računalniški model, validacija pa postopek, s katerim zagotovimo, da je model dovolj zanesljiv za uporabo (Robinson, 2004). Validacij je več vrst (Robinson, 2004):

Validiranje konceptualnega modela − preveri se, ali so vsebina, domneve, poenostavitve ustrezne za namen simulacijske raziskave.

Validacija podatkov − preverjanje ustreznosti podatkov. Podatki so potrebni na vseh stopnjah razvoja simulacijskega modela.

Validacija "bele škatle" − pri tej validaciji se preveri, ali deli računalniškega modela ustrezno predstavljajo dele realnega sveta.

Validacija "črne škatle" − pri tej validaciji gre za celostno oceno modela. Vprašamo se, ali model kot celota v zadostni meri predstavlja realnost za namen naše simulacijske raziskave. Za ta namen se uporabljata dve metodi − ocena izhodnih vrednosti modela z realnimi podatki s pomočjo statističnih testov (npr. t-test), druga pa je primerjava modela z drugimi modeli.

Validacija eksperimentov − ugotavljamo, ali so rezultati eksperimentov, ki jih izvajamo na modelu, dovolj zanesljivi za naš namen. Sem sodi ugotavljanje potrebnega števila ponovitev simulacijskih tekov, dolžina simulacije itd.



Validacija rešitve − ta validacija je možna šele po uvedbi na osnovi simulacije predlagane rešitve in kot taka ni del simulacijske raziskave. Je pa pomembna povratna informacija za razvijalce modela.

4.3 Simulacija in optimizacija Sodobni računalniški simulacijski programi vsebujejo optimizacijska orodja, ki omogočajo izvajanje optimizacijskih eksperimentov na modelu. Odnos med simulacijo in optimizacijo prikazuje Slika 4.

Simulacijskimodel

Optimizacijskialgoritem

Želenostanje Nastavitev vrednosti

vhodnih parametrovRezultati

simulacijskegamodela

Parameter 1

Parameter 2

Parameter n

Slika 4: Povezava med simulacijo in optimizacijo

Optimizacijski postopek uporabi izhodne podatke simulacije. Na osnovi evalvacije vnesenih podatkov, primerjave s prejšnjimi evalvacijami ter postavljenega kriterija za prekinitev optimizacijski postopek odloči o tem, ali se vnese novo množico podatkov. Uporabnik vnese ciljno funkcijo, omejitve, kriterij za prekinitev, število ponovitev, če gre za stohastičen model. Sodobna optimizacijska orodja uporabljajo kombinacijo različnih optimizacijskih algoritmov (evolucijski algoritmi, linearno programiranje itd.), statistične metode (regresija idr.), metode umetne inteligence (nevronske mreže), da so čim bolj učinkovita pri optimiziranju različnih optimizacijskih problemov.

4.3 Paradigme simulacijskega modeliranja V simulacijskem modeliranju prevladujejo naslednje paradigme: sistemska dinamika (SD), diskretna dogodkovna simulacija (DES) in agentna simulacija (AB). SD je uporabna predvsem za simulacijsko modeliranje na strateškem, AB in DES pa za reševanje problemov na taktičnem, operativnem nivoju (Borshchev in Filippov, 2004).



Tabela 1 prikazuje primerjavo med paradigmami simulacijskega modeliranja.

diskretna dogodkovna simulacija

sistemska dinamika agentna simulacija

individualen pristop (entitete)

skupinski pristop (kohorte)

individualen pristop (agenti)

Definiran je proces. Definirana je regulacija pretokov.

Definirani so agenti in povezave med njimi.

Pravila so definirana v elementih procesa (vrste, strežna mesta itd.).

Pravila so definirana z diferencialnimi enačbami.

Pravila so definirana v agentih (avtonomija).

Vrste obstajajo eksplicitno.

Vrste obstajajo eksplicitno, vendar kot zaloge vrednosti.

Vrste obstajajo implicitno.

Simulacijo poganjajo dogodki.

Simulacijo poganjajo regulirani pretoki.

Simulacijo poganjajo agenti in lokalno okolje.

večinoma stohastično večinoma deterministično večinoma deterministično

diskretni časovni intervali časovni koraki časovni koraki

Tabela 1: Primerjava simulacijskih paradigem (povzeto po Gunal, 2010)

4.3.1 Sistemska dinamika SD je metoda za modeliranje zveznih modelov. V 50-ih letih prejšnjega stoletja jo je razvil Jay W. Forrester za potrebe modeliranja v industriji (Forrester, 1958). Temelji na diferencialnih enačbah, ki sledijo stalnim spremembam v dinamičnem sistemu. SD se ukvarja z razumevanjem dinamičnega obnašanja kompleksnih sistemov. Sistem velikokrat vsebuje notranje zanke, časovne zakasnitve, pritoke in odtoke med elementi sistema. Metoda temelji na zavedanju, da je treba za poznavanje obnašanja sistema poznati sistem kot celoto, ne pa samo njegove dele, ker obstajajo lastnosti sistema, ki se jih ne da razbrati iz lastnosti posameznih delov sistema. Pogosto tudi navidezno preprosti sistemi vsebujejo zapletene nelinearnosti. Za dinamične sisteme je značilno, da njihova dinamična kompleksnost nastaja iz naslednjih vzrokov (Sterman, 2000):

konstantne spremembe (vse se spreminja);

tesna povezanost (deli sistema vplivajo drug na drugega);

vpliv povratnih zank;

nelinearnost (posledice so redko linearno odvisne od vzrokov);

odvisnost od preteklosti;

samoorganiziranost (sistemi delujejo po lastnih vzorcih, kar izhaja iz njihove strukture);

prilagoditve;

odzivi na spremembe;



napačno predvidevanje;

odpor na spremembe.

Pri SD se uporabljata dva tipa diagramov: vzročno-posledični diagram in tokovni diagram.

Vzročno-posledični diagram (Slika 5) prikazuje vzročno-posledične povezave med elementi sistema.

Razlika medželenim indejanskimstanjem

Prilagoditevstanja

Dejanskostanje

Zakasnitev

Želenostanje

+

+

+

-

Slika 5: Vzročno-posledični diagram

Puščice označujejo smer povezave, znak + ali – ob puščici opredeljuje povezavo kot pozitivno ali negativno. Pozitivna povezava je tista, pri kateri s povečevanjem vzroka pride do povečevanja posledice. Velja tudi obratno. Pri negativni povezavi s povečevanjem vzroka pride do zmanjševanja posledice. Dve ali več puščic, ki povezujejo vzrok in posledico, tvorijo povratno zanko, ki jo v sredini označimo s + ali -. Pozitivna povratna zanka je tista, pri kateri elementi zanke delujejo povratno na sebe v isti smeri, kar ima za posledico stalno rast ali stalni padec vrednosti teh elementov. Pri negativni povratni zanki imajo njeni elementi nasprotne smeri delovanja, zato teži vrednost stanja v zanki proti ravnotežnemu stanju (stacionarno stanje). Tip povratne zanke je določen s tipom vzročno-posledičnih povezav znotraj nje. Če so vse vzročno-posledične zveze znotraj povratne zanke pozitivne, potem je tudi cela zanka pozitivna. Če vsebuje zanka tudi negativne povezave, je tip zanke odvisen od števila negativnih povezav: zanka s parnim številom negativnih povezav je pozitivna, zanka z neparnim je negativna (Sterman, 2000).

Vzročno-posledične diagrame lahko uporabimo v smislu kvalitativne analize tudi v primeru, ko nimamo na voljo kvantitativnih podatkov.



Tokovni diagram je prikazan na spodnji sliki (Slika 6). Pravokotniki prikazujejo zaloge vrednosti oz. stanja, akumulacijo ("level"). Tokove "materialov" oz. pretoke prikazujejo dvojne puščice. Vhodni tokovi povečujejo, izhodni zmanjšujejo vrednost akumulacije. Prepustnost materialnih tokov je uravnavana z "ventili", ki prepuščajo več ali manj "materiala" v časovni enoti: prepustnost "ventila" je uravnavana z informacijskimi tokovi (enojne puščice).

Slika 6: Tokovni diagram

Nivoje in pritoke si lahko predstavljamo s t. i. "hidravlično metaforo" (Sterman, 2000), kjer je nivo kad, v kateri je tekočina. Na eni strani tekočina priteka v kad, to je pritok, na drugi strani pa iz kadi odteka, kar predstavlja odtok. Pritok in odtok sta uravnavana glede na podano enačbo oz. razmerje med elementi.

Razmerja med pretoki in nivoji opisuje naslednja enačba:

S(t) = t

t 0

(I(s) − O(s)) ds + S(t0) (1)

Kjer je:

S − nivo ("level")

I − pritok

O − odtok

t − čas

t0 − začetni čas

Enačba 1 nam poda vrednost nivoja glede na pritoke in odtoke v poljubnem času t. To lahko izrazimo tudi z diferencialno enačbo:

dS/dt = I(t) − O(t) (2)



Dinamično obnašanje sistema se v sistemski dinamiki prikaže s sistemom diferencialnih enačb. Simulacija se izvaja s seštevanjem majhnih sprememb v kratkih časovnih intervalih. Simulacija v sistemski dinamiki je v bistvu metoda numerične integracije.

Pri modeliranju pretoka pacientov v bolnišnici nivo predstavlja število pacientov, ki so hospitalizirani, pritok je sprejem novih pacientov, odtok pa odpust pacientov iz bolnišnice.

Večina dinamičnih sistemov se obnaša po malem številu vzorcev.

Eksponentna rast

Stopnja rasti se spreminja eksponentno (Slika 7). Najznačilnejši primer je rast populacije in rast obresti.

Čas

L

0 20 40 60 80 100

0

5.000

10.000

Slika 7: Eksponentna rast (levo: pozitina začetna vrednost, desno: negativna začetna vrednost)

Zasledovanje cilja

V tem primeru deluje negativna povratna zanka, ki želi povrniti sistem v želeno stanje (Slika 8).

Slika 8: Zasledovanje cilja (levo: želena vrednost je nižja kot začetna vrednost, desno: želena vrednost je višja kot začetna vrednost)



Oscilacije

Oscilacije nastajajo zaradi vpliva povratne zanke, ki deluje s časovnim zamikom (Slika 9). Časovni zamiki lahko nastanejo zaradi meritev, poročil in podobnih postopkov. Zato nastane zakasnitev pri zaznavi odstopanja od želenega stanja in korektivnem ukrepanju.

Čas

L

0 20 40 60 80 100

-1,0

-0,5

0,0

0,5

1,0

Čas

L1

0 20 40 60 80 100

0

500

1.000

1.500

Čas

L1

0 5 10 15 20

-10

-5

0

5

10

Slika 9: Oscilacije (levo: oscilacija brez dušenja, sredina: oscilacija z dušenjem, desno: oscilacija z naraščanjem)

S-rast

Za razumevanje tega obnašanja je pomemben koncept nosilne kapacitete oz. kapacitete okolja, ki se uporablja v ekologiji. Vsako okolje lahko prenese le določeno število organizmov, potem pa nastopijo omejitve v virih za preživetje. Zato je rast najprej eksponentna, potem se zaradi vse težje dostopnih virov rast omeji do vzpostavitve ravnotežnega stanja (Slika 10). S-rast kaže, da v sistemu najprej prevladujejo pozitivne povratne zanke, ki pospešujejo rast, s časom pa začnejo prevladovati negativne povratne zanke, ki se rasti upirajo. S-rast v sistemu nastopa le, če sta izpolnjena dva bistvena pogoja:

V sistemu ni bistvenih časovnih zamikov.

Nosilna kapaciteta je konstantna.

Čas

L

0 5 10 15 20 25

0

5.000

10.000

Slika 10: S-rast



Rast s preseganjem

Gre za rast pri kateri negativna povratna zanka deluje s časovnim zamikom in zakasnitvami (Slika 11).

Slika 11: Rast s preseganjem

Preseganje in kolaps

Do tega pojava pride zaradi močnega upada virov in posledično vrednosti nosilne kapacitete. To povzroči močno negativno povratno zanko in posledično sistem kolabira (Slika 12).

Čas

L

0 5 10 15 20 25

0

50

100

150

200

Slika 12: Preseganje in kolaps



Atraktorji kaotičnih sistemov Pojem atraktorja je verjetno eden najosnovnejših konceptov v teoriji kaosa. Pomeni množico stabilnih stanj dinamičnega sistema (Williams, 1997). Narisan v faznem ali psevdofaznem prostoru predstavlja množico vseh stanj sistema, h katerim ta s časom konvergira. Ne glede na to, kje v faznem prostoru se je sistem nahajal v začetku, se bo sčasoma vedno bolj približeval svojemu atraktorju, ki pa ga (v idealiziranem matematičnem modelu) nikoli ne bo čisto dosegel. Najpreprostejši tip atraktorja je točkovni atraktor (Slika 13).

L2

L1

-1.000 0 1.000 2.000

0

500

1.000

1.500

Slika 13: Točkovni atraktor

Obstaja pa še en tip atraktorjev, ki je značilen za dinamične sisteme v kaotičnem režimu, pravimo mu kaotični ali "čudni" atraktor (Slika 14). Tako kot navadni atraktor je tudi kaotični atraktor množica točk v faznem ali psevdofaznem prostoru, h katerim sistem v faznem prostoru konvergira. Od običajnih atraktorjev se razlikuje (Williams, 1997):

Trajektorija, ki jo sistem opisuje, ima po navadi zelo dolgo periodo.

Dva dela trajektorije, ki sta na določenem mestu zelo blizu skupaj, sta lahko čez relativno kratek čas že zelo daleč narazen in obratno (občutljivost na začetne pogoje).

Notranja struktura kaotičnih atraktorjev je kompleksna in ima mnogo plasti.

X

Y

-10 0 10

-20

-10

0

10

20

Slika 14: Kaotični atraktor



4.3.2 Diskretna dogodkovna simulacija Za DES lahko rečemo, da je mati simulacijskih metod. Ima bogato zgodovino. DES se uporablja za modeliranje sistemov, ki svoje stanje menjajo stohastično, dinamično in v diskretnih časovnih intervalih. DES metoda je uporabna predvsem za sisteme z vrstami, saj DES temelji na spremljanju entitet, ki spreminjajo svoje stanje v sistemu in "tekmujejo" za resurse (Gunal, 2012). Ne glede na izbrani računalniški program vsebuje vsak DES model naslednje (Gunal, 2012):

entitete z atributi,

resurse,

mrežo procesov,

spremenljivke (vhodi in izhodi). Entitete so elementi modela, ki se nahajajo v realnem svetu. V zdravstvu so to lahko pacienti, osebje, vzorci krvi, dokumenti itd. Lahko so začasne, ker pridejo in odidejo iz sistema (npr. pacienti), ali stalne (osebje, medicinske naprave). Običajno je osnovni cilj simulacije opazovanje obnašanja začasnih entitet v sistemu in zbiranje podatkov v povezavi z njimi. DES je pogosto uporabljena metoda za modeliranje bolnišnic iz naslednjih razlogov (Gunal, 2012):

velika fleksibilnost glede na podrobnost modeliranja;

možnost modeliranja gibanja posameznega pacienta skozi sistem;

obravnava naključnosti: naključni prihodi pacientov na urgenco, število oskrbnih dni itd.;

možnost večkratne uporabe posameznih komponent;

obravnava vrst;

vizualna predstavitev toka pacientov – animacija. Law (2007) piše, da v večini DES modelov, ki temeljijo na pristopu "naslednji dogodek, naslednja nastavitev časa" zasledimo naslednje komponente:

Stanje sistema: nabor spremenljivk potrebnih za opis sistema v določenem času.

Simulacijska ura: določa trenutno vrednost simulacijskega časa.

Spisek dogodkov: spisek, ki določa, ob katerem času se bo zgodil dogodek.

Statistični števci: shranjujejo podatke o delovanju sistema.

Začetna procedura: podprogram, ki v začetku nastavi vrednost simulacijskega časa na nič.

Časovna procedura: prestavi simulacijsko uro na čas, ko se mora po listi dogodkov izvršiti naslednji dogodek.

Procedura dogodkov: podprogram, ki nastavi stanje sistema, ko se izvrši dogodek določenega tipa.

Knjižnična procedura: nabor podprogramov, ki določijo vrednosti naključnim spremenljivkam z uporabo verjetnostnih razporeditev in generatorja naključnih števil.



Generator poročila: podprogram, ki iz podatkov statističnih števcev izračuna želene vrednosti in ob koncu simulacije izpiše poročilo.

Osnovni program: podprogram, ki kliče k izvršitvi ostale podprograme – koordinira delovanje celotnega simulacijskega programa.

4.3.3 Agentna simulacija AB je simulacijska metoda za modeliranje dinamičnih, adaptivnih, avtonomnih sistemov. Bistvo te metode so "avtonomni", "interaktivni" objekti, ki jim pravimo agenti. Agenti so za AB to, kar so entitete za DES, s to razliko, da agenti komunicirajo z drugimi agenti, "živijo" v okolju, "zaznavajo" okolje in se vedejo na osnovi ugotovljenih razmer v njem. Njihovo vedenje temelji na pravilih, ki so v razponu od preprostih "kaj-če" pravil do kompleksnih modelov umetne inteligence. Agenti se lahko učijo na osnovi izkušenj, za kar je potreben spomin, kar se doseže z uporabo dinamičnih atributov. Možnost uporabe AB za modeliranje procesov v bolnišnici še ni povsem jasna, ocenjuje pa se, da ima ta metoda za to velik potencial (Gunal, 2012). AB model ima tri elemente (Gunal, 2012):

Agente, ki imajo statične in dinamične atribute ter vedenje (pogojne ali nepogojne aktivnosti).

Definirane odnose med agenti.

Okolje, ki vpliva na agente in njihove medsebojne odnose. Ena od možnih metod za predstavitev vedenja agentov so diagrami stanj. (Borschew in Filippov, 2004). Slika 15 prikazuje uporabo diagrama stanj za agenta pacient, ki je sprejet prek urgentnega oddelka.

Slika 15: Diagram stanj



4.3.4 Hibridna simulacija Chahal (2010) predlaga uporabo treh vrst "hibridov" v simulacijskem modeliranju v zdravstvu:

Hierarhični pristop: obstajata dva simulacijska modela, ki delujeta "off-line"; npr. DES model daje podatke SD modelu.

Procesno okolje: obstajata dva različna modela, vendar eden vključuje drugega, npr. DES model "domuje" znotraj SD modela.

Integriran način: obstaja en model, v katerem različne simulacijske metode delujejo "in-line".

Z uporabo hibridnega pristopa lahko pri modeliranju zdravstvenih sistemov izkoristimo prednosti in presežemo omejitve posameznih paradigem simulacijskega modeliranja (Tabela 2).

DES SD ABS

prednosti

Vrste, ki so značilne za zdravstvene sisteme, so ključni del koncepta. pristop od vrha navzdol podrobno modeliranje sistema

poudarek na sistemskem gledanju pristop od vrha navzdol modeliranje ne zahteva veliko podatkov

poudarek na agentih in njihovih medsebojnih povezavah pristop od spodaj navzgor

omejitve

Ne moremo modelirati interakcij med entitetami (npr. med zdravstvenim osebjem in pacienti).

Modeli so deterministični in ne zrcalijo individualne variabilnosti.

Ni koncepta vrst, ki je značilen za zdravstvene sisteme. pogosto časovno zahtevna izgradnja in trajanje simulacijskega teka Običajno zahteva veliko podatkov (npr. poznavanje kompleksnih pravil interakcij).

Tabela 2: Prednosti in omejitve posameznih simulacijskih paradigem

Chachal (2010) je v svoji doktorski disertaciji razvil generično metodologijo za izdelavo hibridne simulacije DES-SD, ki smo jo nadgradili z AB. Slika 16 prikazuje algoritem odločanja o uporabi hibridne simulacije.



Slika 16: Algoritem odločanja o hibridnem pristopu



4.4 Paradigma hibridne simulacije in zajema podatkov v realnem času za učinkovito upravljanje kompleksnih sistemov

Z namenom, da presežemo dosedanji "mehanistični" pogled raziskovalcev na problematiko UO, smo se odločili, da za analiziranje obstoječega stanja, iskanje organizacijskih izboljšav in izgradnjo učinkovitega sistema upravljanja UO uporabimo sistemski pristop. Slika 17 prikazuje upravljanje sistema IPP s pomočjo hibridnega simulacijskega modela v smislu kibernetskega sistema. Sodelovanje odločitvene skupine vpliva tako na opredelitev simulacijskih scenarijev, vrednosti parametrov ter njihovih omejitev, kakor tudi na upravljanje realnega sistema. Pri tem predvidimo uporabo ustreznih optimizacijskih algoritmov (npr. genetski algoritmi ali iskanje vzorcev), kar prikazuje povezava (A), ocene parametrov ter omejitve pa opredeljujejo sam hibridni simulacijski model, kar prikazuje povezava (B). Rezultati simulacijskega sistema so posredovani odločitveni skupini, kar predstavlja prispevek v smislu anticipativne informacije (Kljajić, 1994). Glede na primerjavo rezultatov simulacijskega modela in realnega sistema ter preučitve situacije s pomočjo simulacijskega modela skupina sprejme ustrezne odločitve, ki so nato realizirane prek povezave (C) in vplivajo na realni sistem. Pomembna dopolnitev sta povezavi (D), ki opredeljujeta posredovanje povratne informacije o stanju realnega sistema in rezultatih simulacije prek elektronske table, ki vplivajo na reaktivno upravljanje odločitvene skupine. Pomembna dopolnitev z metodološkega vidika pa je povezava (E), ki zagotavlja vhodne podatke simulacijskega modela v realnem času in doprinaša k bolj natančnim rezultatom simulacije. Pri tem je za zajem nekaterega dela podatkov predvidena uporaba sistema sledenja pacientov v realnem času na temelju radiofrekvenčne identifikacije.

Slika 17: Sistemski pristop k upravljanju sistema IPP s pomočjo odločitvene skupine in hibridnega simulacijskega modela



5 OPIS PROBLEMA Splošen problem UO je dolg čakalni čas in varnostni problemi, ki nastanejo v času natrpanosti UO, ki je posledica nesorazmerja med potrebami pacientov in razpoložljivimi resursi UO in celotne bolnišnice. Povprečen čas oskrbe na IPP je več kot šest ur, v določenih obdobjih celo več kot sedem. Povprečen čas oskrbe na IPP je tako daleč od časovnih ciljev, ki jih za UO postavljajo v razvitih zdravstvenih sistemih. Veliko pacientov prebije celo več kot dvanajst ur na neudobnih, varnostno neustreznih transportnih vozičkih, v premajhnih, slabo prezračenih čakalnih prostorih, brez možnosti uporabe alarmnega gumba, s katerim bi lahko priklicali zdravstveno osebje v primeru potrebe po pomoči. Po internem standardu dogovorjeni 15-minutni obhodi medicinskih sester med čakajočimi pa se iz različnih razlogov ne izvajajo redno. Slabe razmere so vzrok za pritožbe pacientov in zaposlenih. Poudariti pa je treba, da v pritožbah nad razmerami na IPP pacienti in svojci obenem tudi velikokrat pohvalijo profesionalnost in zavzetost zaposlenih, za katere so težke delovne razmere zelo obremenjujoče. Analiza je pokazala, da se v informacijskem sistemu ne beležijo časovne vrednosti, ki se jih po eni strani potrebuje za izgradnjo in validacijo simulacijskega modela in po drugi za spremljanje kazalnikov kakovosti, ki bi omogočali spremljanje učinkovitosti procesov na IPP z drugimi UO (t. i. benchmarking).

