Evaluation de la capacité de prise en charge en termes de patients hospitalisés

PROBLÈME:




Lorsque l’on crée un hôpital moderne, les spécialistes de la santé doivent répondre à une liste interminable de questions essentielles et de décisions importantes à prendre. Le comté de Stockholm (Suède) dirigeait un projet de construction d’un nouvel hôpital hautement spécialisé. La Direction de la santé du comté a demandé si elle obtiendrait un niveau acceptable de production de soins à l’aide des investissements et plans en cours concernant divers problèmes opérationnels et stratégiques. Pour obtenir les réponses à ces questions, elle a utilisé la modélisation de simulation d’AnyLogic.


Dans le cas où l’on utilise les simulations modélisées pour traiter des problèmes encore plus sophistiqués