5.1 ANKETNA RAZISKAVA Za anketno raziskavo smo se odločili, ker smo lahko tako relativno hitro zbrali mnenja čim večjega števila zaposlenih. Anketni vprašalnik je bil sestavljen iz štirih sklopov. Prvi dve vprašanji sta spraševali o delovni vlogi in delovnih izkušnjah na IPP. V drugem sklopu smo anketirance vprašali, koliko bi navedeni ukrepi skrajšali čas obravnave pacientov na IPP: dostopnost podatka o prostih posteljah, uvedba cevne pošte za transport epruvet v laboratorij, pisanje odpustnic s programom za prepoznavo glasu, odvzem krvi za laboratorijske preiskave določenemu deležu pacientov že v triažni ambulanti, pošiljanje določenega deleža pacientov na radiološke preiskave takoj po triažiranju, uvedba elektronske table, uvedba sprejemnih zdravnikov na oddelkih. Nabor ukrepov smo naredili na osnovi navedb v literaturi in na osnovi predhodnih razgovorov z nekaj zaposlenimi z dolgotrajnimi delovnimi izkušnjami. Možni odgovori so bili: nič, malo, precej. Nič smo prisodili vrednost 1, malo 2 in precej 3. V tretjem sklopu smo navedli trditve v zvezi s trenutno situacijo na IPP. Anketirance smo prosili, da označijo stopnjo (ne)strinjanja z navedenimi trditvami na petstopenjski lestvici, na kateri 1 predstavlja najvišjo stopnjo nestrinjanja in 5 najvišjo stopnjo strinjanja. Na koncu smo anketirance zaprosili, da zapišejo predloge za izboljšanje pretočnosti pacientov in kakovosti ter varnosti obravnave pacientov na IPP. Anketa je bila anonimna. Anketni vprašalnik je bil poslan 146 zaposlenim. V anketo smo vključili večino zdravstvenih tehnikov in srednjih medicinskih sester (ZT/SMS), diplomiranih in višjih medicinskih sester (DMS/VMS), zdravnikov specializantov (v nadaljevanju:



specializanti), zdravnikov specialistov (v nadaljevanju: specialisti) in nadzornih zdravnikov (v nadaljevanju: konzultanti). Anketo je izpolnilo 95 anketirancev (65,1 %). Glede na delovno vlogo so bili deleži izpolnjenih anket naslednji: ZT/SMS 50,0 %, DMS/VMS 76,2 %, specializanti 59,5 %, specialisti 61,8 % in konzultanti 70,0 %. Slika 18 prikazuje strukturo anketirancev glede na njihovo delovno vlogo in delovne izkušnje na IPP.

Slika 18: Struktura anketirancev glede na delovno vlogo in delovne izkušnje na IPP Statistične analize v zvezi s to anketo (in tudi vse ostale v disertaciji) smo izvedli z računalniškim programom SPSS 17.0. Za iskanje statistično pomembnih razlik v odgovorih med skupinami anketirancev z različnimi delovnimi vlogami in med skupinami z različnimi delovnimi izkušnjami smo uporabili Kruskal-Wallis H test. V primeru statistično pomembne razlike med skupinami znotraj spremenljivk delovna vloga in delovne izkušnje na IPP smo za iskanje razlik med paroma skupin uporabili Mann-Whitney U test. Izbrali smo 95-odstotno stopnjo zaupanja.



V Tabeli 3 so zapisane povprečne vrednosti ocen vseh anketirancev o tem, kako bi v anketi navedeni ukrepi vplivali na pretočnost pacientov na IPP. Anketiranci so v povprečju za vse navedene ukrepe menili, da bi pripomogli k povečanju pretočnosti pacientov. Za štiri ukrepe so v povprečju šle ocene proti "precej", za tri pa proti "malo". Še najmanj bi po mnenju anketirancev na pretočnost vplivala uporaba programske opreme za prepoznavo govora za pisanje odpustnic. DMS/VMS so pripisale statistično pomembno višjo povprečno oceno odvzemu krvi v času čakanja na pregled kot specializanti in specialisti. Zaposleni z manj kot letom dni delovnih izkušenj na IPP so statistično pomembno manjši vpliv pripisali določitvi zdravnikov za sprejem na oddelkih kot bolj izkušeni sodelavci.

Tabela 3: Povprečne vrednosti (vsi anketiranci) vpliva navedenih ukrepov na

pretočnost pacientov; 1 = nič, 2 = malo, 3 = precej V tabeli 4 so zabeležene povprečne vrednosti (ne)strinjanja s trditvami glede trenutne situacije na IPP.

Tabela 4: Povprečne vrednosti (vsi anketiranci) (ne)strinjanja s trditvami o

Internistični prvi pomoči; 1 = sploh se ne strinjam, 2 = se ne strinjam, 3 = niti se strinjam niti se ne strinjam, 4 = strinjam se, 5 = zelo se strinjam

Glede vključevanja konzultantov v ambulantno delo so bila mnenja anketirancev v vseh skupinah različnih delovnih vlog deljena. Večkrat so anketiranci dodali komentar, da se nekateri konzultanti vključujejo v ambulantno delo in skušajo razreševati ozka grla, eni pa sploh ne. Nekateri konzultanti so zapisali komentar, da težko ocenjujejo lastno delo. So pa v povprečju DMS/VMS, specialisti in specializanti statistično pomembno slabše ocenili njihovo angažiranje pri tem kot pa konzultanti sami. Glede komunikacije med medicinskimi sestrami in zdravniki so se anketiranci v povprečju bolj nagibali v smer učinkovitosti kot pa neučinkovitosti.



V povprečju so se anketiranci precej nagibali k trditvi, da je včasih zaradi pomanjkljivega nadzora nad pacienti ogrožena njihova varnost. Glede ustreznosti triažiranja so bila mnenja zelo različna, povprečje je 3,25, kar v povprečju kaže bolj na pozitivno kot negativno oceno. Anketiranci se v povprečju zelo strinjajo s tem, da bi se z izboljšanjem organizacije dela lahko povečala pretočnost pacientov. Tako je jasno identificirana pomembnost organizacije, saj je ta trditev pridobila najvišje ocene. V povprečju so se anketiranci bolj nagibali k negativnemu kot k pozitivnemu mnenju glede uvajanja specializantov v delo na IPP. V vezi s tem so predlagali precej izboljšav. Glede organizacijske klime so bila mnenja precej deljena. So pa v povprečju to ocenjevali bolj v smer nestrinjanja s tem, da se zaposlene spodbuja k izražanju idej za izboljšave. Predlogi za izboljšave, ki so jih zapisali anketiranci, se nahajajo v Prilogi A. Rezultati ankete so potrdili potrebo po razvoju ET za namen povečanja situacijskega zavedanja na IPP. Zapisani predlogi za izboljšave so nam opredelili, katere parametre oz. kakšne stukture oz. scenarije za eksperimentiranje na simulacijskem modelu bi veljalo upoštevati oz. realizirati.



6 RAZVOJ ELEKTRONSKE TABLE Razlogi, da smo se odločili za uvedbo ET na IPP so bili:

O koristnosti uvedbe ET na UO govori relevantna literatura.

S koristnostjo uporabe ET na UO so bili seznanjeni nekateri člani projektnega tima v nekaterih tujih bolnišnicah.

Večina anketirancev je v raziskavi, ki je bila narejena na reprezentativnem vzorcu zaposlenih, pokazala, da zaposleni verjamejo v to, da bi bila uvedba ET koristna.

Eno od poglavitnih teoretičnih izhodišč, ki nas je vodilo k odločitvi za uvedbo ET, je bilo to, da je ET lahko poglaviten pripomoček za povečanje situacijskega zavedanja na ravni posameznika in tima, kar lahko pripomore k boljšemu odločanju in posledično k večji kakovosti in varnosti obravnave pacientov. Projekt je vodila multidisciplinarno sestavljena ekipa: zdravniki, medicinske sestre, administratorji in predstavniki managamenta iz Univerzitetnega kliničnega centra (UKCL) ter zastopniki dveh programskih hiš, ki sta že dlje časa poslovni partnerici UKCL. Informacijska podpora ET, ki smo jo v okviru naše raziskave razvili na IPP, so veliki elektronski zasloni (Slika 19), na katere se stekajo najpomembnejši demografski in klinični podatki o pacientih pa tudi o statusu obravnave pacientov. ET je informacijska rešitev, ki omogoča hiter in sproten pregled nad statusom obravnave pacientov, njihovo lokacijo in zaznavo pacientovega klica na pomoč (Slika 20). Vir podatkov za ET so že prej vzpostavljeni bolnišnični informacijski sistemi in na novo vzpostavljen sistem za sledenje pacientov v realnem času s pomočjo radiofrekvenčne identifikacije (RFID). ET je vidna na večjih elektronskih zaslonih, ki so nameščeni v notranjem hodniku in tako niso vidni pacientom, kar je nujno zaradi varovanja podatkov, ter na službenih računalniških zaslonih znotraj IPP. Na slednjih imajo člani ambulantnih timov možnost dodatnega pogleda le za "svoje" paciente. ET sestavljajo naslednji elementi: 1. Tabela pacientov, ki so že vstopili v ambulanto.

2. Tabela pacientov, ki še čakajo na pregled v ambulanti (ET avtomatsko določi prioriteto glede na čas prihoda in triažno oznako, ki je bila dodeljena pacientu, vrstni red pa lahko triažna medicinska sestra spremeni na osnovi svoje presoje).

3. Tloris IPP in prikaz lokacije pacientov na njem z barvnimi krogci — barva je v skladu s triažno oznako po manchesterskem triažnem sistemu, ki jo je prejel pacient (Mackway-Jones et al., 2006).

4. Prikaz števcev o različnih kategorijah pacientov.



5. Prikaz opozorila o prekoračeni časovni meji za določeno fazo obravnave, npr. čas čakanja na vstop v ambulanto.

Slika 19: Zaslon s prikazom ET

Slika 20: ET − prikaz alarma



6. Prikaz s strani pacienta ali njegovega spremljevalca sproženega alarma (na tlorisu IPP se vidi, kateri pacient potrebuje pomoč).

Na ET so na voljo naslednje informacije:

čas prihoda/triažna oznaka;

čas obravnave (čas od prihoda do trenutnega časa);

oznaka ambulantnega tima, ki skrbi za pacienta;

pacientova mobilnost;

priimek in ime pacienta;

identifikacijska številka pacienta;

vodilni simptom;

rubrika "cave" (prenos podatka iz baze podatkov informacijskega sitema, ki je bil zabeležen v kateri od prejšnjih hospitalizacij in označuje zadeve, na katere je potrebno biti še posebej pozoren kot npr. alergija na zdravila);

rubrika "SPOBO" (prenos podatka iz baze podatkov informacijskega sitema o okužbi z na antibiotike odporno bakterijo v prejšnji hospitalizaciji);

posebna opozorila (prosti tekst, ki ga lahko vpiše zaposleni);

prikaz statusa laboratorijske preiskave;

prikaz statusa radiološke preiskave;

faza oskrbe.

Vzporedno z ET za zaposlene smo razvijali tudi informacijski displej, lahko bi rekli ET, ki je namenjena pacientom in njihovim spremljevalcem. Ima manjši nabor podatkov:

čas prihoda/triažna oznaka,

čas obravnave (čas od prihoda do trenutnega časa),

identifikacijska številka pacienta,

faza oskrbe (še v razvoju).

ET za paciente se lahko uporablja za prikaz pojasnil glede triažnega sistema, zdravstveno-vzgojna navodila, posebna standardna sporočila (zakasnitve v delovanju zaradi nujne oskrbe težkega primera) itd. Zasloni ET za paciente so nameščeni v čakalnicah.



Programska logika delovanja informacijske rešitve elektronske table

IPP uporablja bolnišnični informacijski sistem (BIS), ki je povezan z laboratorijskim informacijskim sistemom (LIS) in radiološkim informacijskim sistemom (RIS). Vir podatkov za ET je BIS.

Pacienta, ki pride na IPP, administratorka registrira v BIS: vpiše registracijske podatke in čas prihoda. Avtomatično se ustvari identifikacijska številka pacienta. Izpiše se identifikacijski zapestni trak z imenom in priimkom pacienta, datumom rojstva in dodeljeno ID številko. Administratorka z optičnim čitalcem prebere črtno kodo RFID značke in jo poveže z ID številko pacienta. Pacientu namesti identifikacijski zapestni trak, ki je obenem tudi nosilec RFID značke. RFID značko se po predhodnem pojasnilu o njenih koristih in zagotavljanju varovanja podatkov namesti le pacientom, ki z uporabo soglašajo.

Triažna medicinska sestra dodeli pacientu triažno skupino in vodilni simptom po manchesterskem triažnem sistemu. V BIS vnese še podatke o mobilnosti in eventualno posebna opozorila, ki se jih lahko zapiše tudi kasneje tekom obravnave.

Ob naročilu laboratorijskih preiskav v BIS se izpišejo nalepke z laboratorijsko številko in črtno kodo, ki jih medicinska sestra nalepi na epruvete. Po zaključenih analizah v laboratoriju se rezultati iz LIS prenesejo v BIS. Trenuten prenos podatkov iz LIS v BIS omogoča spremljanje naslednjih statusov laboratorijskih preiskav: preiskava naročena, čakanje na izvid in izvid zaključen. Na IPP so pričeli z uvajanjem sistema, da se kurir, ki pride po epruvete, identificira z osebno kartico in odčita črtno kodo epruvet, ki jih odnese v laboratorij. Z uvedbo tega sistema bodo podatki o času prevzema epruvet s strani kurirja vnešeni v LIS in nato prenešeni v BIS, kar bo omogočilo kreiranje dodatnega statusa "vzorci odnešeni".

Tudi naročanje pacienta na radiološko preiskavo večinoma poteka elektronsko. Povezava BIS z RIS omogoča spremljanje statusov radiološke preiskave. Od naročila preiskave v BIS do trenutka, ko eden od mejnih RTLS čitalcev zazna pacienta, je na ET izpisan status "čakanje na odhod na preiskavo". Od zaznave signala s strani mejnega čitalca signala do vpisa pričetka preiskave v RIS je izpisano "čaka na preiskavo". Od potrditve zaključka preiskave do potrditve izvida v RIS je napisano "čakanje na izvid". V trenutku potrditve izvida v RIS se izpiše "izvid zaključen".

Prek ET se spremlja faza obravnave posameznega bolnika. Faze obravnave se izpišejo glede na vnesene podatke in vgrajeno logiko pravil. Spremljamo naslednje:

čakanje na vstop v ambulanto,

pregled v ambulanti,



diagnostika poteka,

čakanje na odpustnico,

čakanje na posteljo,

čakanje na odhod.

Če faza posamezne obravnave ali status v povezavi z laboratorijsko ali radiološko preiskavo traja dlje od nastavljene časovne meje, se polje na ET obarva rdeče. Enako velja za čas čakanja na pregled pri zdravniku v ambulanti.

V rubriki "opozorila" se samodejno zabeleži "dolgo izven IPP" v primeru, da mejni čitalec zazna odhod pacienta in več kot dve uri ni ponovne zaznave signala na enem od mejnih čitalcev.

Ko je obravnava bolnika na IPP zaključena, se vpiše čas zaključka obravnave, pacient prejme izvid in vrne RFID značko osebju. Takrat podatki o pacientu izginejo z ET.

Na tlorisu IPP so prikazane lokacije pacientov z RFID značkami, ki so v oskrbi na IPP. Pacienti so v realnem času prikazani z barvnimi krogci. Barva krogca ustreza triažni skupini, v katero je bil uvrščen pacient.

V primeru, da pacient pritisne alarmni gumb na RFID znački (Slika 21), dobi krogec odebeljeno obrobo in začne utripati. Poleg tega se označi pripadajoča vrstica v tabelaričnem prikazu pacientov.

Vse navedene funkcionalnosti ET omogočajo osebju IPP pregled nad stanjem obravnave po posameznih pacientih in stanje celotnega sistema. Rešitev povezuje različne sisteme in tako uporabnikom zagotavlja, da so upoštevane pomembne faze obravnave.

Slika 21: Alarmni gumb na RFID znački



Vloga radiofrekvenčne identifikacije

Princip RFID služi kot osnova sistema za določanje lokacije pacienta v realnem času. "Realen čas" je potrebno razumeti v časovnem intervalu oddajanja signala RFID značke. Nastavitev tega intervala je kompromis med želenim trajanjem baterije in ažuriranjem podatka o lokaciji pacienta v sistemu. Sistem določanja lokacije pacienta v realnem času za svoje delovanje potrebuje štiri ključne gradnike:

brezžično omrežje WiFi,

brezžične značke,

lokacijski strežnik,

ultrazvočne lokatorje.

Brezžično omrežje WiFi je tisto, ki omogoča zajemanje podatkov o lokaciji iz okolja. WiFi omrežje se prednostno uporablja za dostop obiskovalcev do svetovnega spleta ter dostop do omrežja za zaposlene, vendar je isto infrastrukturo možno uporabiti za vpeljavo RFID identifikacije. Brezžične dostopne točke imajo za vsako WiFi napravo v sistemu na voljo informacijo o prejeti moči radijskega signala. Infrastruktura z uporabo procesa triangulacije omogoča, da se na podlagi vrednosti prejete moči signala do posamezne naprave določi njena lokacija v prostoru. Minimalen pogoj za triangulacijo pa je, da je vsaka naprava vidna s strani vsaj treh dostopnih točk. Zato je pomembno, kako so v prostoru razporejene dostopne točke in kako se skozi prostor širi brezžični signal. Signal se namreč na poti skozi prostor atenuira ali celo odbije, kar povzroča slabljenje in interference. Zaradi teh dveh dejavnikov je v primeru napačne izbire lokacij dostopnih točk določanje lokacije lahko moteno in daje slabe, celo neuporabne rezultate. Brezžične značke so tisti del sistema, ki se giblje oz. čigar lokacijo pravzaprav spremljamo. Značka je zelo podobna klasični WiFi napravi, vendar pa se ne prijavi v omrežje in ne dobi svojega IP naslova. Zato z njo ni mogoče neposredno komunicirati ali dostopati do informacij na njej, še vedno pa je možno s pomočjo triangulacije določiti njeno lokacijo. Prav tako vsaka značka nosi identifikacijsko kodo, ki je enaka naslovu MAC njenega brezžičnega oddajnika. Značka je povezana s podatki o pacientu, zato lahko določimo, kje se pacient nahaja. Aktivne RFID značke imajo lasten vir napajanja in konstantno oddajajo signal, pacienti pa jih ves čas obravnave nosijo na sebi. Aktivne RFID značke za komunikacijo uporablja obstoječe ali novo zgrajeno omrežje WiFi, ki za komunikacijo uporablja javni 2,4 GHz ISM frekvenčni prostor. Lokacijski strežnik zbira iz WiFi omrežja pridobljene podatke in izvaja prostorske kalkulacije. Na ta način ugotavlja gibanje značk v prostoru in omogoča grafični prikaz lokacij značk na tlorisu stavbe. Prav tako hrani zgodovino gibanja in omogoča izris poti, ki jo je prepotovala določena značka. Širjenje radijskega signala je močno odvisno od fizikalnih značilnosti prostora, predvsem od pozicij zidov in drugih ovir, zato je za solidno natančnost določanja lokacije potrebno lokacijski strežnik "naučiti", kako se radijski signal obnaša v prostoru. V ta namen se posname realno stanje širjenja signala v prostoru, lokacijski strežnik pa ga pri računanju triangulacije uporablja za referenco. Določanje pozicije v prostoru zgolj na podlagi signala WiFi samo po



sebi ne prinaša dovolj visoke natančnosti, da bi lahko eksplicitno določili, v katerem prostoru se subjekt/objekt nahaja. Bistvena lastnost radio-frekvenčnega valovanja namreč je, da se širi skozi trdno snov, kar pomeni, da prehaja tudi skozi stene in vrata. Ko želimo določati lokacijo značke v majhnih prostorih, je dostopne točke potrebno kombinirati z drugo tehnologijo, ki deluje na frekvencah, katerih valovanje se ne širi skozi stene in vrata. To je mogoče doseči z uporabo ultrazvočnih lokatorjev. Ti za določanje lokacije uporabljajo nizke frekvence, njihove propagacijske lastnosti pa omogočajo, da signal ostaja v prostoru. Ker imajo značke vgrajen tudi ultrazvočni sprejemnik, lahko komunicirajo z lokatorjem. Lokator z ultrazvočnim signalom lahko vzbudi značko, značka pa sporoči, kateri lokator jo je vzbudil. Na ta način je prostor enoznačno določen. Z uporabo omenjene kombinacije je mogoče točno določiti, v katerem prostoru se subjekt/objekt nahaja (Grabljevec et al., 2012). Povezave med elementi sistema določanje lokacije pacienta v realnem času na IPP prikazuje Slika 22.

Vzpodbujevalec

Vzpodbujevalec

ET strežnik

Lokacijski

strežnik

WiFi omrežje

RFID značka

(WiFi + UZ)

ET

Slika 22: Elementi sistema določanje lokacije pacienta v realnem času na IPP

Za zaposlene smo organizirali učne delavnice o uporabi ET ter napisali priročnik, ki so ga prejeli zaposleni. Dosegljiv je tudi na intranetu. Priročnik vsebuje opis



delovanja sistema ET, navodila za uporabo ter določa naloge posameznih profilov zaposlenih na IPP v zvezi z uporabo ET. Kazalniki kakovosti

Z razvojem in implementacijo ET smo po eni strani izdelali informacijsko podporo za pomoč pri vsakodnevnem delu s pacienti na IPP in po drugi podatkovno strukturo za izdelavo simulacijskega modela ter spremljanje kazalnikov kakovosti, saj se do uvedbe ET v informacijski sistem ni zapisovalo določenih časov, ki so potrebni za izdelavo simulacijskega modela in kazalnikov kakovosti.

Kazalniki kakovosti, specifični za posamezen bolnišnični oddelek/dejavnost, so vse bolj pomembni. V prvi vrsti zato, ker so s pravilno uporabo močan spodbujevalec za izboljševanje sistema, poleg tega je razvoj specifičnih kazalnikov in z njihovo pomočjo tudi stalno izboljševanje kakovosti eden od strateških ciljev UKCL ter nenazadnje tudi zahteva mednarodne akreditacije. Pri izdelavi nabora kazalnikov kakovosti za IPP smo se zgledovali po britanskem javnem zdravstvenem sistemu (Department of Health, 2015), da bi lahko IPP v prihodnje svoje rezultate primerjal z njihovimi. Opis kazalnikov se nahaja v Prilogi B. Evalvacija uvedbe ET Zaposlene smo anketirali dvakrat in sicer pred uvedbo ET oktobra 2012 ter decembra 2013 po približno enomesečni uporabi ET. Anketiranci so odgovarjali, v kolikšni meri se strinjajo z v anketi navedenimi trditvami. Možni odgovori so bili: sploh se ne strinjam (1), se ne strinjam (2), niti se strinjam niti se ne strinjam (3), strinjam se (4) in zelo se strinjam (5). V oklepaju so številčni ekvivalenti odgovorov, ki smo jih uporabljali pri računanju povprečnih vrednosti. Oba vprašalnika sta imela šest enakih trditev, ki so operacionalizirale pojem "percepcija trenutne situacije", ki je prva stopnja v drugem poglavju predstavljenega modela situacijskega zavedanja (parne spremenljivke). Anketa ni bila anonimna zaradi nujnosti simetričnosti vzorca pri statističnem preverjanju razlik povprečnih vrednosti parnih spremenljivk. Vprašalnik iz decembra 2013 je imel še dodatnih šest trditev v zvezi z ET ter možnost vnosa prostega besedila. Skupno je v raziskavi sodelovalo 43 zaposlenih, kar predstavlja večino stalno zaposlenih na IPP. Izključili smo tiste, ki so bili že dlje časa odsotni z delovnega mesta (dolgotrajna bolniška ali porodniški dopust). 39 (90,7 %) je izpolnilo vprašalnik pred uvedbo ET (oktobra 2012), 21 (48,8 %) po uvedbi ET (decembra 2013), oba vprašalnika 17 (39,6 %). Strukturo anketirancev glede na poklic in spol prikazuje Tabela 5, glede na delovno dobo na IPP pa Tabela 6.



vsi, ki so izpolnili vpraš. okt. 2012

vsi, ki so izpolnili vpraš.

dec. 2013

vsi, ki so izpolnili oba vprašalnika

vsi anketiranci

N % N % N % N %

Poklic administrator 5 12,7 2 9,5 1 5,9 6 14,0

bolničar 6 15,4 4 19,0 4 23,5 6 14,0

diplomirana medicinska sestra/diplomirani zdravstvenik

14 35,9 9 42,9 8 47,1 15 34,9

zdravnik 2 5,1 0 0,0 0 0,0 2 4,6

višja medicinska sestra

1 2,6 1 4,8 1 5,9 1 2,3

višji upravni delavec

1 2,6 0 0,0 0 0,0 1 2,3

zdravstveni tehnik 9 23,1 4 19,0 3 17,6 10 23,3

brez odgovora 1 2,6 1 4,8 0 0,0 2 4,6

Skupaj - N (%)) 39 (100) 21 (100,0 ) 17 (100,0 ) 43 (100,0 )

Spol

moški 5 12,8 1 4,75 1 5,9 5 11,6

ženski 33 84,6 % 19 90,5 16 94,1 36 83,7

brez odgovora 1 2,6 1 4,75 0 0,0 2 4,7

Skupaj - N (% ) 39 (100) 21 (100,0 ) 17 (100,0 ) 43 (100,0 )

N – število, % - delež v %

Tabela 5: Struktura anketirancev po spolu in poklicu

Skupina udeležencev


okt. 2012


dec. 2013

vsi, ki so izpolnili oba vprašalnika

vsi anketiranci

Delovna doba v letih na IPP

(okt. 2012)

št. veljavnih odg.

38 20 17 41

povprečje 9,9 12,1 12,9 9,8

standardni odklon

8,95 10,25 10,69 8,77

mediana 7,0 8,5 9,0 7,0

minimum 0 0 0 0

maksimum 32 32 32 32

Tabela 6: Struktura anketirancev po delovni dobi



Za statistično testiranje razlik med povprečnimi vrednostmi parnih spremenljivk smo zaradi majhnosti vzorca in nenormalne porazdellitve odgovorov uporabili Wilcoxonov neparametrični test. Rezultate v zvezi s parnimi spremenljivkami prikazuje Tabela 7.

N M SD N M SD Z p

Imam ustrezen pregled nad delovno situacijo v okviru svojega delovišča.

pred ET 39 3,49 1,05 17 3,65 0,79 - 1,15

0,25

po ET 21 3,29 1,10 17 3,24 1,15

Imam ustrezen pregled nad delovno situacijo na celotnem IPP.

pred ET 39 2,77 1,16 17 3,24 0,97 - 0,54 0,59

po ET 21 3,14 1,06 17 3,00 1,12

Imam ustrezen pregled nad nujnostjo obravnave pri pacientih.

pred ET 39 3,33 1,08 17 3,47 0,87 - 0,37

0,71 po ET 21 3,48 1,03 17 3,35 1,11

Imam ustrezen pregled nad planiranimi in izvajanimi preiskavami in posegi pri pacientih.

pred ET 39 2,95 1,05 17 2,88 0,93

- 0,55 0,58 po ET 21 3,14 0,91 17 3,06 0,97

Imam ustrezen pregled nad tem, kateri tim skrbi za posameznega pacienta.

pred ET 37 3,16 1,14 16 3,38 0,96 - 0,36

0,72

po ET 21 3,38 0,80 16 3,44 0,81

Imam ustrezen pregled nad zasedenostjo IPP.

pred ET 39 3,10 1,21 17 3,12 0,93 - 0,16 0,87

po ET 21 3,24 1,14 17 3,12 1,22

N – število odgovorov, M – povprečje, SD – standardni odklon, Z – Z vrednost Wilcoxonovega testa,

p – stat. značilnost

Tabela 7: Rezultati za parne spremenljivke

Zaposleni so se po uvedbi ET nekoliko bolj strinjali s trditvijo, da imajo ustrezen pregled nad planiranimi in izvajanimi preiskavami in posegi pri pacientih kot pred uvedbo ET, vendar razlika ni statistično značilna. Po uvedbi ET so se v povprečju tudi bolj strinjali s trditvijo, da imajo ustrezen pregled nad tem, kateri tim skrbi za posameznega pacienta kot pred uvedbo ET, vendar tudi v tem primeru nismo ugotovili statistično značilne razlike. Strinjanje o ustreznosti pregleda nad zasedenostjo IPP se med merjenjema ni spremenilo, v obeh primerih je povprečje 3,12. Pri preostalih treh trditvah ("Imam ustrezen pregled nad delovno situacijo v okviru svojega delovišča", "Imam ustrezen pregled nad delovno situacijo na celotnem IPP" in "Imam ustrezen pregled nad nujnostjo obravnave pri pacientih") pa je bilo glede na povprečno vrednost stanje pred uvedbo ET celo boljše kot po uvedbi ET, nismo pa pri nobeni trditvi ugotovili statistično pomembnih razlik (p > 0,05). Tako je Wilcoxonov test pokazal, da za nobeno od trditev, ki so navedene v Tabeli 7, ne moremo s 95-odstotno stopnjo zaupanja trditi, da se je njena vrednost izboljšala ali poslabšala po uvedbi elektronske table.



Rezultate odgovorov na dodatne trditve iz ankete po uvedbi ET prikazuje Tabela 8.

Trditve Odgovori - N (%)

Sploh se ne

strinjam. Se ne

strinjam.

Niti se strinjam niti se ne strinjam.

Strinjam se.

Zelo se strinjam. N M SD

Informacije na ET mi koristijo pri delu.

0 (0) 4 (19) 10 (47,6) 5 (23,8) 2 (9,5) 21 3,24 0,89

Informacije na ET so razumljive.

0 (0) 1 (4,8) 7 (33,3) 11 (52,4) 2 (9,5) 21 3,67 0,73

Uporaba ET je enostavna.

0 (0) 1 (4,8) 7 (33,3) 11 (52,4) 2 (9,5) 21 3,67 0,73

Še kar nekaj časa bo potrebno, da bo ET dosegla svoj namen.

0 (0) 0 (0) 4 (19) 10 (47,6) 7 (33,3) 21 4,14 0,73

Prek ET se preprosto pride do informacij.

0 (0) 1 (4,8) 8 (38,1) 10 (47,6) 2 (9,5) 21 3,62 0,74

Pogrešam določene podatke na ET.

0 (0) 2 (10) 11 (55) 5 (25) 2 (10) 20 3,35 0,81

N – število odgovorov, delež v % , M – povprečje, SD – standardni odklon

Tabela 8: Rezultati odgovorov na dodatne trditve iz ankete po uvedbi ET

Najpomembnejše ugotovitve analize prostega besedila so:

Kadar vse točke sistema ET delujejo kot je zamišljeno in dogovorjeno, je ET, ki je namenjena zaposlenim, učinkovit pripomoček za delo po vseh elementih, ki so vključeni v koncept.

ET za paciente med čakajočimi pogosto povzroči nejevoljo, saj je na ET naveden dolg čakalni čas, spreminja se vrstni reda zaradi spreminjajočih se prioritet med čakajočimi pacienti.

Največja problema sta neredno in nepopolno vnašanje podatkov in pogoste tehnične okvare.

Veliko pacientov težje dojame namen nameščanja RFID značke in način uporabe gumba za klic na pomoč.

Zaposleni največkrat pogledajo na ET, ker jih zanima:



o vrstni red čakajočih pacientov,

o število pacientov v obravnavi,

o lokacija pacienta (npr. ko svojci iščejo pacienta),

o katera ambulanta obravnava določenega pacienta,

o ali so pri pacientu že na voljo laboratorijski ali radiološki izvidi.

Zgoraj navedene ugotovitve iz odgovorov zaposlenih so se ujemale z ugotovitvami neposrednega opazovanja avtorja disertacije.

Pokazalo se je, da je zelo težko nastaviti časovne meje za sprožitev opozoril na zamude pri ET, ki je namenjena zaposlenim. Tako je npr. čas čakanja na vstop v ambulanto pogosto zelo močno presegel normative manchasterskega triažnega sistema in se je kljub močno podaljšanim časovnim intervalom za sprožitev opozorila le-to pogosto pojavilo pri skoraj vseh čakajočih. Na taka opozorila potem zaposleni sploh ne reagirajo več, ker jih imajo za "naravno stanje sistema".



7 SIMULACIJSKI MODEL URGENTNEGA ODDELKA Vsak model je bolj ali manj groba abstrakcija realnega stanja. Simulacijsko modeliranje v veliki meri temelji na ciljih, ki jih želimo doseči, pa tudi na izkušnjah in občutkih raziskovalca, saj ni eksaktnih metodoloških navodil. Pri modeliranju UO so avtorji navajali, da je v primeru UO predvsem zelo težko modelirati kompleksnost številnih diagnostično-terapevtskih postopkov (Fletcher et al., 2007). Analiza procesa dela na IPP je pokazala, da to zelo drži tudi za IPP. Zato smo se odločili za strukturo modela, ki zajema le bistvene podprocese, v skladu s strukturo vnosa podatkov za namen ET. S tem se je naš model po strukturi in logiki delovanja zelo približal generičnemu modelu, ki ga je razvil Fletcher s sodelavci (Fletcher et al., 2007). Druga težava je variabilnost kadrov v smislu števila in strukture. UKCL je univerzitetna, učna bolnišnica in zato je to še toliko bolj izrazito. Zaradi slednjega smo se odločili, da ne bomo simulirali procesov s trajanjem zasedenosti posameznih resursov, kot so npr. zdravniki, medicinske sestre, bolničarke, kurirji idr., ker določena opravila opravijo različni kadri, tudi tisti, ki so na IPP le prehodno in zelo variabilno, kot so npr. študenti in dijaki, ampak le s pomočjo časovnih distribucij glavnih podprocesov. Glede na to, da so zaposleni pri izboljšavah pogosto poudarjali zadeve v zvezi s triažno ambulanto in vlogo konzultanta, kar bi bilo tudi uresničljivo, ker je to povsem v pristojnosti samega IPP, je bil največji motiv izdelava simulacijskega modela, ki bo omogočal scenarije v zvezi s tem predlogom. Ocenili smo, da je za ta namen najprimernejša metoda DES v kombinaciji z AB za modeliranje delovanja konzultanta. Slika 23 prikazuje idejo integracije ET, zajema podatkov v realnem času ter simulacijskega modela. Stanje v realnem sistemu spremljamo s pomočjo ET, ki nam posreduje npr. podatke o lokaciji pacientov. Tako je moč pridobiti podatke o časih vstopa v čakalnico ter časih izstopa ter določiti dolžino vrste. Podatki so zajeti in izpisani na ET, ki nam predstavlja opredelitev realnega stanja. Paralelno z realnim stanjem izvajamo simulacijo na simulacijskem modelu. Primerjava rezultatov modela in realnega stanja nam omogoči, da korigiramo simulacijski model oz. v realnem času upoštevamo vhodne podatke, kar doprinese k višji točnosti pridobljenih rezultatov simulacije.



Slika 23: Integracije ET, zajema podatkov v realnem času ter simulacijskega

modela

7.1 Opis procesa Poenostavljen prikaz obravnave pacientov na IPP je shematično prikazan v Prilogi C. Pacient ali njegov spremljevalec ob prihodu na IPP pozvoni na zvonec pri sprejemnem okencu in s tem opozori na svoj prihod. Glede prihoda življenjsko ogroženih pacientov pa je osebje obveščeno vnaprej s strani reševalcev. Ti pacienti so nemudoma obravnavani v eni od ambulant in se registracija izvrši naknadno. Administratorka vpiše pacientove podatke v BIS. Vrste pred registracijskim pultom skorajda nikoli ni, ker pacienti ne prihajajo tako pogosto oz. skupinsko in ker je postopek registracije hitro izvršen. Pacienta nato triažna medicinska sestra pospremi v triažno ambulanto. Z uvedbo RFID sistema je čas, ko je pacient v triažni ambulanti, izračunan in zabeležen v BIS avtomatsko, saj RFID sistem zazna prihod pacienta v triažno ambulanto in odhod iz nje. Čas čakanja na triažo je časovna razlika med vstopom pacienta v triažno ambulanto in časom prihoda pacienta na IPP, ki je ob registraciji zapisan v BIS. Prej se ta čas ni beležil. Triažna medicinska sestra določi nujnost obravnave po manchasterskem triažnem sistemu, ki so ga na IPP pričeli uvajati v času začetka projekta izdelave ET. Pacienti so nato napoteni na čakanje v čakalnico na hodniku ali, če potrebujejo opazovanje, v eno od opazovalnic.



Pričelo se je uvajati prakso, da triažna medicinska sestra po posvetu z zdravnikom, sploh če je število čakajočih na ambulantni pregled visoko, že v triažni ambulanti odvzame kri za laboratorijski pregled, kakšnega pacienta pa se pošlje tudi že iz triažne ambulante takoj na radiološko preiskavo. Pacienti so klicani na obravnavo v eno od treh ambulant (Slika 24) po prioriteti glede resnosti zdravstvenega stanja in glede na čas prihoda. Tim sestavljajo zdravnik, diplomirana medicinska sestra in administratorka, v delo pa se vključujejo še zdravstveni tehniki, spremljevalci pacientov in kurirke. V ambulanti zdravnik klinično pregleda pacienta, vzame anamnezo, preuči spremno dokumentacijo in naredi načrt zdravljenja. Nato odredi diagnostično-terapevtske postopke. Večini pacientov se odvzame kri za laboratorijske preiskave.

Slika 24: Tloris IPP Najprej smo za izračun in beleženje v BIS trajanja obravnave pacienta v ambulanti uporabili podatke RFID sistema. Pokazalo se je, da zaradi prostorske stiske v ambulanti ali notranjem hodniku nekaterim pacientom, ki še niso prišli na vrsto za pregled v ambulanti, posnamejo EKG; RFID sistem je to interpretiral kot prihod pacienta v ambulanto za pričetek obravnave pri zdravniku, čeprav temu ni bilo tako. Druga težava je bila, da je RFID sistem pacienta, ki je čakal na hodniku v bližini vrat katere od ambulant, včasih ob odpiranju vrat pomotoma premestil v ambulanto. Vnos datuma in časa prihoda in odhoda pacienta iz ambulante je tako moral ostati ročen. Smo pa poenostavili način vnosa teh podatkov tako, da se je trenuten datum/čas zapisal v vnosno polje že samo s klikom v vnosno polje. Vnosni polji za prihod pacienta (datum/ura) sta že bili v BIS, za beleženje odhoda iz ambulante pa smo ju izdelali na novo. Po končani obravnavi v ambulanti, so pacienti napoteni na čakanje na hodnik, bolj prizadeti pacienti pa v eno od dveh opazovalnic, kjer so pod stalnim nadzorom. Od tu gre pacient na preiskavo/intervencijo. Pacienti, ki se vrnejo s preiskave, prav tako počakajo v opazovalnici ali čakalnici na izvide oz. nadaljnjo obravnavo. Nekateri pacienti so po pregledu v ambulanti poslani na eno od radioloških preiskav. Teh preiskav je kar nekaj vrst in se izvajajo na različnih lokacijah v UKCL. Zanimalo nas je, ali bi se dalo izračunati in zapisati v BIS trajanje naslednjih aktivnosti na osnovi podatkov RFID sledenja in podatkov v zvezi z radiološkimi preiskavami v BIS: čas čakanja na transport na/z radiološke preiskave, čas transporta na/z radiološke preiskave in čas čakanja na izvedbo preiskave. Razvili smo psevdokod algoritma za ta namen: ˝



1. Inicializacija spremenljivk:

N = čas naročila preiskave,

S = čas začetka preiskave,

F = čas zaključka preiskave,

L = {L1, L2,..., Ln} − naraščajoči niz časovnih zaznamkov nahajanja pacienta pri lokatorju v bližini lokacije, kjer se izvede naročena preiskava,

M = {M1, M2,..., Mn} − naraščajoči niz časovnih zaznamkov nahajanja pacienta pri lokatorjih na izhodu IPP,

min (L < S) = element niza L, ki je najmanj manjši od S,

min ((M < min (L < S)) = element niza M, ki je najmanj manjši od min (L < S),

min (M > F) = element niza M, ki je najmanj večji od F,

min ((L < min (M > F)) = element niza L, ki je najmanj manjši od min (M > F),

WTna = čakanje na transport na preiskavo,

TDna = trajanje transporta na preiskavo,

WS = čakanje na pričetek preiskave,

WTz = čakanje na transport s preiskave,

TDz = trajanje transporta s preiskave. 2. Zaženi program po vpisu zaključka obravnave na IPP. 3. Ponavljaj za vsako naročeno preiskavo od 4. do 8. 4. Poišči min (L < S): iteriraj pogoj Li < S od zadnjega elementa L navzdol; prvi element v L, ki je manjši od S, je min (L < S). 5. Poišči min ((M < min (L < S)): iteriraj pogoj Mi < min (L < S) od zadnjega elementa M navzdol; prvi element v M, ki je manjši od min (L < S), je min ((M < min (L < S)). 6. Poišči min (M > F): iteriraj pogoj Mi > F od prvega elementa M navzgor; prvi element v M, ki je večji od F, je min (M > F). 7. Poišči min ((L < min (M > F)): iteriraj pogoj Li < min (M > F) od zadnjega elementa L navzdol; prvi element v L, ki je manjši od min (M > F), je min ((L < min (M > F)). 8. Izračunaj in vpiši trajanje aktivnosti:

WTna = min ((M < min (L < S)) − N,

TDna = min (L < S) − min ((M < min (L/S)),

WS = S − min (L < S),

WTz = min ((L < min (M > F)) − F,

TDz = min (M > F) − min ((L < min (M > F)). 9. Zaključi program. Algoritem bi zahteval minimalno nadgradnjo RFID sledenja pacientov izven območja IPP, in sicer namestitev UZ lokatorjev na transportne poti v bližino lokacij, kjer se izvajajo radiološke preiskave. Zaradi naslednjih razlogov algoritma, ki bi temeljil na zgoraj zapisanem psevdokodu, nismo vkomponirali v BIS: IPP ne naroča vseh preiskav elektronsko, RFID sistema je bil nameščen le na območju IPP (dodan je bil le še UZ lokator v čakalnici za radiološke preiskave na "urgenci"), premalo sredstev za plačilo programskih ur za nadgradnjo BIS. Po mnenju programerjev, ki so sodelovali pri



razvoju ET, bi bila nadgradnja BIS z algoritmom možna. Prav tako smo v testnem obdobju videli, da so lokatorji na izhodih IPP in lokator na "urgenci" pravilno beležili pozicije testne osebe. Na osnovi tega lahko trdimo, da je podatke za čakanje na transport na preiskavo, trajanje transporta na preiskavo, čakanje na pričetek preiskave, čakanje na transport s preiskave, trajanje transporta s preiskave možno pridobiti z avtomatskim izračunom na osnovi podatkov RFID sledenja pacientov in podatkov, ki se v zvezi z radiološkimi preiskavami vnašajo v BIS. Po pridobljenih izvidih zdravnik eventualno odredi nadaljnje diagnostično-terapevtske postopke, po potrebi vključi v obravnavo specialista izven IPP. Po zaključku obravnave na IPP je pacient odpuščen v domačo oskrbo, sprejet v dnevno bolnišnico ali na katerega od oddelkov v UKCL, večinoma na Interni kliniki (IK), ko je na razpolago prosta postelja, ali pa premeščen v drugo bolnišnico. Žal se določene obravnave težko prizadetih pacientov zaključijo s smrtjo. Na novo smo definirali čas zaključka obravnave na IPP in čas odhoda pacienta ter temu ustrezno nadgradili vnosna polja. Čas zaključka obravnave na IPP je čas, ko pacient prejme izvid, če je napoten v domačo oskrbo, pri pacentu, ki bo hospitaliziran, pa čas, ko so bile s strani IPP opravljene predvidene storitve in se je za pacienta pričelo iskati prosto posteljo. V primeru slednjih je to pomembno, saj se šele tako lahko beleži v BIS čas čakanja na prosto posteljo; angleški izraz za ta čas, ki se uporablja v tuji literaturi, je "boarding time". Med posameznimi obravnavami pacientov zdravniki zaključujejo primere pacientov, za katere prispejo izvidi naročenih preiskav (laboratorijskih, radioloških itd.), izvdejo klice za prazne postelje po oddelkih itd. Posebno vlogo ima zdravnik konzultant, ki skrbi za paciente v t. i. dnevni bolnišnici (šest postelj za paciente, ki so največ za dan ali dva hospitalizirani kar na IPP, potem pa od tu odpuščeni ali premeščeni na katerega od oddelkov), nadzoruje in koordinira delo, svetuje in nadzoruje delo mlajših kolegov, razrešuje "ozka grla" ipd.

7.2 Izdelava računalniškega simulacijskega modela Ekspertna skupina je določila naslednjo logiko delovanja simulacijskega modela:

Pri prihodih pacientov se bo upoštevalo eksponentno distribucijo, deleže pacientov po posameznih triažnih skupinah, razlike v intenzivnosti prihodov po urah dneva in razlike v intenzivnosti prihodov med delovnimi dnevi in vikendi (sobota, nedelja).

Rdeča skupina pacientov, ki zahteva takojšnjo obravnavo, bo modelirana posebej z le dvema časovnima zakasnitvama – čas v ambulanti in čas od zaključka ambulantne obravnave do odpusta, saj pri teh pacientih postopki potekajo prednostno.

V primeru prihoda pacienta iz rdeče triažne skupine se bo simuliralo 10-minuten zastoj delovanja dela sistema, ki ni vezan na oskrbo tega pacienta.

Pri ostalih pacientih se bo upoštevalo zakasnitve: vnos pacientovih podatkov v informacijski sistem ob njegovem prihodu (registracija),



triažiranje, čakanje na pregled v ambulanti, transport vzorca krvi v laboratorij, trajanje laboratorijske preiskave, transport na slikovno diagnostiko, trajanje slikovne diagnostike, čakanje na izvid slikovne diagnostike, trajanje postopkov po prejetih izvidih, vse do odpusta.

Kri za laboratorijske preiskave se odvzame 90 % pacientov.

Od zgoraj navedenega deleža pacientov se na slikovno diagnostiko pošlje 50 % pacientov in vsem tem je predhodno vzeta kri za laboratorijske preiskave.

Če ni čakajočih pacientov za vstop v ambulanto, se triažiranje izpusti. Opisana logika za zakasnitve pri oskrbi pacientov, ki ne potrebujejo takojšnje oskrbe, je bila vodilo pri izdelavi podatkovne strukture za ET, ki je namenjena za podporo pri vsakdanjemu delu s pacienti in kot vir podatkov za namen simulacijskega modeliranja. Intenzivnosti prihodov na IPP se razlikujejo glede na uro prihoda v dnevu (Slika 25), manj sprejemov je med vikendi (Slika 26). Več sprejemov je v jesensko-zimskem času (Slika 27) zaradi povečanega števila respiratornih obolenj in posledičnega poslabšanja zdravstvenega stanja kroničnih pacientov v tem obdobju, ki morajo zato poiskati pomoč na IPP.

Zanimivo je, da je časovna funkcija intenzivnosti prihodov pacientov po urah na IPP zelo podobna časovnim funkcijam, ki jih navajajo tuji avtorji − Sinreich in Marmor (2004), Komashie in Mousavi (2005). Očitno obstaja v zvezi s tem zakonitost, neodvisna od časa in kraja izvedbe raziskave.

Na IPP je triažiranje pacientov po manchasterskem triažnem sistemu še v razvoju. Nekateri pacienti še ne pridobijo te oznake, saj zaradi pomanjkanja medicinskih sester in administrativnega osebja triažna ambulanta ne deluje vedno, predvsem med vikendi in v nočnem času. Prav tako se triažiranje ne izvede, če gre lahko pacient po prihodu takoj v ambulanto, ker ni čakajočih pacientov. Na osnovi dostopnih podatkov smo za namen izgradnje simulacijskega modela vzeli deleže pacientov, ki so prikazani v Tabeli 9. Delež zelenih (neurgentnih) smo zaradi zelo nizke vrednosti izpustili. Zaradi trenutno še zelo velike količine manjkajočih in nedoslednih vnosov v na osnovi ET nadgrajenega informacijskega sistema in zaradi omejitve sledenja pacientov le na območju IPP ni bilo možno določiti natančnih verjetnostnih porazdelitev trajanja posameznih aktivnosti. Trenutne podatke smo obravnavali le kot orientacijske, trajanje procesov smo določili s pomočjo trikotniških porazdelitvenih funkcij in njihove parametre kalibrirali s pomočjo računalniškega simulacijskega programa.



0,0

1,0

2,0

3,0

4,0

5,0

6,0

7,0

8,0

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Ura dneva

Po

vp

rečn

o š

tevil

o p

rih

od

ov

2012

2013

Slika 25: Intenzivnost prihodov pacientov na IPP po urah

0

5

10

15

20

25

30

35

40

45

50

55

60

65

70

75

80

pon tor sre čet pet sob ned

Dan v tednu

Po

vp

rečn

o š

tevil

o p

rih

od

ov

2010

2011

2012

Slika 26: Intenzivnost prihodov pacientov na IPP po dnevih



1700

1750

1800

1850

1900

1950

2000

2050

2100

2150

2200

jan feb mar apr maj jun jul avg sep okt nov dec

Mesec

Šte

vil

o p

rih

od

ov

2010

2011

2012

Slika 27: Intenzivnost prihodov pacientov na IPP po mesecih

Triažna skupina Delež

rdeči (takojšnja oskrba) 0,044

oranžni (zelo nujen) 0,116

rumeni (nujen) 0,817

zeleni (standarden) 0,022

modri (neurgenten) 0,001

Tabela 9: Delež pacientov po triažnih skupinah

Za izdelavo računalniškega simulacijskega modela IPP smo izbrali univerzitetno verzijo računalniškega programa AnyLogic 6.9 (AL) (The AnyLogic Company, 2016). Za ta program smo se odločili predvsem zato, ker je zelo fleksibilen zaradi možnosti kombinirane uporabe različnih simulacijskih paradigem, omogoča izgradnjo večkratno uporabljivih gradnikov modela in animacijo na osnovi tlorisa prostorov, kjer se gibljejo entitete (Slika 28), veliko je možnosti eksperimentiranja na modelu (kalibracija, optimizacija, občutljivostna analiza idr.), možnosti za izgradnjo uporabniku prijaznega grafičnega vmesnika (Slika 29) in prikaz statistik (Slika 30). Program temelji na programskem jeziku Java. Slika 31 prikazuje zapis kode v programskem jeziku Java, ki generira novo instanco entitete pacient.



Slika 28: Animacija simulacijskega modela Internistične prve pomoči

Slika 29: Grafični vmesnik za spreminjanje parametrov modela IPP



Slika 30: Prikaz statistike v modelu IPP

// generira novo instanco

Pacient pacient = new Pacient();

// dodeli stopnjo ogrozenosti = triazna skupina

pacient.ogrozenost = (int)ogrozenostDistribucija.get();

// v histogram dodaja stevilo pacientov glede na ogrozenost

ogrozenost_HD.add(pacient.ogrozenost);

// dodeli potrebo po laboratoriju

if (pacient.ogrozenost !=1) {

pacient.rabiLab = randomTrue (0.9);

}

// dodeli potrebo po rentgenu

if (pacient.rabiLab == true) {

pacient.rabiRtg = randomTrue (0.5);

}

// zabelezi cas prihoda pacienta

pacient.casPrihoda = time();

// dodeli prioriteto

pacient.priority = - pacient.ogrozenost;

// lab in rtg

pacient.lab = false;

pacient.rtg = false;

Slika 31: V Javi zapisana koda funkcije, ki generira entiteto pacient



Za naš namen smo kot najprimernejšo metodo izbrali metodo t. i. mrežnega modeliranja (ang. "network based modeling") in uporabo objektov iz knjižnice Enterprise Library. Slika 32 prikazuje mrežo, ki smo jo zgradili na tlorisu tistega dela, kjer se nahaja IPP in kjer se odvija večina najpomembnejših procesov. Po njej se pomikajo entitete.

Slika 32: Mrežna struktura simulacijskega modela

Za osnovno časovno enoto simulacijskega modela smo izbrali minuto. Model omogoča preverjanje učinkov delovanja s strani zaposlenih predlaganega prenovljenega procesa (Priloga D). V Prilogi E je prikazana logika delovanja modela IPP, ki smo ga izdelali s programom AL. Kljub temu, da naš model simulira poenostavljen prikaz procesa na IPP, je nastal precej kompleksen računalniški model. Predvsem na račun logike želenih eksperimentov, ki smo jih nameravali izvesti. Pokazalo se je, da modeliranje UO po paradigmi DES kmalu pokaže svoje omejitve. Tako smo za eksperimentiranje delovanja konzultanta DES kombinirali z AB. Uporabili smo diagram stanj (ang. "statechart"), ki uporablja logiko prehodov v različna stanja ob sprožilcih, ki so lahko izpolnitev pogoja, časovna zakasnitev ali prejem sporočila. Diagram stanja za delovanje konzultanta prikazuje Slika 33. V modelu smo predvideli, da ko konzultant pride v stanje delovanja v dnevni bolnišnici, v tem stanju ostane najmanj 15 minut.



Slika 33: Diagram stanj za delovanje konzultanta

Verifikacija in validacija modela

V okviru verifikacije smo preverili, da model deluje v skladu s postavljenim konceptom in da dovolj dobro posnema bistvene procese. Pri tem je bilo v pomoč podrobno poznavanje delovanja sistema nekaterih članov ekspertne skupine. Pri preverjanju in popravljanju kode smo uporabljali "razhroščevalno" orodje, ki je del programa AL. Napake smo odkrivali še s spremljanjem delovanja modela prek grafične ponazoritve logike delovanja modela in pripadajočih števcev, s pomočjo izpisa statističnih rezultatov in opazovanjem animacije. S pomočjo regulatorjev parametrov smo ustvarjali ekstremne vrednosti in opazovali, kako se to odraža na delovanju sistema. Tako je npr. pri trikratnem povečanju števila prihodov model prikazal "blokado" sistema, kar je bilo v skladu z našimi pričakovanji (Slika 34). Izhodne podatke modela smo validirali s t-testom. Ugotavljali smo razliko povprečnih vrednosti časa čakanja na pregled v ambulanti, časa od prihoda do odpusta in število prispelih pacientov med podatki desetih tednov realnega sistema z vrednostmi desetih tedenskih simulacijskih tekov modela (Tabela 10). Na stopnji zaupanja 95 % nismo ugotovili statistično pomembne razlike v povprečnih vrednostih med modelom in realnim sistemom (Tabela 11).



Slika 34: Posnetek animacije simulacijskega teka s trikratnim povečanjem števila

prihodov pacientov in posledično "blokiranje" delovanja IPP

Podatek iz realnega sistema ali simulacijskega modela

N Povprečje SD Povprečje napake SD

Čakanje na pregled v amb.

realen sistem 10 91,1000 10,78528 3,41060

simulacija 10 86,4000 16,97842 5,36905

Čas na IPP realen sistem 10 399,1000 15,27853 4,83149

simulacija 10 411,5000 18,17966 5,74891

Število pacientov

realen sistem 10 419,0000 16,37071 5,17687

simulacija 10 423,4000 28,19062 8,91466

Tabela 10: Validacija modela – povprečne vrednosti in standardna deviacija



Tabela 11: Validacija modela s t-testom

7.3 Eksperimentiranje na modelu Pri eksperimentiranju smo namesto ogrevalnega obdobja uporabljali pričetek simulacijskega teka ob osmih zjutraj, ko je v realnem sistemu običajno zelo malo pacientov. Število potrebnih simulacijskih tekov smo določili s pomočjo metode intervala zaupanja (Robinson, 2004). Odločili smo se za deset ponovitev pri vsakem eksperimentu. Pri tem številu ponovitev so meje intervala 95-% stopnje zaupanja odstopale od kumulative povprečij povprečne vrednosti časa oskrbe manj kot 2 %, kar smo ocenili kot zadovoljivo za naš namen (Tabela 12 in Slika 35). Simulacijski teki so posnemali dogajanje 14 dni. Izračunali smo, da je konvergenca simulacijskih tekov po enačbi 3 po 14 dneh stalno nižja od 3 %, kar je dovolj nizka vrednost (Robinson, 2004). Ci = [Max(Yi1, Yi2, Yi3) − Min (Yi1, Yi2, Yi3)] / Min (Yi1, Yi2, Yi3) (3) Kjer je: Ci = konvergenca pri i-ti periodi Yij = kumulativa povprečij izhodnih podatkov pri i-ti periodi



Sim. tek Rezultat

Kumulativa povprečij

povprečnih izhodnih vrednosti

Standardna deviacija

Spodnji interval

Zgornji interval

Procent odstopanja

1 417 417,00 - - - -

2 423 420,00 4,243 381,88 458,12 9,08

3 430 423,33 6,506 407,17 439,50 3,82

4 425 423,75 5,377 415,19 432,31 2,02

5 411 421,20 7,362 412,06 430,34 2,17

6 399 417,50 11,203 405,74 429,26 2,82

7 400 415,00 12,179 403,74 426,26 2,71

8 414 414,88 11,281 405,44 424,31 2,27

9 412 414,56 10,596 406,41 422,70 1,96

10 427 415,80 10,737 408,12 423,48 1,85

11 421 416,27 10,306 409,35 423,20 1,66

12 408 415,58 10,113 409,16 422,01 1,55

13 425 416,31 10,028 410,25 422,37 1,46

14 393 414,64 11,473 408,02 421,27 1,60

15 440 416,33 12,849 409,22 423,45 1,71

16 392 414,81 13,824 407,45 422,18 1,78

17 434 415,94 14,171 408,66 423,23 1,75

18 412 415,72 13,779 408,87 422,57 1,65

19 400 414,89 13,868 408,21 421,58 1,61

20 407 414,50 13,613 408,13 420,87 1,54

Tabela 12: Določitev števila ponovitev – rezultati

400

405

410

415

420

425

430

435

440

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39

Število ponovitev

Po

vpre

čje

op

azo

van

ega

par

amet

ra

x_prečno Xp-CI Xp+CI

Slika 35: Določitev števila ponovitev



Simulacijski scenariji Pri eksperimentiranju na modelu so nam bili vodilo predlogi za izboljšave, ki so jih zaposleni zapisali v okviru anketiranja pred začetkom razvoja ET (Priloga A). Zanimal nas je vpliv pošiljanja pacientov na slikovno diagnostiko takoj po triažiranju, odvzema krvi za laboratorijske preiskave v triažni ambulanti, vključevanja konzultanta v obravnavo pacientov, ki se vrnejo s slikovne diagnostike, in delovanja tretje ambulante med delovniki tudi v nočnem času na čas oskrbe na IPP, na čas čakanja na ambulantni pregled in na izkoristek ambulant. Scenarij 1: Napotitev pacienta na slikovno diagnostiko po triažiranju Na modelu smo želeli preveriti, ali lahko skrajšamo čas obravnave pacientov, če bi triažna medicinska sestra (TMS) paciente po zaključku triaže napotila na slikovno diagnostiko, namesto da se priključijo čakanju na vstop v ambulanto. Pacientom bi TMS tudi že odvzela kri za laboratorijske preiskave. TMS bi se glede tega posvetovala s konzultantom ali pa bi se uporabljalo standardizirane protokole in bi bil posvet potreben le občasno. Domnevamo, da bi tak pristop podaljšal čas triažiranja, zato smo pri tem scenariju čas triažiranja glede na scenarij, ki posnema zdajšen način delovanja (osnovni scenarij), povečali za 30 %. Pri eksperimentiranju smo spreminjali število čakajočih pred ambulantami kot pogoj za pričetek odvzema krvi za laboratorijske preiskave v triažni ambulanti in pošiljanje določenega deleža pacientov na slikovno diagnostiko. Delež pacientov, ki bi se jih napotilo na slikovno diagnostiko po triažiranju, smo spreminjali od 0,3 do 0,5 z razmaki po 0,1. Pri vsakem deležu smo v razponu od ena do šest spreminjali število čakajočih na ambulantni pregled kot pogoj za pričetek pošiljanja pacientov na slikovno diagnostiko po triaži in odvzem krvi za laboratorijske preiskave v triažni ambulanti. Tako smo dobili 18 kombinacij scenarija 1, za vsako smo izvedli 10 simulacijskih tekov. Scenarij 2: Vključevanje konzultanta Za scenarij 2 velja enak opis kot pri scenariju 1 s to razliko, da konzultant namesto ambulantnega zdravnika (pod pogojem, da najmanj en pacient čaka na pregled v ambulanti) pregleda pacienta, ki se vrne s slikovne diagnostike, na katero je bil poslan po triaži. Scenarij 3: Delovanje tretje ambulante Pri scenariju 3 je model deloval kot pri osnovnem scenariju s to razliko, da je tretja ambulanta delovala tudi v času od 22. do 10. ure.



V Tabeli 13 so navedeni vsi eksperimenti in njihovi parametri.

Oznaka eksperimenta

Scenarij

Pogoj – število čakajočih pacientov pred amb.

Delež pacientov na slikovno diagnostiko po triaži

Vključitev konzultanta

Tretja amb. od 22.00 do 10.00

0 osnovni 8 0,0 NE NE

1 1 1 0,3 NE NE

2 1 1 0,4 NE NE

3 1 1 0,5 NE NE

4 1 2 0,3 NE NE

5 1 2 0,4 NE NE

6 1 2 0,5 NE NE

7 1 3 0,3 NE NE

8 1 3 0,4 NE NE

9 1 3 0,5 NE NE

10 1 4 0,3 NE NE

11 1 4 0,4 NE NE

12 1 4 0,5 NE NE

13 1 5 0,3 NE NE

14 1 5 0,4 NE NE

15 1 5 0,5 NE NE

16 1 6 0,3 NE NE

17 1 6 0,4 NE NE

18 1 6 0,5 NE NE

19 2 1 0,3 DA NE

20 2 1 0,4 DA NE

21 2 1 0,5 DA NE

22 2 2 0,3 DA NE

23 2 2 0,4 DA NE

24 2 2 0,5 DA NE

25 2 3 0,3 DA NE

26 2 3 0,4 DA NE

27 2 3 0,5 DA NE

28 2 4 0,3 DA NE

29 2 4 0,4 DA NE

30 2 4 0,5 DA NE

31 2 5 0,3 DA NE

32 2 5 0,4 DA NE

33 2 5 0,5 DA NE

34 2 6 0,3 DA NE

35 2 6 0,4 DA NE

36 2 6 0,5 DA NE

37 3 8 0,0 NE DA

Tabela 13: Pregled eksperimentov



Rezultati eksperimentov V Tabeli 14 so navedene povprečne vrednosti in standardni odkloni za čas čakanja na pregled v ambulante in čas oskrbe za vseh 37 eksperimentov.

Scenarij Čas amb. Čas IPP

0 povprečje 93,40 418,60

N 10 10

stand. dev. 10,319 9,582

1 povprečje 98,60 398,10

N 10 10

stand. dev. 13,302 15,815

2 povprečje 93,68 397,40

N 10 10

stand. dev. 11,331 12,085

3 povprečje 99,70 398,60

N 10 10

stand. dev. 16,654 15,400

4 povprečje 100,50 406,90

N 10 10

stand. dev. 4,696 7,385

5 povprečje 92,30 396,00

N 10 10

stand. dev. 13,039 12,526

6 povprečje 96,00 399,40

N 10 10

stand. dev. 10,044 9,324

7 povprečje 84,10 396,10

N 10 10

stand. dev. 12,600 11,377

8 povprečje 88,70 397,80

N 10 10

stand. dev. 12,065 14,582

9 povprečje 92,80 397,20

N 10 10

stand. dev. 13,473 14,328

10 povprečje 99,20 412,00

N 10 10

stand. dev. 17,255 15,011

11 povprečje 103,00 416,40

N 10 10

stand. dev. 12,944 16,675

12

povprečje 91,90 401,20

N 10 10

stand. dev. 10,806 13,975

13 povprečje 85,50 401,60

N 10 10

stand. dev. 8,670 9,204

14 povprečje 88,80 404,30

N 10 10

stand. dev. 17,517 16,499



15 povprečje 87,80 404,30

N 10 10

stand. dev. 12,372 13,817

16 povprečje 90,70 413,90

N 10 10

stand. dev. 15,370 15,264

17 povprečje 99,20 416,10

N 10 10

stand. dev. 12,470 10,949

18 povprečje 90,50 409,80

N 10 10

stand. dev. 19,214 17,067

19 povprečje 68,90 375,90

N 10 10

stand. dev. 8,595 9,291

20 povprečje 60,50 364,00

N 10 10

stand. dev. 5,949 4,397

21 povprečje 59,60 362,30

N 10 10

stand. dev. 9,732 8,920

22 povprečje 70,00 385,30

N 10 10

stand. dev. 8,524 10,231

23 povprečje 64,20 375,40

N 10 10

stand. dev. 6,161 7,516

24 povprečje 61,50 369,10

N 10 10

stand. dev. 7,778 7,094

25 povprečje 78,40 390,60

N 10 10

stand. dev. 9,489 10,511

26 povprečje 74,90 387,30

N 10 10

stand. dev. 11,455 9,226

27 povprečje 66,30 378,50

N 10 10

stand. dev. 6,430 7,153

28 povprečje 71,70 386,60

N 10 10

stand. dev. 12,266 12,149

29 povprečje 67,80 383,40

N 10 10

stand. dev. 9,211 8,449

30 povprečje 71,70 384,70

N 10 10

stand. dev. 10,510 9,250

31 povprečje 79,90 397,60

N 10 10

stand. dev. 11,259 7,734



32 povprečje 76,10 391,50

N 10 10

stand. dev. 7,666 5,893

33 povprečje 66,90 388,10

N 10 10

stand. dev. 5,607 9,098

34 povprečje 82,30 403,90

N 10 10

stand. dev. 10,209 6,822

35 povprečje 79,60 397,30

N 10 10

stand. dev. 10,814 7,227

36 povprečje 71,10 391,00

N 10 10

stand. dev. 11,220 11,489

37 povprečje 58,10 389,60

N 10 10

stand. dev. 9,803 10,113

Tabela 14: Rezultati eksperimentov

Izvedli smo t-teste (95-odstotna stopnja zaupanja) razlik povprečnih vrednosti za čas čakanja na pregled v ambulanti in za čas oskrbe za vse eksperimente po vseh treh scenarijih glede na povprečne vrednosti osnovnega scenarija. Izkazalo se je, da se pri eksperimentih po scenariju 1 povprečni časi čakanja na ambulantni pregled (Slika 36) v primerjavi z osnovnim scenarijem ne razlikujejo statistično pomembno.

12

34

56

0.3

0.35

0.4

0.45

0.5

80

90

100

110

Št. čak. pred. amb.

Delež pacientov slik.

Čas a

mb

.

Slika 36: Rezultati za čakanje na ambulantni pregled − scenarij 1



Rezultati kažejo, da bi bilo bolje, če bi se pričelo s pošiljanjem pacientov na slikovno diagnostiko takoj po triaži, že ko en sam pacient čaka na ambulantni pregled. Četudi je delež teh pacientov relativno majhen (0,3) in ne vključujemo konzultanta (scenarij 1) (Slika 37), se povprečen čas oskrbe na IPP skrajša za 20 minut, razlika je statistično pomembna (t-test, 95-odstotna stopnja zaupanja). Na Sliki 37 lahko predvidimo, da je gradient naraščanja časa na IPP večji v primeru, če je število čakajočih pred ambulanto 4, 5 ali 6. Predvidimo lahko, da povezava med št. čak. pred. amb. in čas na IPP ni linearna, s pomembnim porastom gradienta pri več kot 4 čakajočih.

12

34

56

0.3

0.35

0.4

0.45

0.5

395

400

405

410

415

420

Št. čak. pred. amb.

Delež pacientov slik.

Čas I

PP

.

Slika 37: Rezultati za čas oskrbe na IPP − scenarij 1

T-test je pokazal, da so pri eksperimentih po scenariju 1 povprečni časi oskrbe pacientov statistično pomembno krajši, vse dokler število čakajočih ni večje od pet. Pri šest čakajočih tako niti 50 % delež pacientov, poslanih na slikovno diagnostiko takoj po triaži, ni pripomogel k skrajšanju časa oskrbe. Pri eksperimentih po scenariju 2 se povprečen čas oskrbe (Slika 38) statistično pomembno skrajša pri vseh eksperimentih, v najboljšem primeru skoraj za eno uro, v najslabšem primeru skoraj za 20 minut. Iz Slike 38 je moč oceniti, da je gradient porasta časa na IPP večji za 1, 2, ali 3 čakajoče pred ambulanto. Pri višjem številu čakajočih se ta gradient manjša. Statistično pomembno se skrajša tudi povprečen čas čakanja na ambulantni pregled (Slika 39) − od približno deset minut do pol ure. Rezultati kažejo, da je za najboljši učinek potrebno izvajati scenarij 1 in 2 že pri majhnem številu čakajočih na ambulantni pregled.



1

2

3

4

5

6

0.3

0.35

0.4

0.45

0.5360

370

380

390

400

410

Št. čak. pred. amb.Delež pacientov slik.

Čas I

PP

.

Slika 38: Rezultati za čas oskrbe na IPP − scenarij 2

1

2

3

4

5

6

0.3

0.35

0.4

0.45

0.5

50

60

70

80

90

Št. čak. pred. amb.Delež pacientov slik.

Čas a

mb

.

Slika 39: Rezultati za čakanje na ambulantni pregled − scenarij 2

Pri eksperimentiranju po scenariju 3 se statistično pomembno zniža tako povprečen čas čakanja na ambulantni pregled za dobre pol ure, za skoraj pol ure pa tudi povprečen čas oskrbe.



7.4 Koncept povezave elektronske table in simulacijskega modela v realnem času

Zastavili smo si vprašanje, kako bi bilo možno povezati delovanje ET in simulacijskega modela IPP v realnem času. Ocenili smo, da bi bil za ta namen najustreznejši koncept, ki bi temeljil na povezavi med ET in nadgrajenim simulacijskim modelom IPP. Nadgrajenim v tem smislu, da bi bili pacienti sočasno modelirani kot entitete v DES modelu, ki simulira logiko različnih vrst v procesu IPP, in kot agenti. Koncept, ki ga predstavlja Slika 40, je bil le delno realiziran, saj veliko elementov koncepta še ni vpeljanih v prakso (ET še v razvoju, informacijski sistem upravljanja postelj še ni vzpostavljen itd.).

Slika 40: Koncept povezave ET in simulacijskega modela IPP v realnem času Podatki realnega sistema se stekajo na ET in v bazo podatkov. V slednji se zbirajo še drugi podatki BIS in podatki sistema upravljanja postelj. Podatki ET in podatki o številu razpoložljivih postelj na sprejemnih oddelkih vplivajo na situacijsko zavedanje koordinatorja na IPP (po našem mnenju bi to moral biti zdravnik konzultant). V primeru, da koordinator zazna, da se delovanje sistema približuje krizni situaciji, bi pri odločanju o taktičnih odločitvah (uvedba delovanja dodatne ambulante, omejitev planiranih sprejemov idr.) lahko uporabil rezultate simulacije.



Aktualni podatki na ET in v model integrirana pravila omogočajo inicializacijo agentov, ki sicer predstavlja problem, saj moramo ob zagonu simulacije poskrbeti za ustrezno preslikavo realnega stanja v začetno stanje simulacije. Ob inicializaciji agenti zavzamejo ustrezno stanje iz diagrama možnih stanj (Slika 41).

Slika 41: Diagram stanj za agenta pacient

Tako npr. pacienti, ki so na ET v tabeli čakajočih na ambulantni pregled in niso bili poslani na radiološko preiskavo, zavzamejo stanje čakanja na pregled v ambulanti, pacienti, ki so že v ambulanti, pa stanje pregled v ambulanti. Vnos agentov v del modela, ki je narejen po metodi DES, se v AL lahko tehnično izvede s pomočjo objekta enter iz knjižnice Enterprise Library. Ob vstopu agenta v objekt enter se generira entiteta agenta pacient, saj agenti ne morejo "bivati" in "potovati" po DES modelu. Slika 42 prikazuje vstop agentov, ki so ob inicializaciji zasedli stanje čakanje pred ambulanto, v čakalno vrsto pred ambulanto DES modela, in vstop agentov, ki so ob inicializaciji zasedli stanje pregled v ambulanti, v zakasnitveni objekt ambulanta DES modela.

Slika 42: V AL izvedeno vstopanje agentovIpacientov v DES



Predvidevamo, da bi nadgradnja obstoječega AB + DES modela IPP z agentnim modeliranjem pacientov omogočala večjo fleksibilnost in funcionalnost modeliranja procesa na IPP. V prihodnosti, ko se bo na IPP uveljavil manchasterski triažni sistem, ki je zaenkrat še v uvajanju, bosta po naših ocenah vodilni simptom in stopnja nujnosti tista dva ključna parametra, ki bosta ob eventualno dodatnih parametrih iz BIS omogočala izdelavo pravil za prehode med stanji in časovne funkcije zasedbe posameznih stanj za agente pacienti v DES + AB hibridnem simulacijskem modelu IPP. Za določitev teh pravil in časovnih funkcij bi bilo potrebno uporabiti statistične metode in metode umetne inteligence (rudarjenje podatkov, iskalni algoritmi, nevronske mreže). Poleg tega agentno modeliranje pacientov omogoča modeliranje kompleksnejših vzorcev obravnave pacientov, kot npr. modeliranje več radioloških preiskav pri istem pacientu in druge diagnostične in terapevtske intervencije, ki smo jih do sedaj zaradi poenostavitve agregirali v sklop drugi postopki.



8 RAZVOJ HIBRIDNEGA SIMULACIJSKEGA MODELA PRETOKA PACIENTOV V BOLNIŠNICI

Urgentni oddelki so del širšega sistema, ne le bolnišnice. Sistem lahko omejimo na bolnišnico, če deluje UO v okviru nje, kot je to tudi v primeru IPP, ali pa celo širše. Na delovanje IPP najbolj vplivajo pritok pacientov iz populacije, ki gravitira na IPP, diagnostične enote, predvsem laboratorij in slikovna diagnostika, ter Interna klinika (IK) s svojimi posteljnimi kapacitetami. Problem UO je, da pacienti, ki so določeni za sprejem na enega od oddelkov bolnišnice, pogosto dolgo čakajo na UO na prosto posteljo, kar podaljša čas oskrbe pacientov in zmanjšuje resurse za paciente, ki na novo pridejo na UO. Za iskanje izboljšav premeščanja pacientov iz UO na sprejemne oddelke je potrebno poznati dinamiko delovanja UO in samih sprejemnih oddelkov. V primeru krizne situacije, kot npr. v primeru epidemije gripe, ko pride do povečanega priliva pacientov na UO, je potrebno iskati rešitve v smislu dodatnega števila postelj in drugih resursov na višji organizacijski ravni, predvsem na ravni klinike, pod katero spada večina sprejemnih oddelkov, pa tudi drugih delov bolnišnice. Zaradi tega smo se odločili za razvoj prototipnega hibridnega simulacijskega modela, ki bi istočasno omogočal simulacijsko modeliranje pretoka pacientov v bolnišnici in širjenje gripe v skupnosti, iz katere prihajajo pacienti v bolnišnico, pa tudi širjenje gripe v bolnišnici sami. Svetovno gledano je trenutno AnyLogic (AL) edino programsko orodje, ki omogoča kombinirano uporabo SD, DES in AB, zato smo ga uporabili za izgradnjo modela. V literaturi nismo zasledili, da bi bil že kdaj prej izdelan kakšen podoben hibriden model pretoka pacientov. V literaturi smo našli le en konceptualno podoben pristop, in sicer v zvezi z nemškim projektom ProHTA, v okviru katerega so s hibridnim modelom, ki je prav tako združeval vse tri paradigme, simulirali učinkovitost uporabe mobilnih enot za prehospitalno trombolitično zdravljenje možganske kapi (Djanatliev in German, 2013). Tudi oni so uporabili programsko orodje AL. Delovanje prototipnega hibridnega modela pretoka pacientov v bolnišnici v času gripe, ki ga predstavljamo v nadaljevanju, je moč preizkusiti na spletni strani RunTheModel, ki je namenjena predstavitvi simulacijskih modelov mednarodni skupnosti. URL naslov našega modela je https://www.runthemodel.com/models/2625/. Za poganjanje modela potrebujemo 64-bitni operacijski sistem, 64-bitni spletni brskalnik (Internet Explorer 11, Firefox ali Safari) in vsaj 4 GB RAM-a. Chahal (2010) navaja kriterije za izbor DES ali SD metode, ki so navedeni v Tabeli 15. Njegov nabor smo nadgradili s kriteriji za izbor AB metode. V našem modelu smo se odločili, da bomo del bolnišnice obravnavali le agregirano (Kirurška klinika /KK/, ki posodi postelje IK), za kar je ustrezna metoda SD, uporaba DES metode je potrebna zaradi podrobnejše obravnave procesa na UO in IK, uporaba AB pa je potrebna zaradi simuliranja širjenja gripe s kontaktom med pacienti, osebjem in obiskovalci.



KRITERIJ DES SD AB

Problemski vidik

Namen predvidevanje, primerjava, optimizacija

oblikovanje strateških politik, splošno razumevanje problema

možnost obojega

Obseg problema operativen, taktičen

strateški možnost obojega

Pomen naključnosti velik majhen možnost obojega

Pomen povezav med entitetami

velik majhen običajno velik

Nivo obravnave individualen agregiran možnost obojega

Sistemski vidik

Nivo obravnave podroben holističen možnost obojega

Kompleksnost kompleksnost podrobnosti

kompleksnost dinamike

možnost obojega

Časovni potek diskreten, temelji na dogodkih

zvezen diskreten, temelji na spremembi stanj

Kontrola parametrov vrste pretoki stanja

Tabela 15: Kriteriji za izbor simulacijske metode (prirejeno po Chahal, 2010)

Model sistemske dinamike lahko predstavimo v prostoru stanj kot:

kjer predstavlja vektor odvodov stanj, Y vektor izhodnih vrednosti, A matriko koeficientov, B vhodno matriko, C izhodno matriko, D prenosno matriko in u vhod sistema. Poleg opisa v prostoru stanj predvidimo še uporabo zunanjih funkcij

(Auxiliary) , ki nam omogoča opisati poljubno relacijo med dvema spremenljivkama stanj. Pri tem predpostavljamo časovno spremenljivost vseh parametrov sistema. Nekoliko drugače bi opredelili model sistemske dinamike kot:

kjer predstavlja R spremembo stanja, L stanje, p parameter in F zunanjo funkcijo. DES model lahko specificiramo kot strukturo (Zeigler et al., 2000):

Kjer je

je množica vhodnih vrednosti je množica stanj je množica izhodnih vrednosti

je funkcija prehodov znotraj stanj v smislu verige dogodkov



je izhodna funkcija

je množica pozitivnih realnih števil

Agentni model opredelimo kot:

kjer predstavlja A množico agentov ter Z množico pravil. Pri tem moramo upoštevati, da D predstavlja množico, ki opredeli modeliranje po principu sistemske dinamike ter M množico, ki opredeli modeliranje po principu dogodkovne simulacije. Glede na nivo abstrakcije sledi, da je moč množic glede na nabor funkcionalnosti:

Tako nam hibridni pristop omogoča izbiro poljubne paradigme glede na zahtevano analizo problemskega stanja ter hkrati opredeli izhodne množice. Na ta način lahko, glede na obravnavani problem, s hibridnim pristopom adaptivno opredelimo nivo abstrakcije ter hkrati adaptivno, glede na problem, določimo dinamiko izhodnih spremenljivk.

Slika 43 prikazuje koncept, Slika 44 pa vzročno-posledični diagram hibridnega simulacijskega modela. Ugotovili smo, da so vzročno-posledični diagrami, ki so sicer primarno kvalitativni del modeliranja po paradigmi SD, primerni tudi za konceptualni del modeliranja po drugih paradigmah. Čeprav povratne zveze niso, za razliko od SD, bistveni del filozofije modeliranja po paradigmah DES in AB, jih je vendarle možno oz. včasih celo potrebno vključiti tudi v DES in AB modele. V našem hibridnem modelu se tako npr. v DES podmodelu IK ob povečanem številu urgentnih pacientov zmanjša število planiranih sprejemov. Slika 44 prikazuje vzročno-posledični diagram celotnega hibridnega modela. Model je sestavljeni iz treh delov, ki so označeni z okvirji: 1. SD model, 2. DES + agentni model in 3. SD model. Identificiranih je bilo 13 povratnih povezav v modelu, tri pozitivne povratne zanke, ki nastopajo v prvem delu, tj. v modelu širjenja epidemije, ter deset negativnih povratnih zank, ki nastopajo v vseh treh delih modela. Pri upravljanju s sistemom UO moramo tako upoštevati vplive omenjenih zank in nezaželene učinke pozitivnih povratnih zank širjenja epidemije kompenzirati z negativnimi povratnimi zankami, ki nam omogočajo stabilno delovanje celotnega sistema. Pri tem moramo upoštevati tudi zakasnitve v sistemu kot npr. zakasnitev pri obravnavi pacientov (DES model). Del modela simulira širjenje gripe v populaciji 700.000 prebivalcev, ki gravitira na IPP. Za modeliranje širjenja gripe smo uporabili razširjen matematični epidemiološki model, ki sta ga razvila Kermack in McKendrick. Takšen model so v preteklosti uporabili za simuliranje širjenja tako sezonske (Tan et al., 2013) kakor tudi pandemske gripe (Fasth et al., 2010). V slednjem članku smo tudi pridobili podatke za nastavitev epidemioloških parametrov v modelu.



Slika 43: Koncept hibridnega modela Simulacija širjenja gripe v populaciji temelji na metodi SD. Najprej smo sicer izdelali agentni model, kar bi omogočalo bolj "elegantno" modeliranje pacientov, zaposlenih in obiskovalcev, saj bi njihovo gibanje med bolnišnico in okoljem simulirali z uporabo diagrama stanj. Rezultati AB in SD epidemiološkega modela so si bili zelo podobni. Pokazalo pa se je, da je izvedba AB modela časovno zelo zahtevna, saj je simulacijski tek pri AB varianti z računalnikom, ki ima 64-bitni operacijski sistem, 8 GB RAM-a in hitrost procesorja 2,6 GHz, trajal več minut, pri SD pa le nekaj sekund. S tem se je tudi v našem primeru potrdila veljavnost agentnega teorema za sistemsko dinamiko, ki pravi, da je moč za vsak dobro formuliran SD model izdelati AB ekvivalent; je pa poraba časa za izdelavo in poganjanje slednjega potrebno več časa (Macal, 2010). V našem primeru poraba časa za izgradnjo ni bila večja, ker je šlo za preprost model z malo pravili za agente, razlika v porabi časa za poganjanje modela pa je bila velika in glede na to, da smo predvideli eksperimentiranje na modelu, pri katerem je zaradi stohastične narave modela potrebno izvajati številne ponovitve, tudi nesprejemljiva.

Slika 45 prikazuje z AL izdelan SD model širjenja gripe v populaciji. V modelu nastopajo stanja: Dovzetni za okužbo, Okuženi v inkubaciji, Okuženi z znaki bolezni, Ozdravljeni ter Asimptomatski. Poleg tega spremljamo še število tistih, ki okrevajo s pomočjo stanja Ozdravljeni po infekciji.



+ +

+ +

+

+

+

+

++

+

+

+

+

+ ++ +

+

+

+ +

+ +

Pacientina IK

DES + agentni model SD model

SD model

Pacientina KK

Dovzetniza okužbo

Okuženi vinkubaciji

Hitrostprehajanja medasimptomatske

primere

Inkubacijskadoba

Delež inficiranih

Delež asimptomatskih

Povprečnničas trajanja

bolezni /nosilstva virusa

Asimptomatski Izgubanosilstva

virusa

ObolevanjeOkuženiz znakibolezni

OzdravljeniOkrevanje

Hitrostprenosaokužbe

Intenzivnostprenosa

Številoodpuščenihpacientov


Povprečnaležalna doba


Številourgentnosprejetih

pacientov IK


pacientov KK

Prostepostelje

Prostepostelje KK

Število načrtovanihsprejemov


Kapacitetasistema

Kapacitetasistema

Načrtovanisprejemi

Načrtovanisprejemi

Število pacientovna čakalni listi


Dodatnepostelje

za IK

Zasedenostpostelj

Zasedenostpostelj

Čakalnadoba

Čakalnadoba

Številostalnihpostelj

IK


KK

- -

- -

- -

- -

-

- -

- -

-

-

B1

B2

B3

B4

B5

B6

DES model

B10

B14

B7B11

B8 B12

B9 B13

R3

R2

R1

Velikostpopulacije

+

+

++

+

+

+

+

+ +

+

+

+

++-

- -

- -

-

-

-

-

Slika 44: Vzročno-posledični diagram hibridnega modela



Slika 45: Z AL izdelan SD model širjenja gripe v populaciji

Program AL omogoča izdelavo simulatorja. Poleg simulatorja celotnega hibridnega modela (Slika 46) smo izdelali še poseben simulator širjenja gripe v populaciji, ki ga prikazuje Slika 47. Slednji uporabniku omogoča uvid v to, kako spreminjanje epidemioloških parametrov na nivoju populacije vpliva na dinamiko širjenja gripe v populaciji. Omogoča nastavljanje parametrov stopnja prenosa, povprečno trajanje bolezni, število ljudi v populaciji, delež imunih v populaciji, število izpostavljenih ob pričetku širjenja okužbe. Po nastavitvi parametrov in zagonu simulacije se izriše graf števila okuženih z gripo v populaciji. Simulator celotnega hibridnega modela omogoča nastavitev vrednosti parametrov za populacijo, IPP, IK ter KK. Simulator vsebuje naslednje parametre:

Populacija (Community): o stopnja prenosa, o povprečno trajanje bolezni, o število ljudi v populaciji, o delež imunih v populaciji, o število izpostavljenih ob pričetku širjenja okužbe.

IPP (Emergency Department): o delež pacientov z gripo, ki pridejo iz populacije na IPP; o regulacija intenzivnosti prihodov pacientov brez gripe; o število dnevnih prihodov z gripo okuženih, da se odpre karantenski

oddelek; o verjetnost za sprejem z gripo okuženega pacienta; o verjetnost za sprejem z gripo okuženega pacienta v enoto intenzivne

terapije; o maksimalno dovoljen čas za čakanje urgentnega pacienta na prosto

posteljo.



IK (Medical Department): o število stalnih postelj; o število dodatnih postelj; o število rezerviranih postelj za urgentne paciente; o karantenski oddelek − da ali ne; če da, potem določitev števila postelj

na njem; o delež proti gripi cepljenih medicinskih sester; o intenzivnost preprečevanja širjenja okužbe; o verjetnost prenosa okužbe z obiskovalca na pacienta; o potrebno število okuženih pacientov, da se prepove obiske, o maksimalno število obiskovalcev pri enem pacientu (naključna

dodelitev števila obiskovalcev od nič do maksimalnega števila obiskovalcev);

o ura v dnevu, do katere so odpuščeni pacienti.

KK (Surgical Department): o dnevno število pacientov, ki so vpisani na čakalno listo; o število postelj na KK; o dnevno število urgentno sprejetih pacientov; o povprečna ležalna doba; o maksimalno število postelj, ki se jih nameni IK med sezono gripe.

Slika 46: Simulator hibridnega modela



Slika 47: Simulator širjenja gripe v populaciji

Kalibracija, ki je posebna oblika optimizacijskega eksperimenta, je zelo koristna funkcionalnost orodja AL. Omogoča, da se parametre modela nastavi na takšne vrednosti, da se rezultati simulacije čim bolj približajo epidemiološkim podatkom. Za bolnišnico, ki se pripravlja na predvideno krizo zaradi grožnje pandemske gripe, je pomembno, da uporablja simulacijsko orodje, katerega logiko pozna, jo lahko kontrolira in prilagaja trenutnim razmeram. Baker et al. (2011) navajajo, da so imeli v Queenslandu v Avstraliji težave z uporabo programa FluSurge (Centers for Disease Control and Prevention, 2015), ki je bil v času priprav na pandemijo gripe svetovno gledano tako rekoč glavni simulacijski pripomoček, saj je za njim stala zelo ugledna ustanova. V začetnem obdobju epidemije pandemskega virusa gripe pa se je pokazalo, da program zelo precenjuje število primerov okužb. So pa uspeli navezati stike z avtorjem programa, ki je posegel v strukturo programa in njegovo delovanje prilagodil njihovim epidemiološkim podatkom. SD epidemiološki model je z ostalim delom modela povezan tako, da dnevno "pošlje" nastavljen delež z gripo okuženih pacientov na UO. "Pošiljanje" pacientov na UO poteka s 24-urnim zamikom. Model vsak dan izračuna število novih primerov gripe v celotni populaciji v prejšnjem dnevu, od tega števila izračuna s strani uporabnika modela določen delež okuženih in v skladu s tem številom ustvari entitete "urgentni okuženi pacient" v vhodnem elementu DES modela UO v skladu s časovno funkcijo prihodov ostalih pacientov na UO. AB modeliranje bi se glede tega izkazalo kot prednost, saj bi omogočalo povsem sinhrono povezavo med epidemiološkim delom modela in modelom UO, vendar pa tudi 24-urni zamik, glede na to, da simulacijski tek traja več mesecev, po naši oceni ne predstavlja večjega problema. Za modeliranje delovanja UO smo uporabili DES metodo. Za namen hibridnega modela je lahko model UO precej preprostejši od tistega v prejšnjem poglavju, saj s tem modelom ne iščemo izboljšav na ravni UO. Logiko delovanja DES modela UO prikazuje Slika 48. Logika modela omogoča nastavitev različnih porazdelitvenih funkcij za čas obravnave okuženih pacientov in ostalih pacientov. Prihodi pacientov na UO so stohastični. Čas obravnave smo v prototipnem modelu ocenili s pomočjo trikotniških funkcij. V model je možno vgraditi kompleksnejšo časovno funkcijo



Slika 48: Logika delovanja urgentnega oddelka (DES)

obravnave pacientov. Z UO so pacienti odpuščeni, sprejti na IK, v enoto inenzivne terapije ali na začasen karantenski oddelek za okužene paciente, t. i. "gripa oddelek". Kriterij za odprtje/zaprtje gripa oddelka, ki se dnevno evalvira, je število okuženih pacientov, ki jih je potrebno sprejeti v bolnišnico. Lahko pa se simulira, da se karantenski oddelek sploh ne odpre. Najkompleksnejši del modela je IK, ki je modelirana s kombinacijo DES in AB, ter pripadajoči gripa oddelek, ki je modeliran le z metodo DES, saj pri njem nismo modelirali širjenja gripe, ker gre za karanteno. Slika 49 prikazuje DES logiko delovanja modela IK. Preplet dejavnikov, ki določajo dinamiko pretoka pacientov in postelj na IK prikazuje Slika 50.

Slika 49: DES logika delovanja Interne klinike



DES model, ki ga prikazuje Slika 49, zajema modeliranje čakalne liste (Waiting List), procesa obravnave pacientov na IK (Medical Department) in obravnave pacientov na karantenskem oddelku (Influenza Department).

+

+

+

+

+

+

+

++

+

+

Pacientina IK




pacientov IK

Prostepostelje


Kapacitetasistema

Načrtovanisprejemi


Dodatneposteljeza IK

Zasedenostpostelj

Čakalnadoba


IK

-

-

-

-

-

-

-

B6

B7

B8

B9

+

Slika 50: Vzročno-posledični diagram dinamike pretoka pacientov na IK

Sprejemi pacientov na IK so elektivni prek čakalne vrste in urgentni. Prednost pri sprejemu imajo urgentni pacienti. Ob sprejemu elektivnega ali urgentnega pacienta na IK je poleg entitete pacient ustvarjen tudi agent pacient. Agenti urgentnih pacientov, ki so okuženi že ob sprejemu, so že ob ustvarjanju agenta v stanju okužen, agenti neookuženih urgentnih pacientov in planirano sprejetih pacientov pa kot začetno stanje zasedejo katerega od drugih stanj SEIAR modela (Slika 51) z verjetnostjo, ki velja za populacijo in ki jo dnevno na novo izračuna SD model širjenja gripe v populaciji. Stanje imunosti in okrevanja sta ponorni stanji. Hospitaliziran pacient, ki ima znake okužbe, ni odpuščen, dokler ne okreva od okužbe. Neurgentnih pacientov z znaki okužbe se ne sprejema, ampak se njihov sprejem preloži do njihovega okrevanja. Poleg pacientov so agenti tudi osebje (v prototipnem modelu smo modelirali le medicinske sestre, ki so najpogosteje v



stiku s pacienti, in obiskovalci). Medicinske sestre (MS) prihajajo na delo v treh izmenah. MS, ki je okužena, gre na bolniški dopust in se vrne šele, ko okreva. V prototipnem modelu nismo modelirali nadomestila za MS na bolniškem dopustu, ampak le ustrezno zmanjšali števila MS v dopoldanski izmeni, kar je, vsaj dokler ne postane absentizem preobsežen, ustaljena praksa. MS, ki je ob prihodu na delo neokužena, preide v inkubacijsko stanje z verjetnostjo prehoda, ki je trenutno v populaciji.

Slika 51: Diagram stanj za modeliranje širjenja gripe med agenti pacient, medicinska sestra, obiskovalec

Obiskovalec ob prihodu v bolnišnico zasede stanje inkubacije ali asimptomatskega nosilca okužbe z verjetnostjo, ki je trenutno v populaciji za enega od teh stanj. V tem stanju so sposobni prenosa okužbe na pacienta, ki so ga obiskali. Predvideli smo, da obiskovalci z znaki okužbe ne prihajajo na obisk. Model omogoča simulacijo prepovedi obiskov, ko je dosežen prag nastavljenega števila okuženih pacientov na IK. Dinamika sprejemanja pacientov na IK je uravnavana z razpoložljivostjo posteljnih kapacitet. Model omogoča rezervacijo posteljnih kapacitet za urgentne paciente od ponedeljka do petka, ko se sprejema tudi neurgentne paciente, določanja števila stalnih postelj na IK in števila dodatnih postelj. Možno je uravnavati maksimalno dovoljen čas čakanja na zasedbo dodatne postelje, ki jo urgentni pacient zasede, če je ta na voljo. Možna je nastavitev ure, do katere so pacienti odpuščeni z IK. Model omogoča analizo učinka cepljenja MS na širjenje gripe na IK in učinek nadzorovanja okužbe z izolacijskimi ukrepi pri okuženih pacientih.



V modelu ima KK vlogo tistega dela bolnišnice, ki ga gripa manj prizadene, saj ni sprejemna enota za okužene paciente in zato v času gripe posodi svoje postelje za začasni karantenski oddelek in eventualne dodatne postelje za IK. Tega dela bolnišnice ni potrebno simulirati tako podrobno, zato smo izbrali metodo SD. Model omogoča simulacijo učinka posojanja postelj na delovanje KK. Dinamika zasedanja posteljnih kapacitet s strani urgentnih in neurgentnih pacientov je identična tisti za IK. Prednost pri sprejemanju imajo urgentni pacienti. Logiko tega dela modela prikazuje Slika 52.

Slika 52: Z AL izdelan SD model Kirurške klinike Številne animacijske možnosti orodja AL so bile tudi pri gradnji hibridnega modela v veliko pomoč pri "razhroščevanju", verifikaciji in validaciji modela (Slika 53). V zgornjem delu se nahajajo števci delovanja sistema, pod njimi so s trikotniki prikazane medicinske sestre, ki so trenutno v službi (barva trikotnika označuje stanje, v katerem se nahaja medicinska setra po SEIAR modelu). Pravokotniki predstavljajo paciente, ki ležijo na IK (barva obrobe pravokotnika označuje stanje, v katerem se nahaja pacient po SEIAR modelu). Obiskovalci, ki obiščejo pacienta, so prikazani s krogci, ki se nahajajo v pravokotniku/pacientu. Barva



krogca označuje stanje, v katerem se nahaja obiskovalec po SEIAR modelu. Proste postelje označuje zelena črtica.

Slika 53: Animacija IK Validacija modela je temeljila le na oceni poznavalcev sistema, da delovanje sistema dejansko odraža obnašanje realnega sistema, in na okvirnih kvantitativnih podatkih, saj gre le za prototipen model, ki pa vendarle omogoča izvajanje eksperimentov. Z delujočim prototipnnim hibridnim modelom smo pokazali, da je s programskim orodjem AL, ki trenutno edini omogoča simultano uporabo paradigem DES, SD in AB, možno izdelati hibriden model pretoka pacientov v bolnišnici, ki obenem simulira tudi vpliv širjenja gripe v populaciji in bolnišnici. Izdelava predstavljenega prototipnega modela je bila dolgotrajna in zahtevna. AL je zelo kompleksno programsko orodje, pri katerem za izdelavo že malo zahtevnejših modelov ne zadošča le "zlaganje" vizualnih gradnikov v program vgrajenih knjižnic, ampak zahteva veliko dodatnega pisanja Java kode. Za primer navajamo kodo, ki jo je bilo treba napisati za dodelitev proste postelje na IK za okuženega urgentnega pacienta (Slika 54) in ki predstavlja le kamenček v izgradnji mozaika prototipnega modela. Z nadgradnjo prototipa v aplikativen model, ki bi simuliral dogajanje na ravni posameznega oddelka znotraj IK (za ta namen bi morali po vzoru modeliranja IK modelirati vsakega od posameznih oddelkov, ki sestavljajo IK, da bi ustvarili multiagenten model IK, ki bi odslikaval realno stanje sistema), bi ta kompleksnost še močno narastla. Podobno je z drugimi simulacijskimi orodji, sicer manj izrazito, ker omogočajo le modeliranje po eni sami paradigmi, a vendarle tudi pri njih zahtevnost uporabe z izgradnjo modelov, ki niso le eksemplarični, skokovito naraste.



Na osnovi lastne izkušnje se pridružujemo mnenju vodilnih poznavalcev stanja na področju simulacijskega modeliranja v zdravstvu, da je to eden od glavnih razlogov, da se le-to za enkrat relativno malo uporablja za reševaje konkretnih problemskih situacij, pa čeprav po drugi strani število akademskih prispevkov iz leta v leto narašča (Taylor et al., 2013).

Slika 54: V Javi zapisana koda (primer za dodelitev proste postelje na IK za okuženega urgentnega pacienta)

Hibridni model pretoka pacientov v bolnišnici, ki bi bil zgrajen po konceptu zgoraj predstavljenega prototipnega modela, bi se lahko uporabljal tako za strateško pripravo na pričakovano krizno situacijo zaradi širjenja sezonske ali pandemske gripe kot tudi za taktično ukrepanje med samim potekom kriznega obdobja. Izdelali smo naslednjo metodologijo strateške priprave bolnišnice na krizno obdobje zaradi širjenja gripe: 1. Kalibriranje parametrov SD modela širjenja gripe v populaciji z zgodovinskimi

podatki za tri sezone z različno intenzivnostjo: epidemično, najbolj pogosto, nizko.

2. Kalibriranje naslednjih parametrov z zgodovinskimi podatki: delež prihodov okuženih iz populacije na UO, delež okuženih pacientov, ki jih je potrebno z UO sprejeti na IK, delež okuženih pacientov, ki jih je potrebno z UO sprejeti v enoto intenzivne terapije.

3. Izvedba simulacijskega eksperimenta brez širjenja gripe.



4. Izvedba simulacijskega eksperimenta s širjenjem gripe za vsako od treh intenzivnosti; brez dodatnh postelj za IK; brez karantenskega oddelka; z nastavitvijo predvidenega deleža proti gripi cepljenega osebja, z oceno intenzivnosti izolacijskih ukrepov in omejevanjem obiskov.

5. S primerjavo 3. in 4. ugotoviti, kako sprejemanje okuženih pacientov vpliva na delovanje IK: število zavrnjenih elektivnih sprejemov, čas čakanja na posteljo pri urgentnih pacientih, absentizem.

6. Določiti, kolikšen delež bremena IK prevzame ostali del bolnišnice za vse tri različice intenzivnosti širjenja gripe v populaciji in v skladu s tem z optimizacijskimi eksperimenti določiti posteljne kapacitete, ki se jih za čas krize zagotovi izven IK.

7. Na osnovi 6. izdelati logistični načrt za krizno obdobje. Metodologija uporabe modela za taktično ukrepanje med samim potekom kriznega obdobja: 1. Tedensko kalibriranje parametrov SD modela širjenja gripe v populaciji z

aktualnimi epidemiološkimi podatki. 2. Kalibriranje naslednjih parametrov z aktualnimi podatki: delež prihodov

okuženih iz populacije na UO, delež okuženih pacientov, ki jih je potrebno z UO sprejeti na IK, delež okuženih pacientov, ki jih je potrebno z UO sprejeti v enoto intenzivne terapije.

3. Tedensko prilagajanje logističnega načrta rezultatom simulacijskih eksperimentovz.

Eksperimentiranje na modelu

Z eksperimentiranjem (variacija parametrov) na prototipnem hibridnem modelu smo želeli ugotoviti, kako določene politike upravljanja postelj, odpuščanje pacientov, cepljenje osebja, izolacijski ukrepi in omejevanje obiskov vplivajo na funkcioniranje IK. Vsakodnevno rezerviranje postelj od ponedeljka do petka, ko se sprejema tudi elektivne paciente, se kaže kot učinkovit ukrep za zmanjševanje časa na sprejemno posteljo pri urgentnih pacientih in s tem seveda tudi na celoten čas oskrbe na UO (Slika 55).



010

2030

4050

0

0.5

1

1.5

26000

6500

7000

7500

Št. rez. postelj za UOČas čakanja na post.

Št.

pla

n.

spre

jem

ov

Slika 55: Vpliv števila rezerviranih postelj za urgentne paciente na čas čakanja na

prosto posteljo in število elektivnih sprejemov

Z večanjem števila rezervacij se zmanjšuje število planiranih sprejemov. Število rezervacij, ki preseže število urgentnih sprejemov ne vodi več v izboljšanje časa čakanja na posteljo, ki se približa nič, ampak vodi v močno zmanjšanje števila elektivnih sprejemov in zmanjšanje zasedenosti postelj. Model kaže, da le odprtje karantenskega oddelka v času širjenja gripe brez dodatnih postelj za IK ne skrajša časa čakanja na sprejemno posteljo za urgentne paciente (Slika 56).

0

5

10

15

20

0

10

20

30

0.4

0.6

0.8

1

Št. post. na karant. odd.Št. dodatnih postelj za IK

Čas č

ak.

Slika 56: Vpliv števila postelj na karantenskem oddelku in število dodatnih postelj

na čas čakanja na prosto posteljo pri urgentnih pacientih



Variiranje parametrov delež precepljenega osebja in kontrola prenosa s strani okuženega pacienta na druge, je pokazalo, da je cepljenje osebja proti gripi izrazito učinkovitejši ukrep za zmanjšanje števila bolnišničnih primerov gripe, kot pa so izolacijski ukrepi pri okuženih pacientih, pa četudi bi z izolacijskimi ukrepi zmanjšali možnost prenosa na nič (Slika 57).

Slika 57: Vpliv izolacijskih ukrepov in cepljenja na število bolnišničnih primerov

gripe Prepoved obiskov v bolnišnici v času širjenja gripe je ukrep, ki zmanjšuje število bolnišničnih primerov gripe. Kadar je verjetnost prenosa z obiskovalca na pacienta majhna, hitro zapiranje bolnišnice nima izrazitega učinka, vendar je tudi pri zelo nizki verjetnosti prenosa prepoved obiskov še preden širjenje doseže svoj vrh (v našem scenariju pri približno 40 pacientih z gripo na IK) smiselno (Slika 58).

S5

1015

2025

3035

4045

N

0.05

0.1

0.15

0.2

140

160

180

200

220

240

260

Št. okuž. za uvedbo

Verjet. prenos. okuž.

Hosp

. p

rim

. g

rip

e

Slika 58: Vpliv prepovedi obiskov na število bolnišničnih primerov gripe (S − Stalna

prepoved, N − ni prepovedi

0

0.2

0.4

0.6

0.8

1

0

20

40

60

80

100

0

50

100

150

200

Delež cepljenih MSKontrola prenosov okužbe

Hosp

ita

lni p

rim

eri

gri

pe



Simulacija je pokazala, da širjenje gripe v bolnišnici doseže svoj vrh hitreje kot v populaciji (Slika 59).

Slika 59: Dinamika širjenja gripe v populaciji in na IK Spreminjali smo parameter skrajnega časa odpustitve pacienta z IK. Pokazalo se je, da tudi, če je ta čas nastavljen na deseto uro dopoldan, to ne doprinese k skrajšanju časa čakanja na prosto posteljo pri urgentnih pacientih. Glavnina prihodov pacientov na UO in zahtev za sprejem je namreč zamaknjenih v kasnejši čas dneva, ko je večina odpustov z IK že opravljena.



9 ZAKLJUČEK

9.1 Ugotovitve raziskave Z našim delom smo ugotovili, da je akcijsko raziskovanje v povezavi s simulacijskim modeliranjem ustrezen raziskovalni pristop za reševanje organizacijske problematike v bolnišnici. Zaposleni na IPP, ki so bili vključeni v raziskovalni proces, so s svojimi predlogi pomagali pri usmeritvah raziskave, teorija in praksa sta se sproti dopolnjevali. Številni predlogi za izboljšave, ki smo jih pridobili od zaposlenih, kažejo na veliko ustvarjalnost in velik človeški potencial kolektiva, potencial, ki je pogosto zanemarjen in premalo izkoriščen. Korist našega dela tako vidimo tudi v tem, da smo zaposlenim vseh poklicnih skupin omogočili, da so ta potencial tekom skupnega raziskovalnega dela sprostili, da je prišel na plano, da so izmenjali in uskladili mnenja, se pogovorili o težavah in problemih in za kar nekaj od njih smo s sodelovanjem tudi našli konstruktivne rešitve. Uvajanje ET in izgradnja simulacijskega modela sta zahtevali predhodno analizo obstoječega procesa. Ob številnih pogovorih v okviru multidisciplinarne skupine o obstoječem poteku dela so tako predstavniki različnih poklicev dobili globlji in širši uvid v način razmišljanja in specifično problematiko vseh poklicnih skupin, ki so vključene v oskrbo pacientov na IPP. Pisec disertacije je tekom raziskovalnega dela veliko ur prebil na IPP ter opazoval delovni proces, se pogovarjal z osebjem, pacienti in njihovimi svojci. Prvi splošni vtis je bil, da so arhitektonske razmere res povsem neprimerne, predvsem v smislu pomanjkanja prostora pa tudi neustrezne razporeditve le-teh. Obstoječe razmere enostavno ne vzdržijo primerjave s tistimi v razvitih zdravstvenih sistemih, kot je npr. angleški, ki ga je imel pisec moč spoznati med enomesečnim bivanjem v Londonu v okviru strokovne izmenjave. Ob primerjavi sistemov je moč ugotoviti, da naš sistem zaostaja, a ne v pogledu strokovnosti, pač pa v skorajda vseh drugih, predvsem pa v organiziranosti in sistemskem pristopu. Koncept sobivanja Splošne nujne medicinske pomoči (SNMP), ki organizacijsko spada pod ZD Ljubljana in nudi prvo pomoč na primarnem nivoju, in IPP, ki je urgentni oddelek na sekundarno-terciarnem nivoju našega zdravstvenega sistema, se sicer pogosto izkaže za zelo koristnega, a kaj ko si morata SNMP in IPP deliti čakalne prostore in celo triažno ambulanto. Ob dnevnih konicah prihoda pacientov, še posebno v času zimske krize zaradi širjenja respiratornih virusov in posledičnega občutnega povečanja priliva pacientov na SNMP in IPP, je situacija težko obvladljiva. Drugo spoznanje ob začetnih obiskih je bilo, da v času konice, ko je v sistemu istočasno 20 in več pacientov, ni več zaposlenega, ki še ima celosten pregled nad situacijo in da manjka koordinator, ki bi imel motivacijo, znanje in pristojnost za razreševanje zapletov, "ozkih grl", ki bi v okviru sicer objektivno težkih razmer vendarle poskrbel za kar se da optimalno delovanje sistema. Potreboval pa bi tudi ustrezno informacijsko podporo, orodje. Misel, ki je avtorja tega dela spreletavala že v enem od predhodnih obiskov IPP kakšni dve leti pred pričetkom sodelovanja z IPP, a v vlogi spremljevalca svojca, ki je potreboval oskrbo na IPP. Precej grenka izkušnja, saj je takrat na lastni koži izkusil slabosti sistema, katerega del je. Dobra ura čakanja je šla v nič samo



zaradi tega, ker epruvete po pomoti niso bile odpremljene v laboratorij, kar je kasneje izvedel od kolegice, saj se mu je po dolgotrajnem čakanju zdelo nenavadno, zakaj se zadeva nikamor ne premakne in se je pozanimal, v čem je problem. Že pozabljen spomin na negativno izkušnjo se je tako zopet prebudil, z njo spomin na takratna razmišljanja o informacijskem orodju za nadzorovanje delovanja sistema podobnega npr. tistim v nadzornih centrih železniškega prometa. Samo, da gre tukaj za paciente, a princip je enak − stalna vizualna in dinamična predstavitev stanja in delovanja sistema prek velikega elektronskega zaslona, kar osebju omogoča nadzor nad stanjem sistema in ustrezno ukrepanje v skladu z zahtevami trenutne delovne situacije. Sledil je študij literature v zvezi s takimi sistemi za UO, predstavitev zamisli vodilnim, ki se jim je zdela koristna, priprava projekta za konkuriranje na razpisu za t. i. terciarne projekte, odobritev projekta s strani komisije in zgodba o uvajanju ET na IPP je stekla. Zanimivo je, da so ET skorajda istočasno neodvisno od nas pričeli razvijati na SNMP. Na SNMP so idejo spravili v življenje pred nami in takrat smo vzpostavili kontakt z njimi. Nesebično so nam predstavili koncept svoje ET in težave v zvezi z njo. Njihova ET je temeljila na precej enostavnejšem konceptu, brez lociranja pacientov in brez povezave z njihovim informacijskim sistemom, ki je drugačen in nepovezan z informacijskim sistemom IPP. Kar pomeni, da so morali administratorji in medicinske sestre vse podatke za namen ET, četudi so že bili v njihovem informacijskem sistemu, vnašati v posebno aplikacijo, ki je podpirala delovanje ET. Osebje se je temu upiralo, pogosto zaradi obilice dela tega tudi ni utegnilo izvesti, in vsaj v tistem obdobju, ko je potekalo naše raziskovalno delo na IPP, njihova ET ni dobro funkcionirala. Njihova izkušnja in opozorila iz literature, ki so govorila prav o tem, da mora biti sistem ET obvezno povezan z obstoječimi bolnišničnimi informacijskimi sistemi, je bila razlog, da smo to zastavili kot temeljno izhodišče. V multidisciplinarno projektno skupino za razvoj ET smo vključili predstavnika programske hiše, ki je skrbnik na IPP in celotni IK uporabljanega informacijskega sistema, in predstavnika programske hiše, ki je skrbela za vzpostavitev RFID sistema lociranja pacientov. Osnova za pričetek razvoja ET na IPP je bil koncept strukture in funkcioniranja ET, ki ga je pripravil avtor disertacije na osnovi študija literature. V okviru projektne skupine se je koncept nadgrajeval, izpopolnjeval. Ta del je potekal zavzeto, konstruktivno in ga v celoti ocenjujemo kot zelo uspešnega. Vzporedno je potekalo instaliranje potrebne tehnične infrastrukture za RFID sistem. Razvoj programskega dela je potekal postopoma, izmenjavale so se faze nadgrajevanja programa, testiranja, pridobivanje povratnih informacij s strani uporabnikov. Programski del sistema RFID je bilo potrebno povezati z bolnišničnim informacijskim sistemom. S tehničnega vidika je bil projekt zahteven. Stalno delovanje sistema, občutljiva dejavnost, saj gre za zdravstveno oskrbo, že omenjene arhitektonske težave so oteževale izvajanje testiranj in kalibriranje sistema. Omejena sredstva za projekt in velika zbirokratiziranost nabavnih postopkov v javnih zavodih je povzročala veliko izgubo časa in energije za reševanje banalnih težav, kot npr. zamenjava dotrajanega računalnika, na katerem se je izvajal računalniški program ET in katerega slabo delovanje je bilo vzrok za pogoste izpade delovanja ET.



Pomemben tehničen del so bile RFID značke. Svetovno gledano je proizvajalcev RFID značk, ki imajo vgrajen UZ sprejemnik in gumb za aktiviranje oddajanja signala, zelo malo. Poleg tega takšne RFID značke niso izdelane samo za namen, kot je bil naš. Pri RFID značkah, ki smo jih uspeli pridobiti za naš projekt, se je izkazalo, da je gumb malo premajhen in pretrd in ga zato ni prav enostavno dovolj pritisniti, da se aktivira za oddajanje signala. Poleg tega ob uspešnem pritisku le za kratek čas posveti drobna lučka. Gumb bi moral omogočati lažji stisk in lučka bi morala biti večja ter bi morala ob uspešni sprožitvi alarma svetiti dalj časa, da bi pacient ali pa njegov spremljevalec, ki bi namesto njega sprožil alarm, lahko zanesljivo prejel povratno informacijo o uspešni sprožitvi alarma. Splošna ugotovitev je, da je potrebno pri uvajanju sistema ET, sploh če vključuje še RFID sledenje, rešiti zelo veliko tehničnih problemov. Pokazalo pa se je, da je organizacijski vidik še zahtevnejši. Velika težava je, da ima IPP le dva stalna zdravnika, vsi ostali na IPP prihajajo opravljat samo dežurno delo in je bilo zelo težko te zaposlene, ki jih je veliko, sproti seznanjati s tehnološkimi in organizacijskimi novostmi. Poleg tega pa je UKCL učna bolnišnica in tako na IPP vedno znova prihajajo številni študenti medicinske in zdravstvene fakultete, specializanti idr. Za te je pogosto enostavno zmanjkalo časa, razpoložljivih kadrov pa včasih tudi volje, da bi jim razložili delovanje sistema. Poleg tega je bilo nekatere zaposlene težko motivirati za konstruktivno sodelovanje, saj so bili mnenja, da je ob vseh velikih objektivnih težavah, predvsem pomanjkanju prostora na IPP in posteljnih kapacitet na IK, pa tudi kadrov in materialnih sredstev, to enostavno nesmiselno in da predstavlja neracionalno porabo denarja. Pomanjkanje kadra je onemogočalo kontinuirano uporabo RFID sledenja. Tako npr. čez vikende ni bilo administratorke na sprejemnem okencu, ki je bila med delovniki zadolžena za nameščanje RFID značke, registracijo so izvajale administratorke iz ambulant in se zato pacientom ni nameščalo RFID značk. Pokazalo se je, da je težko ljudi navaditi na nov način dela, če ni zagotovljena kontinuiteta izvajanja. Največja napaka pa je bila storjena s tem, da je bila testna faza zaradi pomanjkanja resursov prekratka in je prehitro prešla v produkcijsko. Tiste ure, ko je pisec tega dela imel čas, da je bil na IPP in nadzoroval in sproti razreševal težave, je sistem deloval v skladu s predvideno funkcionalnostjo, a ko so bili zaposleni bolj ali manj prepuščeni sami sebi in brez ustrezne tehnične podpore, so se pojavile težave. Eden od velikih problemov je bil, da osebje in pacienti niso bili pozorni na to, da morajo značke vrniti. Zaradi pomanjkanja sredstev in dejstva, da avtor disertacije zaradi več razlogov ni mogel več sodelovati pri projektu, je žal ostal velik potencial RFID sledenja pacientov, ki je omogočal tudi proženje alarma, povsem neizkoriščen. Evalvacijo ET z anketo smo izvedli v razmerah, ko po eni strani zaradi relativno pogostih, dokaj banalnih tehničnih razlogov in po drugi strani zaradi organizacijskih težav ET niti ni delovala kot bi morala in kot dejansko je v času nadzora s strani pisca disertacije, ki pa je trajal občutno prekratek čas. Menimo, da je to glavni vzrok, da z anketno raziskavo nismo mogli potrditi, da je uvedba ET pri zaposlenih na IPP pripomogla k izboljšanju percepcije trenutnega stanja delovnega procesa.



Drug razlog, po našem mnenju manj pomemben, tiči v raziskovalni metodologiji: mogoče premalo dodelana operacionalizacija pojma "percepcija trenutnega stanja delovnega procesa", majhnost vzorca, ne najbolj ustrezen izbor raziskovalne metode. Namesto ankete bi bilo verjetno bolje uporabiti metodo opazovanja in globinski intervju, saj so občasna kratka opazovanja, razgovori z zaposlenimi in v anketi zapisani komentarji nakazovali na to, da je ET koristen pripomoček. Kakorkoli že, s kvantitativno metodo prve hipoteze H1: "Uporaba ET bo pri zaposlenih na IPP izboljšala percepcijo trenutnega stanja delovnega procesa" na nivoju 95-% stopnje zaupanja z Wilcixonovim testom nismo potrdili. Kot glavni vzrok bi navedli pomankljivosti pri integraciji z obstoječim IS, dodatno delo pri ročnem vnosu oz. na splošno premajhna avtomatizacija spremljanja dogajanja na UO. V zvezi z izgradnjo simulacijskega modela smo predvideli, da je možno vzpostaviti avtomatski zajem podatkov na osnovi podatkov lociranja pacientov z RFID sistemom in podatkov v zvezi z radiološkimi preiskavami v BIS za trajanje naslednjih aktivnosti, ki so vključene v simulacijski model IPP: obravnave pacienta v ambulanti, čakanje na transport na/z radiološke preiskave, trajanje transporta na/z radiološke preiskave, čakanje na radiološko preiskavo. Izkazalo se je, da izračun trajanja obravnave pacienta v ambulanti s pomočjo RFID sledenja ni možno izvesti tako, da bi bil ta podatek zanesljiv. Prvi razlog je, da se ambulanto zaradi pomanjkanja prostora na IPP včasih uporabi tudi za aktivnost, ki ni pregled pacienta v ambulanti, drugi pa, da zaradi omejene natančnosti RFID sistema pri lociranju pacientov lahko pride do napačnega lociranja pacienta, ki čaka na hodniku blizu vrat ambulante, v ambulanto samo. Za ostale zgoraj naštete aktivnosti smo ugotovilli, da je možen avtomatski zajem podatkov o njihovem trajanju s pomočjo RFID sledenja pacientov. Razvili smo koncept za zajemanje teh podatkov, ki bi zahteval minimalno nadgradnjo RFID sledenja pacientov izven območja IPP, ter razvili psevdokod za algoritem, ki bi ga bilo potrebno uporabiti v BIS za izračun trajanja aktivnosti. Zaradi pomanjkanja sredstev koncept žal ni bil realiziran. Pokazalo se je, da podatkovna struktura ET, ki smo jo razvili v sodelovanju z osebjem IPP in ki je v skladu z njihovimi potrebami za podporo pri procesu oskrbe pacientov, zajema vse tiste bistvene elemente delovanja sistema, ki so vključeni v generične simulacijske modele UO, ki so jih v preteklosti razvijali že drugi raziskovalci. Sami smo zgradili simulacijski model, ki je podoben tem generičnim modelom in upošteva specifike IPP. Omogočal je testiranje s strani zaposlenih predlaganih organizacijskih sprememb. Eksperimentiranje na simulacijskem modelu je pokazalo, da bi naslednje s strani zaposlenih predlagane organizacijske spremembe statistično pomembno skrajšale čas obravnave pacientov na IPP: odvzem krvi za laboratorijske preiskave nekaterim pacientom že v triažni ambulanti, pošiljanje nekaterih pacientov na radiološke preiskave takoj po triažiranju, vključevanje konzultanta v oskrbo pacientov ter delovanje tretje ambulante tudi v nočnem času. Delno se na IPP te organizacijske spremembe že izvajajo; velik problem predstavlja pomanjkanje prostora, da bi konzultant lahko pregledoval paciente, in pomanjkanje osebja za delovanje tretje ambulante tudi v nočnem času, kadar je pritok pacientov intenzivnejši.



Na osnovi študija relevantne literature smo ugotovili, da dosedanji pristopi niso celovito obravnavali metodologije modeliranja UO in z njim povezanih drugih delov bolnišnice, ki bi obsegala zvezni, dogodkovni in agentni pristop. Raziskovanje je pokazalo, da vsakoletno širjenje gripe povzroči krizno situacijo ne samo na UO, ampak kar v celi bolnišnici. Prav tako smo ugotovili, da simulacijsko modeliranje te problematike zahteva združitev vseh treh paradigem simulacijskega modeliranja. Le tako je moč zgraditi integriran simulacijski model pretoka pacientov v bolnišnici v času "zimske krize", ki je dovolj fleksibilen in adaptiven, da se ga lahko uporablja kot orodje za strateške priprave na krizo in za taktično ukrepanje v obdobju širjenja gripe v populaciji in bolnišnici. Razvili smo metodologijo za pripravo kriznega načrta in njegovo sprotno prilagajanje tekom samega poteka krizne situacije z uporabo simulacijskega modela. Metodologijo smo tudi preizkusili z delujočim prototipom hibridnega simulacijskega modela pretoka pacientov v bolnišnici v času širjenja gripe. Na osnovi tega trdimo, da lahko hipotezo H2: "Hibridno simulacijsko modeliranje je primerno za bolj podrobno in adaptivno opredelitev strukture in dinamike delovanja urgentnega oddelka in z njim povezanih sprejemnih oddelkov v času širjenja gripe" potrdimo.

9.2 Prispevek k znanosti Prispevek našega raziskovanja k znanosti vidimo predvsem v naslednjem: 1. Razvoj metodologije za avtomatski zajem podatkov o trajanju aktivnosti, ki so

vključene v simulacijski model UO, s pomočjo radiofrekvenčnega sledenja pacientov. Dosedanje raziskave niso opisale, kako bi se dalo s čim bolj racionalno uporabo RFID sistema in programskega algoritma avtomatsko zajemati podatke o trajanju aktivnosti, ki so vključene v generične simulacijske modele UO.

2. Izdelali smo delujoč prototip simulacijskega modela pretoka pacientov in dinamike posteljnih kapacitet v bolnišnici, ki temelji na uporabi treh simulacijskih paradigem: SD, DES in AB. Utemeljili smo koristi integrirane uporabe vseh treh paradigem za strateško in taktično načrtovanje posteljnih kapacitet in politike elektivnih sprejemov v času širjenja sezonske in pandemske gripe. Do sedaj v literaturi še ni bil predstavljen koncept takšnega hibridnega modela.

3. S pomočjo teorije množic smo opredelili relacijo med paradigmami SD, DES in AB.

4. Preverili smo vpliv in problematiko uvedbe ET na delovanje UO. Spoznali smo, da sama uvedba ET brez ustrezne stalne tehnične podpore, ne zagotavlja ustreznih učinkov − z anketno raziskavo nismo mogli potrditi, da uporaba ET pri zaposlenih na UO izboljša percepcijo trenutnega stanja delovnega procesa.

9.3 Predlogi za nadaljnje raziskave Nadaljnje raziskave bi morale iti v nadgradnjo prototipa hibridnega modela, ki je zelo poenostavljen model realne situacije. Namesto agregiranega modeliranja celotne IK, bi bilo potrebno model razširiti v multiagenten model vseh oddelkov, ki sestavljajo IK. Posamezni oddelki/agenti bi se modelirali po enakih principih kot v prototipnem modelu celotna klinika. V razširjenem modelu bi se izhodni podatki podmodelov posameznih oddelkov, simuliranih s kombinacijo DES in AB, stekali v



agregirani SD model celotne klinike. Predvidevamo, da bi to močno vplivalo na simulacijo dinamike širjenja gripe, saj bi se širila na več med seboj relativno ločenih organizacijskih enotah in bi se predvidoma pojavljalo več lokalnih izbruhov širjenja gripe. S statističnimi metodami rudarjenja podatkov in/ali nevronskimi mrežami oz. drugimi orodji umetne inteligence bi bilo koristno raziskati, ali je možno opredeliti "tipične" skupine pacientov in za njih določiti teoretične verjetnostne porazdelitve časov obravnave, tako na UO kot na IK. Domnevamo, da bo prihodnji razvoj simulacijskih orodij in filozofije simulacijskega modeliranja šel v smer hibridnega modeliranja in v okviru le-tega "prevlade" paradigme AB, hkrati pa bo posegel tudi na področje integracije s kiberfizičnimi sistemi (Škraba et al., 2015). V tem smislu, da bo v okviru hibridnih modelov možno (kar AL že omogoča) kot agente modelirati entitete v DES in da bodo podmodeli, zgrajeni na osnovi DES in SD paradigme, lahko "delovali" in se "vedli" kot agenti v hibridnem modelu. Teoretično je možno za vsak dobro formuliran SD model izdelati AB ekvivalent, problem pa zaenkrat ostaja v tem, da v primeru velikega števila agentov to močno upočasni simulacijo. Zaradi vse večje zmogljivosti osebnih računalnikov bo verjetno že v nekaj letih možno v sprejemljivem času izvesti simulacije modelov z več sto tisoč ali celo milijoni agenti ter kompleksnim sistemom pravil. Verjetno bo to pripomoglo, da se bo več problemov, ki se jih danes zaradi časovne omejitve modelira z metodo SD, modeliralo po metodi AB. Predvidevamo, da bo poleg naprednejše strojne opreme osebnih računalnikov k hitrejšemu izvajanju eksperimentov pripomogel tudi nadaljnji razvoj simulacijskih programskih orodij. Tako npr. simulacijsko orodje, ki smo ga mi uporabljali in zaenkrat edino omogoča izdelavo simulacijskih modelov s hkratno uporabo SD, DES in AB, ne omogoča večprocesorskega paralelnega izvajanja eksperimentov na tako kompleksnih modelih, kot je naš hibridni model. Menimo tudi, da bo prihodnji razvoj bolnišničnih informacijskih sistemov šel v smer, da bo njihovo delovanje nadgrajeno s simulacijskimi modeli, ki bodo v pomoč pri sprejemanju managerskih odločitev.

9.4 Sklep V Sloveniji se je pričelo vzpostavljati mrežo urgentnih centrov. Menimo, da bi se moralo kakovost njihovega delovanja spremljati z nacionalnimi kazalniki kakovosti, kot je to praksa v razvitih tujih zdravstvenih sistemih. Zelo sofisticiran sistem kazalnikov kakovosti za urgentne oddelke so razvili v okviru britanskega zdravstvenega sistema. V okviru našega dela smo razvili prilagojen nabor teh kazalnikov. Mnenja smo, da bi le-ta lahko služil kot osnova za uporabo na nacionalnem nivoju. Prednost uporabe tega sistema bi bila ta, da je metodologija britanskega sistema javno dosegljiva, prav tako rezultati spremljanja, kar bi našim urgentnim centrom omogočalo izvajanje benchmarkinga, objektivno vrednotenje kakovosti delovanja in ocenjevanje učinka uvedenih izboljšav. Tuje raziskave in vsaj malo tudi naše raziskovalno delo kaže, da je simulacijsko modeliranje lahko močno orodje za analiziranje obstoječih procesov in za



vrednotenje potencialnega učinka organizacijskih sprememb. Velika korist simulacijskega modeliranja je v tem, da lahko učinkovitost predlaganih sprememb ocenimo v varnem virtualnem svetu pred njihovo uvedbo. Čas je, da bi se tudi v slovenskem zdravstvu za namen izboljševanja delovanja urgentnih oddelkov, bolnišnic in tudi celotnega zdravstvenega sistema pričelo v večji meri uporabljati simulacijsko modeliranje. Upamo, da bo naše delo vsaj malo pripomoglo k temu.



LITERATURA Abujudeh, H. H., Kaewlai, R., Kodsi, S. E., Hamill, M. A. (2010). Technical report: Improving quality of communications in emergency radiology with a computerized whiteboard system. Clinical Radiology, 65(1), 56–62. http://doi.org/10.1016/j.crad.2009.05.015 Ackroyd-Stolarz, S., Read Guernsey, J., Mackinnon, N. J., Kovacs, G. (2011). The association between a prolonged stay in the emergency department and adverse events in older patients admitted to hospital: a retrospective cohort study. BMJ Quality & Safety, 20(7), 564–569. http://doi.org/10.1136/bmjqs.2009.034926 Ahmad, N., Ghani, N. A., Kamil, A. A., Tahar, R. M. (2013). Simulating the Impact of an Increase in Patient Volume on a Government Emergency Department in Malaysia. V International Proceedings of Economics Development and Research (str. 78–82). Singaporre IACSIT Press. http://doi.org/10.7763/IPEDR Al-Essa, F. (2013). Approaches and Solutions to Hospital Emergency Department Overcrowding Including Failure Mode and Effect Analysis as a Risk Assessment Technique. Pridobljeno 2. 3. 2015, s https://ore.exeter.ac.uk/repository/handle/10871/16063 Amini, M., Otondo, R. (2007). Simulation modeling and analysis: a collateral application and exposition of RFID technology. Pridobljeno 3. 3. 2015, s http://onlinelibrary.wiley.com/doi/10.1111/j.1937-5956.2007.tb00282.x/abstract Aronsky, D., Jones, I., Lanaghan, K., Slovis, C. M. (2008). Supporting Patient Care in the Emergency Department with a Computerized Whiteboard System. J Am Med Inform Assoc, 15, 184–194. http://doi.org/10.1197/jamia.M2489 Baesler, F. F., Jahnsen, H. E., DaCosta, M. (2003). The use of simulation and design of experiments for estimating maximum capacity in an emergency room. V Proceedings of the 2003 Winter Simulation Conference (str. 1903–1906). IEEE. http://doi.org/10.1109/WSC.2003.1261651 Bagust, A., Place, M., Posnett, J. W. (1999). Dynamics of bed use in accommodating emergency admissions: stochastic simulation model. BMJ (Clinical Research Ed.), 319(7203), 155–158. Pridobljeno 2. 3. 2015, s http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=28163&tool=pmcentrez&rendertype=abstract Baker, P. R. A., Sun, J., Morris, J., Dines, A. (2011). Epidemiologic modeling with Flusurge for pandemic (H1N1) 2009 outbreak, Queensland, Australia. Emerging Infectious Diseases, 17. Pridobljeno 2. 3. 2015, s http://wwwnc.cdc.gov/eid/article/17/9/10-2012_article

http://doi.org/10.1016/j.crad.2009.05.015

http://doi.org/10.1136/bmjqs.2009.034926

http://doi.org/10.7763/IPEDR

https://ore.exeter.ac.uk/repository/handle/10871/16063

http://onlinelibrary.wiley.com/doi/10.1111/j.1937-5956.2007.tb00282.x/abstract

http://onlinelibrary.wiley.com/doi/10.1111/j.1937-5956.2007.tb00282.x/abstract

http://doi.org/10.1197/jamia.M2489

http://doi.org/10.1109/WSC.2003.1261651

http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=28163&tool=pmcentrez&rendertype=abstract

http://www.pubmedcentral.nih.gov/articlerender.fcgi?artid=28163&tool=pmcentrez&rendertype=abstract

http://wwwnc.cdc.gov/eid/article/17/9/10-2012_article



Bebber, R. J. (2007). Using computer simulation modeling to evaluate the bioterrorism response plan at a local hospital facility. Doktorska disertacija. Orlando: University of Central Florida. Beck, E., Balasubramanian, H., Henneman, P. L. (2009). Resource management and process change in a simplified model of the emergency department. V Proceedings of the 2009 Winter Simulation Conference (WSC) (str. 1887–1895). IEEE. http://doi.org/10.1109/WSC.2009.5429198 Blasak, R. E., Armel, W. S., Starks, D. W., Hayduk, M. C. (2003). The use of simulation to evaluate hospital operations between the emergency department and a medical telemetry unit. V Proceedings of the 2003 International Conference on Machine Learning and Cybernetics (str. 1887–1893). IEEE. http://doi.org/10.1109/WSC.2003.1261649 Boger, E. (2003). Electronic tracking board reduces ED patient length of stay at Indiana Hospital. Journal of Emergency Nursing: JEN : Official Publication of the Emergency Department Nurses Association, 29(1), 39–43. Pridobljeno 3. 3. 2015, s http://www.ncbi.nlm.nih.gov/pubmed/12556829 Borshchev, A., Filippov, A. (2004). From System Dynamics and Discrete Event to Practical Agent Based Modeling: Reasons, Techniques, Tools. Pridobljeno 3. 3. 2015, s http://www.systemdynamics.org/conferences/2004/SDS_2004/PAPERS/381BORSH.pdf Brenner, S., Zeng, Z., Liu, Y., Wang, J., Li, J., Howard, P. K. (2010). Modeling and Analysis of the Emergency Department at University of Kentucky Chandler Hospital Using Simulations. YMEN, 36, 303–310. http://doi.org/10.1016/j.jen.2009.07.018 Cabrera, E., Taboada, M., Iglesias, M. L., Epelde, F., & Luque, E. (2011). Optimization of Healthcare Emergency Departments by Agent-Based Simulation. Procedia Computer Science, 4, 1880–1889. http://doi.org/10.1016/j.procs.2011.04.204 Centers for Disease Control and Prevention. (2015). Pridobljeno 3. 3. 2015, s http://www.cdc.gov/flu/pandemic-resources/tools/flusurge.htm Chahal, K. (2010). A generic framework for hybrid simulation in healthcare. Pridobljeno 3. 3. 2015, s http://core.ac.uk/display/337159/tab/similar-list Coats, T. J., Michalis, S. (2001). Mathematical modelling of patient flow through an accident and emergency department. Emerg Med J, 18, 190–192. Connelly, L. G., Bair, A. E. (2004). Discrete Event Simulation of Emergency Department Activity: A Platform for System-level Operations Research. Acad Emerg Med, 11(11), 1177–1184. http://doi.org/10.1197/j.aem.2004.08.021

http://doi.org/10.1109/WSC.2009.5429198

http://doi.org/10.1109/WSC.2003.1261649

http://www.ncbi.nlm.nih.gov/pubmed/12556829

http://www.systemdynamics.org/conferences/2004/SDS_2004/PAPERS/381BORSH.pdf

http://www.systemdynamics.org/conferences/2004/SDS_2004/PAPERS/381BORSH.pdf

http://doi.org/10.1016/j.jen.2009.07.018

http://doi.org/10.1016/j.procs.2011.04.204

http://www.cdc.gov/flu/pandemic-resources/tools/flusurge.htm

http://core.ac.uk/display/337159/tab/similar-list

http://doi.org/10.1197/j.aem.2004.08.021



Cunningham, B. (1976). Action Research: Toward a Procedural Model. Human Relations, 29(3), 215–238. http://doi.org/10.1177/001872677602900302 Department of Health. (2015). A&E clinical quality indicators: Implementation guidance and data definitions. Pridobljeno 3. 3. 2015, s http://webarchive.nationalarchives.gov.uk/20130107105354/http:/www.dh.gov.uk/en/Publicationsandstatistics/Publications/PublicationsPolicyAndGuidance/DH_122868 Djanatliev, A., German, R. (2013). Prospective healthcare decision-making by combined system dynamics, discrete-event and agent-based simulation. Pridobljeno 3. 3. 2015, s http://dl.acm.org/citation.cfm?id=2675983.2676016 Duguay, C., & Chetouane, F. (2007). Modeling and Improving Emergency Department Systems using Discrete Event Simulation. SIMULATION, 83(4), 311–320. http://doi.org/10.1177/0037549707083111 Eatock, J., Clarke, M., Picton, C., Young, T. (2011). Meeting the four-hour deadline in an A&E department. Journal of Health Organization and Management, 25(6), 606–24. http://doi.org/10.1108/14777261111178510 Endsley, M. R. (1995). Toward a Theory of Situation Awareness in Dynamic Systems. Human Factors: The Journal of the Human Factors and Ergonomics Society, 37(1), 32–64. http://doi.org/10.1518/001872095779049543 Evans, G. W., Unger, E., Gor, T. B. (1996). A simulation model for evaluating personnel schedules in a hospital emergency department, V Proceedings of the 2009 Winter Simulation Conference (WSC) (str. 1205–1209). IEEE. http://doi.org/10.1109/WSC.1996.873425 Fasth, T., Ihlar, M., Brouwers, L. (2010). VirSim − a model to support pandemic policy making. PLoS Currents, 22. Pridobljeno 3. 4. 2015, s http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2944021/ Ferrin, D. M., Miller, M. J., McBroom, D. L. (2007). Maximizing hospital finanacial impact and emergency department throughput with simulation. V Proceedings of the 2007 Winter Simulation Conference (WSC) (str. 1566–1573). IEEE. http://doi.org/10.1109/WSC.2007.4419774 Fletcher, A., Halsall, D., Huxham, S., Worthington, D. (2007). The DH Accident and Emergency Department model: a national generic model used locally. Journal of the Operational Research Society, 58, 1554–1562. http://doi.org/10.1057/palgrave.jors.2602344 Forrester, J. W. (1958). Industrial Dynamics - A Major Breakthrough for Decision Makers. Harvard Business Review, 36(4), 37–66. Forsberg, H. H., Aronsson, A., Keller, C., Lindblad, S. (2011). Managing Health Care Decisions and Improvement Through Simulation Modeling. Q Manage Health Care Wolters Kluwer Health, 20(1), 15–29.

http://doi.org/10.1177/001872677602900302

http://webarchive.nationalarchives.gov.uk/20130107105354/http:/www.dh.gov.uk/en/Publicationsandstatistics/Publications/PublicationsPolicyAndGuidance/DH_122868



http://dl.acm.org/citation.cfm?id=2675983.2676016

http://doi.org/10.1177/0037549707083111

http://doi.org/10.1108/14777261111178510

http://doi.org/10.1518/001872095779049543

http://doi.org/10.1109/WSC.1996.873425

http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2944021/

http://doi.org/10.1109/WSC.2007.4419774

http://doi.org/10.1057/palgrave.jors.2602344



Forster, A. J., Stiell, I. , Wells, G. , Lee, A. J., Van Walraven, C. (2003). The effect of hospital occupancy on emergency department length of stay and patient disposition. Academic Emergency Medicine, 10(2), 127-133. France, D. J., Levin, S., Hemphill, R., Chen, K., Rickard, D., Makowski, R. idr. (2005). Emergency physicians’ behaviors and workload in the presence of an electronic whiteboard. International Journal of Medical Informatics, 74(10), 827–837. http://doi.org/10.1016/j.ijmedinf.2005.03.015 Ghanes, K., Jouini, O., Jemai, Z., Wargon, M., Hellmann, R., Thomas, V., Koole, G. (2014). A comprehensive simulation modeling of an emergency department: A case study for simulation optimization of staffing levels. V Proceedings of the Winter Simulation Conference 2014 (str. 1421–1432). IEEE. http://doi.org/10.1109/WSC.2014.7019996 Gibson, I. W., Lease, B. L. (2007). An approach to hospital planning and design using discrete event simulation. V 2007 Winter Simulation Conference (str. 1501–1509). IEEE. http://doi.org/10.1109/WSC.2007.4419763 Gonzalez, C. J., Gonzalez, M., Rios, N. M. (1997). Improving the quality of service in an emergency room using simulation-animation and total quality management. Computers & Industrial Engineering, 33(1,2), 97–100. Pridobljeno 3. 5. 2015, s http://search.proquest.com.nukweb.nuk.unilj.si/docview/213756494/abstract/A69ED304CC8B4E51PQ/3?accountid=16468 Gunal, M., Pidd, M. (2006). Understanding Accident and Emergency Department Performance using Simulation. V Proceedings of the 2006 Winter Simulation Conference (str. 446–452). IEEE. http://doi.org/10.1109/WSC.2006.323114 Haraden, C., Resar, R. (2004). Patient flow in hospitals: understanding and controlling it better. Frontiers of Health Services Management, 20(4), 3–15. Pridobljeno 3. 3. 2015, s http://www.ncbi.nlm.nih.gov/pubmed/15219146 Holm, L. B., Dahl, F. A. (2009). Simulating the effect of physician triage in the emergency department of Akershus University Hospital. V Proceedings of the 2009 Winter Simulation Conference (WSC) (str. 1896–1905). IEEE. http://doi.org/10.1109/WSC.2009.5429204 Holter, I. M., Schwartz-Barcott, D. (1993). Action research: what is it? How has it been used and how can it be used in nursing? Journal of Advanced Nursing, 18(2), 298–304. Pridobljeno 4. 4. 2015, s http://www.ncbi.nlm.nih.gov/pubmed/8436721 Hong Choon, O., Dali, Z., Tien Beng, P., Peck Yoke Magdalene, C. (2014). Uncovering effective process improvement strategies in an emergency department using discrete event simulation. Health Systems, 3(2), 93–104. http://doi.org/10.1057/hs.2014.2

http://doi.org/10.1016/j.ijmedinf.2005.03.015

http://doi.org/10.1109/WSC.2014.7019996

http://doi.org/10.1109/WSC.2007.4419763

http://search.proquest.com.nukweb.nuk.unilj.si/docview/213756494/abstract/A69ED304CC8B4E51PQ/3?accountid=16468

http://search.proquest.com.nukweb.nuk.unilj.si/docview/213756494/abstract/A69ED304CC8B4E51PQ/3?accountid=16468

http://doi.org/10.1109/WSC.2006.323114


http://doi.org/10.1109/WSC.2009.5429204


http://doi.org/10.1057/hs.2014.2



Huang, Y. C., Chu, C. P. (2011). RFID Applications in Hospitals – A Case Study for Emergency Department. Journal of Communication and Computer, 8(7), 1548–7709. Hutzschenreuter, A. K., Bosman, P. A. N., Blonk-Altena, I., van Aarle, J., La Poutré, H. (2008). Agent-based patient admission scheduling in hospitals. Pridobljeno 3. 5. 2015, s http://dl.acm.org/citation.cfm?id=1402795.1402804 Janz, B. D., Pitts, M. G., Otondo, R. F. (2005). Information Systems and Health Care II: Back To The Future With RFID: Lessons Learned – Some Old, Some New. Communications of the Association for Information Systems, 15, 132–148. Johnson, C., Shanmugam, R., Roberts, L. (2004). Linking Lean Healthcare to Six Sigma: An Emergency Department Case Study. V IIE annual conference and exhibition 2004 conference proceedings (str. 1897–1910). Khurma, N., Bacioiu, G. M., Pasek, Z. J. (2008). Simulation-based verification of lean improvement for emergency room process. V 2008 Winter Simulation Conference (str. 1490–1499). IEEE. http://doi.org/10.1109/WSC.2008.4736229 Komashie, A., Mousavi, A. (2005). Modeling Emergency Departments Using Discrete Event Simulation Techniques. V Proceedings of the Winter Simulation Conference, 2005. (str. 2681–2685). IEEE. http://doi.org/10.1109/WSC.2005.1574570 La, J., Jewkes, E. M. (2013). Defining an optimal ED fast track strategy using simulation. Journal of Enterprise Information Management, 26(1/2), 109–118. http://doi.org/10.1108/17410391311289578 Lane, D. C., Monefeldt, C., Rosenhead, J. (2000). Looking in the wrong place for healthcare improvements: a system dynamics study of an accident and emergency department. Journal of the Operational Research Society, 51(5), 518-531. Pridobljeno 3. 3. 2015, s http://eprints.lse.ac.uk/20846/ Law, A, M. (2007). Simulation Modeling and Analysis. New York: McGraw-Hill. Lednik, G. (2007). Analiza strategije vzdrževanja vozil s pomočjo simulatorja po načelu sistemske dinamike. Magistrsko delo. Ljubljana: Univerza v Ljubljani, Ekonomska fakulteta. Lim, M. E., Nye, T., Bowen, J. M., Hurley, J., Goeree, R., Tarride, J. E. (2012). Mathematical Modeling: The Case of Emergency Department Waiting Times. International Journal of Technology Assessment in Health Care, 28(2), 93–109. http://doi.org/10.1017/S0266462312000013 Macal, C. (2010). To agent-based simulation from system dynamics . V Proceedings of the 2010 Winter Simulation Conference (str. 371–382). Mackway-Jones, K., Marsden, J., Windle, J. (Eds.). (2006). Emergency Triage/Manchaster Triage Group. Blackwell Publishing Ltd.

http://dl.acm.org/citation.cfm?id=1402795.1402804

http://doi.org/10.1109/WSC.2008.4736229

http://doi.org/10.1109/WSC.2005.1574570

http://doi.org/10.1108/17410391311289578

http://eprints.lse.ac.uk/20846/

http://doi.org/10.1017/S0266462312000013



Medeiros, D. J., Swenson, E., DeFlitch, C. (2008). Improving patient flow in a hospital emergency department. V 2008 Winter Simulation Conference (str. 1526–1531). IEEE. http://doi.org/10.1109/WSC.2008.4736233 Mesec, B. (1993). Akcijsko raziskovanje med socialnim inženirstvom in revolucionarnim aktivizmom. Socialno Delo, 32(1-2). Meyer, J. (2000). Qualitative research in health care: Using qualitative methods in health related action research. BMJ, 320(7228), 178–181. http://doi.org/10.1136/bmj.320.7228.178 Miller, M., Ferrin, D., Flynn, T., Ashby, M., White, K., Mauer, M. (2006). Using RFID Technologies to Capture Simulation Data in a Hospital Emergency Department. In Proceedings of the 2006 Winter Simulation Conference (str. 1365–1371). IEEE. http://doi.org/10.1109/WSC.2006.323236 Nuño, M., Reichert, T. A., Chowell, G., Gumel, A. B. (2008). Protecting residential care facilities from pandemic influenza. Proceedings of the National Academy of Sciences of the United States of America, 105(30), 10625–30. http://doi.org/10.1073/pnas.0712014105 Okoniewska, B., Graham, A., Gavrilova, M., Wah, D., Gilgen, J., Coke, J. idr. (2012). Multidimensional evaluation of a radio frequency identification wi-fi location tracking system in an acute-care hospital setting. Journal of the American Medical Informatics Association: JAMIA, 19(4), 674–9. http://doi.org/10.1136/amiajnl-2011-000560 Paul, S., Reddy, M. C., DeFlitch, C. J. (2010). A Systematic Review of Simulation Studies Investigating Emergency Department Overcrowding. Simulation, 86(8-9), 559–571. http://doi.org/10.1177/0037549710360912 Robinson, S. (2004). Simulation: The Practice of Model Development and Use. Chichester: John Wiley & Sons Ltd. Pridobljeno 3. 6. 2015, s http://197.14.51.10:81/pmb/GENIE_DES_PROCEDES/Simulation The Practice of Model Development and Use.pdf Rosmulder, R. W. (2011). Improving healthcare delivery with lean thinking: action research in an emergency department. Doktorska disertacija. Enschede: University of Twente. Rossetti, M. D., Trzcinski, G. F., Syverud, S. A. (1999). Emergency department simulation and determination of optimal attending physician staffing schedules. V Proceedings of the 31st conference on Winter simulation Simulation - a bridge to the future - WSC ’99 (str. 1532–1540). New York: ACM Press. http://doi.org/10.1145/324898.325315 Ruohonen, T. (2007). Improving the Operation of an Emergency Department by Using a Simulation Model. Doktorska disertacija. Jyvaskyla: University of Jyvaskyla.

http://doi.org/10.1109/WSC.2008.4736233

http://doi.org/10.1136/bmj.320.7228.178

http://doi.org/10.1109/WSC.2006.323236

http://doi.org/10.1073/pnas.0712014105

http://doi.org/10.1136/amiajnl-2011-000560

http://doi.org/10.1177/0037549710360912

http://197.14.51.10:81/pmb/GENIE_DES_PROCEDES/Simulation%20The%20Practice%20of%20Model%20Development%20and%20Use.pdf

http://197.14.51.10:81/pmb/GENIE_DES_PROCEDES/Simulation%20The%20Practice%20of%20Model%20Development%20and%20Use.pdf

http://doi.org/10.1145/324898.325315



Saunders, C. E., Makens, P. K., Leblanc, L. J. (1989). Modeling emergency department operations using advanced computer simulation systems. Annals of Emergency Medicine, 18(2), 134–40. Pridobljeno 3. 3. 2015, s http://www.ncbi.nlm.nih.gov/pubmed/2916776 Sinreich, D., Marmor, Y. N. (2004). A Simple and Intuitve Simulation Tool for Analyzing the Performance of Emergency Departments. V Proceedings of the 2004 Winter Simulation Conference. IEEE. http://doi.org/10.1109/WSC.2004.1371561 Sterman, J., D. (2000). Business Dynamics: Systems Thinking and Modeling for a Complex World. Boston: McGraw-Hill. Storrow, A. B., Zhou, C., Gaddis, G., Han, J. H., Miller, K., Klubert, D idr. (2008). Decreasing lab turnaround time improves emergency department throughput and decreases emergency medical services diversion: a simulation model. Academic Emergency Medicine : Official Journal of the Society for Academic Emergency Medicine, 15(11), 1130–5. http://doi.org/10.1111/j.1553-2712.2008.00181.x Stringer, E. (2008). Akcijsko raziskovanje v izobraževanju. Kranj: Šola za ravnatelje. Škraba, A., Kljajić, M., Kljajić Borštnar, M. (2007). The role of information feedback in the management group decision-making process applying system dynamics models. Group Decision and Negotiation, 16(1), 77–95. Škraba, A., Kljajić, M., Leskovar, R. (2003). Group exploration of system dynamics models - is there a place for a feedback loop in the decision process? System Dynamics Review, 19(3), 243–263. Škraba, A., Stojanović, R., Zupan, A., Koložvari, A., Kofjač, D. (2015). Speech-controlled cloud-based wheelchair platform for disabled persons. Microprocessors and Microsystems, 39(8), 819–828. Tan, X., Yuan, L., Zhou, J., Zheng, Y., Yang, F. (2013). Modeling the initial transmission dynamics of influenza A H1N1 in Guangdong Province, China. International Journal of Infectious Diseases : IJID : Official Publication of the International Society for Infectious Diseases, 17(7), 479–484. http://doi.org/10.1016/j.ijid.2012.11.018 Taylor, S. J. E., Chick, S. E., Macal, C. M., Brailsford, S., L’Ecuyer, P., Nelson, B. L. (2013). Modeling and simulation grand challenges: An OR/MS perspective. V 2013 Winter Simulations Conference (WSC) (str. 1269–1282). IEEE. http://doi.org/10.1109/WSC.2013.6721514 The AnyLogic Company. (2016). Pridobljeno 3. 3. 2015, s http://www.anylogic.com/ Van Den Dool, C., Bonten, M. J. M., Hak, E., Heijne, J. C. M., Wallinga, J. (2008). The effects of influenza vaccination of health care workers in nursing homes:


http://doi.org/10.1109/WSC.2004.1371561

http://doi.org/10.1111/j.1553-2712.2008.00181.x

http://doi.org/10.1016/j.ijid.2012.11.018

http://doi.org/10.1109/WSC.2013.6721514

http://www.anylogic.com/



Insights from a mathematical model. PLoS Med 5(10). Pridobljeno 3. 3. 2015, s http://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.0050200 Van den Dool, C., Bonten, M. J. M., Hak, E., Wallinga, J. (2009). Modeling the effects of influenza vaccination of health care workers in hospital departments. Vaccine, 27(44), 6261-7. http://doi.org/10.1016/j.vaccine.2009.07.104 Vasilakis, C., El-Darzi, E. (2001). A simulation study of the winter bed crisis. Health Care Management Science, 4(1), 31-36. Wang, L. (2009). An agent-based simulation for workflow in Emergency Department. V 2009 Systems and Information Engineering Design Symposium (str. 19–23). IEEE. http://doi.org/10.1109/SIEDS.2009.5166148 Wears, R., Perry, S, Wilson, S. (2007). Emergency department status boards: user-evolved artefacts for inter-and intra-group coordination. Cogn Tech Work, 9, 163–170. http://doi.org/10.1007/s10111-006-0055-7 Wiinamaki, A., Dronzek, R. (2003). Using simulation in the architectural concept phase of an emergency department design. V Proceedings of the 2003 Winter Simulation Conference (str. 1912–1916). IEEE. http://doi.org/10.1109/WSC.2003.1261653 Williams, G. P. (1997). Chaos Theory Tamed. London: Taylor & Francis. Wong, H. J., Wu, R. C., Caesar, M., Abrams, H., Morra, D. (2010). Smoothing inpatient discharges decreases emergency department congestion: a system dynamics simulation model. Emergency Medicine Journal : EMJ, 27(8), 593–8. http://doi.org/10.1136/emj.2009.078543 Yeh, J., Lin, W. (2007). Using simulation technique and genetic algorithm to improve the quality care of a hospital emergency department. Expert Systems with Applications, 32(4), 1073–1083. http://doi.org/10.1016/j.eswa.2006.02.017 Zeigler, B. P., Praehofer, H., Kim, T. G. (2000). Theory of Modeling and Simulation. London: Academic Press. Pridobljeno 3. 3. 2015, s http://www.amazon.com/Theory-Modeling-Simulation-Second-Edition/dp/0127784551

http://journals.plos.org/plosmedicine/article?id=10.1371/journal.pmed.0050200

http://doi.org/10.1016/j.vaccine.2009.07.104

http://doi.org/10.1109/SIEDS.2009.5166148

http://doi.org/10.1007/s10111-006-0055-7

http://doi.org/10.1109/WSC.2003.1261653

http://doi.org/10.1136/emj.2009.078543

http://doi.org/10.1016/j.eswa.2006.02.017

http://www.amazon.com/Theory-Modeling-Simulation-Second-Edition/dp/0127784551

http://www.amazon.com/Theory-Modeling-Simulation-Second-Edition/dp/0127784551



PRILOGA A: PREDLOGI ZA IZBOLJŠAVE

Predlog K1

S2

Sp3

D4

Z5

∑

Več postelj na oddelkih za sprejem pacientov z IPP 3 3 4 4 14

Več prostora in boljša funkcionalnost prostorov 4 3 2 3 1 13

Določitev obsega oskrbe na IPP 2 1 2 3 2 10

Skrajšati čas čakanja na izvide preiskav (lab. in rtg) 2 4 3 1 10

Vključevanje konzultantov v ambulantno delo, predvsem v primeru gneče in zahtevnejših primerov

1 2 4 7

Konzultanti naj bodo stalno prisotni na IPP – predvsem dopoldan jih namreč pogosto ni

2 2 2 6

Zmanjšati št. neupravičenih napotitev na IPP 4 1 5

Več osebja 1 1 2 1 5

Določitev kriterijev za sprejem na oddelek 1 2 1 4

Pregled nad prostimi posteljami po oddelkih 1 2 1 4

Uvedba triažne sestre, ki bi delala s konzultantom, ki bi odrejal preiskave in nujne ukrepe

2 1 1 4

Uvedba ambulante (prostor, DMS/VMS in administratorka), kjer bi konzultant pregledoval paciente

3 1 4

Postavitev normativov glede števila pregledov na zdravnika 2 2 4

Odvzem krvi za laboratorij in rentgenski pregled že med čakanjem na pregled v ambulanti

1 1 1 3

Uvedba konzultantskih telefonov za vse specialnosti prek celega dneva, kot je to urejeno za toksikologa

1 2 3

Izboljšanje uvajanja specializantov v delo na IPP 1 1 1 3

Nabava pripomočkov za delo 1 1 2

Uvedba dveh ali treh triažnih skupin, vsaka s svojo čakalno vrsto

1 1 2

Vpis pacienta v informacijski sistem takoj po prihodu 2 2

Klimatizirati prostore 2 2

Delovanje tretje ambulante tudi ponoči 2 2

Konzultant ali specialist bi moral pregledati tudi odpustnice, ki jih specializanti napišejo za ambulantno obravnavane paciente in ne samo za hospitalizirane

2 2

Izboljšati "skill-mix" zdravnikov 1 1 2

Večje plačilo za delo na IPP 1 1 2

Izboljšati komunikacijo med osebjem 1 1

Izboljšati pogoje za delo 1 1

Ob sprejemnem okencu bi morala biti administratorka, ki bi vnašale podatke o pacientih v informacijski sistem in dajala informacije

1 1

Zagotoviti prostor, kjer se lahko zagotovi zasebnost pri triažiranju

1 1

Možnost vpogleda v vsa dozdajšnja pacientova zdravljenja in zdravila, ki jih jemlje

1 1

Izobraževanje primarnih zdravnikov glede indikacij za napotitev na IPP

1 1



Uvedba "sobe polintenzivne terapije" na Interni kliniki za sprejem pacientov z IPP

1

1

Standardizirati delo konzultantov 1 1

Konzultanti bi morali preusmerjati paciente tja, kamor dejansko sodijo

1 1

Odprava direktnega narekovanja administratorkam (uvedba diktafonov ali "voice recognition sistema")

1 1

Na oddelkih uvedba dopoldanskih sprejemnih zdravnikov, opremljenih z brezžičnimi telefoni

1 1

Dopoldan hitrejše odpuščanje pacientov z oddelkov, da bodo postelje prej na razpolago za paciente z IPP

1 1

Uvedba kliničnih poti za najpogostejše diagnoze na IPP 1 1

Izboljšati sodelovanje z drugimi specialisti (nevrologi, radiologi) s skupnimi seminarji

1 1

Uvedba cevne pošte 1 1

Pacienti/spremljevalci bi v času čakanja na pregled izpolnili anamnestični vprašalnik, da bi se skrajšal čas jemanja anamneze v ambulanti

1 1

Preučitev in optimizacija procesov na IPP 1 1

Uvedba rezervne ekipe na klic za primer, če čas čakanja prebije določeno mejo

1 1

V eni ambulanti naj dela stalna ekipa zdravnika in med.sestre, ki obvladata urgentno zdravljenje po zadnjih smernicah/priporočilih

1 1

POCT za PAAK, laktat 1 1

Dostopnost nevrologov, ki naj ne bodo nevrofiziologi, ampak nevrologi, ki se ukvarjajo z akutno patologijo

1 1

Kroženje nevrologov na IPP 1 1

Kroženje specializantov (internističnih) na akutnih nevroloških odd.

1 1

Uvedba četrte ambulante 1 1

Uvedba časovnih mej (npr. pacient ne bi smel čakati več kot 30 min. na pregled pri zdravniku)

1 1

Finančna in nefinančna stimulacija učinkovitejših kadrov 1 1

"Hospitalizacija" vseh pacientov, ki čakajo več kot 3 ure (temp. list, odg. MS/zdravnik ipd.). - vpisovanje sodobne terapije v knjigo na 5 kvadratnih cm veliko okence ni več možno

1 1

"Kaznovanje" splošnih zdravnikov za neustrezne napotitve 1 1

Na IPP naj bo stalna ekipa zdravnikov, ostali le v pomoč 1 1 2

Uvedba informativnega zaslona za čakajoče paciente in njihove spremljevalce

1 1

Zmanjšati dotok pacientov iz drugih regij (zlasti Gorenjske), če ne potrebujejo terciarnih storitev

1 1

Zmanjšati število napotitev iz drugih ustanov, ki nimajo svoje dežurne službe

1 1



Zmanjšati število napotitev bolnikov, pri katerih je diagnoza že znana (predvsem onkološki in nevrološki pacienti)

1

1

Interpretecija rentgenskega posnetka s strani radiologa le izjemoma

1 1

Zahtevati od napotnih zdravnikov, da v kolikor ne gre za urgentna stanja, napravijo osnovne preiskave

1 1

Ne ponavljati preiskav, kar se pogosto dogaja 1 1

Združevanje specialistov ob bolniku (nevrolog, kirurg itd.) 1 1

Večja dostopnost do specialističnih ambulant na polikliniki 1 1

Naročanje res samo potrebnih preiskav 1 1

Izboljšati učinkovitost nekaterih adm. delavcev (sicer jih večina dela dobro)

1 1

Nabavi naj se diktafon in določi administratorko v vsakem turnusu, ki bo napisala izvid po posnetku za pacienta, ki bi ga pregledal konzultant (tudi to, da ni proste administratorke, konzultante odvrača od pregledovanja pacientov)

1 1

Enotna pravila za vse oddelke glede sprejemanja na zasilne postelje

1 1

Povratno informiranje napotnega zdravnika v primeru neupravičene napotitve na IPP

1 1

Preveriti seznam tel. številk 1 1

Urediti sprejeme v dopoldanskem času (običajno težje kot v dežurstvu)

1 1

Konzultant naj se od 21.00 do 24.00 (01.00) vključi v delo ambulant in naj pregleduje paciente

1 1

Uvedba "bed managerja" 1 1

Št. predlogov: 71

Pogostost navedbe po profilih: 42 39 46 27 9 163

__________________________ 1 konzultant

2 specialist

3 specializant

4 dipl./višja medicinska sestra

5 zdravstveni tehnik



PRILOGA B: KAZALNIKI KAKOVOSTI

Kazalnik: [1]

Krajši naziv

ponovni obisk

Polni naziv delež ponovnih obiskov na IPP v sedmih dneh od prejšnjega obiska.

Namen zmanjšati število ponovnih obiskov

Obdobje mesečno

Števec število ponovnih obiskov v sedmih dneh od prejšnjega obiska

Imenovalec število vseh obiskov na IPP

Podkazalniki deleži po posameznih odpustnih diagnozah

Opombi

Planirane ponovne obiske se odšteje od števca in imenovalca. Pacient lahko obišče urgenco zaradi podobnih razlogov kot pri prejšnjem obisku, čeprav to ni razvidno iz zabeleženih diagnoz, zato je po možnosti potrebno analizirati vse ponovne obiske.

Kazalnik: [2]

Krajši naziv

čas čakanja na pregled pri zdravniku

Polni naziv čas od prihoda pacienta na IPP do vstopa v ambulanto, kjer ga pregleda zdravnik

Namen skrajšati čas čakanja

Obdobje mesečno.

Izračun

mediana vrednosti od prihoda na IPP do pričetka pregleda pri zdravniku

95. percentil vrednosti od prihoda na IPP do pričetka pregleda pri zdravniku

najdaljši čas od prihoda na IPP do pričetka pregleda pri zdravniku

Podkazalniki vrednosti po posameznih triažnih grupah

Kazalnik: [3]

Krajši naziv

čas oskrbe na IPP

Polni naziv čas od prihoda pacienta na IPP do zaključka njegove obravnave na IPP brez upoštevanja čakalnega časa na odhod iz IPP

Namen skrajšati čas oskrbe na IPP

Obdobje mesečno

Izračun mediana vrednosti od prihoda pacienta na IPP do

zaključka obravnave



95. percentil vrednosti od prihoda pacienta na IPP do zaključka obravnave

najdaljši čas od prihoda pacienta na IPP do zaključka obravnave

Podkazalniki

vrednosti za paciente, ki so po obravnavi na IPP hospitalizirani v UKCL

vrednosti za paciente, ki po obravnavi na IPP niso hospitalizirani v UKCL

Kazalnik: [4]

Krajši naziv

celoten čas, ki ga pacient prebije na IPP

Polni naziv čas od prihoda pacienta na IPP do njegovega odhoda iz IPP

Namen skrajšati čas bivanja pacientov na IPP

Obdobje mesečno

Izračun

mediana vrednosti od prihoda pacienta na IPP do njegovega odhoda iz IPP

95. percentil vrednosti od prihoda pacienta na IPP do njegovega odhoda iz IPP

najdaljši čas od prihoda pacienta na IPP do njegovega odhoda iz IPP

Podkazalniki



Kazalnik: [5]

Krajši naziv

čas čakanja na odhod iz IPP

Polni naziv čas od zaključka obravnave na IPP do odhoda iz IPP

Namen skrajšati čas čakanja na odhod

Obdobje mesečno

Izračun

mediana vrednosti od zaključka obravnave na IPP do odhoda iz IPP

95. percentil vrednosti od zaključka obravnave na IPP do odhoda iz IPP

najdaljši čas od zaključka obravnave na IPP do odhoda iz IPP

Podkazalniki


vrednosti po posameznih oddelkih za paciente, ki so po obravnavi na IPP sprejeti v UKCL


vrednosti za paciente, ki po obravnavi na IPP čakajo na reševalni avtomobil



PRILOGA C: PROCES OBRAVNAVE PACIENTOV NA IPP



PRILOGA D: PREDLOG PRENOVE PROCESA OBRAVNAVE PACIENTOV NA IPP



PRILOGA E: LOGIKA DELOVANJA SIMULACIJSKEGA MODELA IPP



KAZALO SLIK Slika 1: Model timskega situacijskega zavedanja za urgentni oddelek ob

uvedbi ET in simulacijskega modela ....................................................... 10 Slika 2: Načini raziskovanja sistema .................................................................... 13 Slika 3: Potek simulacijske študije ...................................................................... 16 Slika 4: Povezava med simulacijo in optimizacijo ............................................... 19 Slika 5: Vzročno-posledični diagram .................................................................... 21 Slika 6: Tokovni diagram ..................................................................................... 22 Slika 7: Eksponentna rast (levo: pozitina začetna vrednost,

desno: negativna začetna vrednost) ....................................................... 23 Slika 8: Zasledovanje cilja (Levo: želena vrednost je nižja kot začetna

vrednost, desno: želena vrednost je višja kot začetna vrednost) .......... 23 Slika 9: Oscilacije (levo: oscilacija brez dušenja, sredina: oscilacija z

dušenjem, desno: oscilacija z naraščanjem) .......................................... 24 Slika 10: S-rast ...................................................................................................... 24 Slika 11: Rast s preseganjem................................................................................. 25 Slika 12: Preseganje in kolaps ............................................................................... 25 Slika 13: Točkovni atraktor ................................................................................... 26 Slika 14: Kaotični atraktor .................................................................................... 26 Slika 15: Diagram stanj ......................................................................................... 28 Slika 16: Algoritem odločanja o hibridnem pristopu ............................................. 30 Slika 17: Sistemski pristop k upravljanju sistema IPP s pomočjo

odločitvene skupine in hibridnega simulacijskega modela ..................... 31 Slika 18: Struktura anketirancev glede na delovno vlogo in delovne

izkušnje na IPP ....................................................................................... 33 Slika 19: Zaslon s prikazom ET .............................................................................. 37 Slika 20: ET − prikaz alarma .................................................................................. 37 Slika 21: Alarmni gumb na RFID znački ................................................................. 40 Slika 22: Elementi sistema določanje lokacije pacienta v realnem času na

IPP .......................................................................................................... 42 Slika 23: Integracije ET, zajema podatkov v realnem času ter

simulacijskega modela ........................................................................... 49 Slika 24: Tloris IPP ................................................................................................ 50 Slika 25: Intenzivnost prihodov pacientov na IPP po urah ..................................... 54 Slika 26: Intenzivnost prihodov pacientov na IPP po dnevih ................................. 54 Slika 27: Intenzivnost prihodov pacientov na IPP po mesecih ............................... 55 Slika 28: Animacija simulacijskega modela Internistične prve pomoči ................. 56 Slika 29: Grafični vmesnik za spreminjanje parametrov modela IPP .................... 56 Slika 30: Prikaz statistike v modelu IPP ................................................................ 57 Slika 31: V Javi zapisana koda funkcije, ki generira entiteto pacient .................. 57 Slika 32: Mrežna struktura simulacijskega modela ................................................ 58 Slika 33: Diagram stanj za delovanje konzultanta ................................................ 59 Slika 34: Posnetek animacije simulacijskega teka s trikratnim

povečanjem števila prihodov pacientov in posledično "blokiranje" delovanja IPP ...................................................................... 60

Slika 35: Določitev števila ponovitev .................................................................... 62 Slika 36: Rezultati za čakanje na ambulantni pregled − scenarij 1 ....................... 67 Slika 37: Rezultati za čas oskrbe na IPP − scenarij 1 ............................................ 68 Slika 38: Rezultati za čas oskrbe na IPP − scenarij 2 ............................................ 69 Slika 39: Rezultati za čakanje na ambulantni pregled − scenarij 2 ....................... 69 Slika 40: Koncept povezave ET in simulacijskega modela IPP v realnem

času ........................................................................................................ 70



Slika 41: Diagram stanj za agenta pacient ............................................................ 71 Slika 42: V AL izvedeno vstopanje agentovIpacientov v DES ................................. 71 Slika 43: Koncept hibridnega modela .................................................................... 76 Slika 44: Vzročno-posledični diagram hibridnega modela ..................................... 77 Slika 45: Z AL izdelan SD model širjenja gripe v populaciji .................................. 78 Slika 46: Simulator hibridnega modela .................................................................. 79 Slika 47: Simulator širjenja gripe v populaciji ...................................................... 80 Slika 48: Logika delovanja urgentnega oddelka (DES) ........................................... 81 Slika 49: DES logika delovanja Interne klinike ...................................................... 81 Slika 50: Vzročno-posledični diagram dinamike pretoka pacientov na IK ............ 82 Slika 51: Diagram stanj za modeliranje širjenja gripe med agenti pacient,

medicinska sestra, obiskovalec .............................................................. 83 Slika 52: Z AL izdelan SD model Kirurške klinike ................................................... 84 Slika 53: Animacija IK ........................................................................................... 85 Slika 54: V Javi zapisana koda (primer za dodelitev proste postelje na IK

za okuženega urgentnega pacienta) ....................................................... 86 Slika 55: Vpliv števila rezerviranih postelj za urgentne paciente na čas

čakanja na prosto posteljo in število elektivnih sprejemov ................... 88 Slika 56: Vpliv števila postelj na karantenskem oddelku in število

dodatnih postelj na čas čakanja na prosto posteljo pri urgentnih pacientih ................................................................................................ 88

Slika 57: Vpliv izolacijskih ukrepov in cepljenja na število bolnišničnih primerov gripe ........................................................................................ 89

Slika 58: Vpliv prepovedi obiskov na število bolnišničnih primerov gripe (S − Stalna prepoved, N − ni prepovedi .................................................. 89

Slika 59: Dinamika širjenja gripe v populaciji in na IK .......................................... 90



KAZALO TABEL Tabela 1: Primerjava simulacijskih paradigem (povzeto po Gunal, 2010) ........... 20 Tabela 2: Prednosti in omejitve posameznih simulacijskih paradigem ................ 29 Tabela 3: Povprečne vrednosti (vsi anketiranci) vpliva navedenih

ukrepov na pretočnost pacientov; 1 = nič, 2 = malo, 3 = precej .......... 34 Tabela 4: Povprečne vrednosti (vsi anketiranci) (ne)strinjanja s trditvami

o Internistični prvi pomoči; 1 = sploh se ne strinjam, 2 = se ne strinjam, 3 = niti se strinjam niti se ne strinjam, 4 = strinjam se, 5 = zelo se strinjam ........................................................................ 34

Tabela 5: Struktura anketirancev po spolu in poklicu .......................................... 44 Tabela 6: Struktura anketirancev po delovni dobi ............................................... 44 Tabela 7: Rezultati za parne spremenljivke ......................................................... 45 Tabela 8: Rezultati odgovorov na dodatne trditve iz ankete po uvedbi ET .......... 46 Tabela 9: Delež pacientov po triažnih skupinah ................................................... 55 Tabela 10: Validacija modela – povprečne vrednosti in standardna

deviacija .............................................................................................. 60 Tabela 11: Validacija modela s t-testom ............................................................... 61 Tabela 12: Določitev števila ponovitev – rezultati ................................................. 62 Tabela 13: Pregled eksperimentov ......................................................................... 64 Tabela 14: Rezultati eksperimentov ...................................................................... 67 Tabela 15: Kriteriji za izbor simulacijske metode (prirejeno po Chahal,

2010) .................................................................................................... 74



KRATICE AB: agentna simulacija AL: AnyLogic BIS: bolnišnični informacijski sistem

DES: diskretna dogodkovna simulacija ET: elektronska tabla IK: Interna klinika

IPP: Internistična prva pomoč KK: Kirurška klinika RFID: radiofrekvenčna identifikacija

SD: sistemska dinamika SZ: situacijsko zavedanje

UKCL: Univerzitetni klinični center Ljubljana

UO: urgentni oddelek



DELOVNI ŽIVLJENJEPIS KANDIDATA

1989−2003: UKC Ljubljana, KO za urologijo

2003−2008: UKC Ljubljana, Služba za preprečevanje in obvladovanje bolnišničnih okužb

Od 2008−2013: UKC Ljubljana, Služba za kakovost

Od 2013: UKC Ljubljana, KO za anesteziologijo in intenzivno terapijo kirurških strok

Od 2010: Strokovni sodelavec Zdravstvene fakultete Ljubljana

Documents

RAZVOJ HIBRIDNEGA SIMULACIJSKEGA MODELA ZA … · With survey research and statistical testing, we have confirmed that the application of the electronic white board without proper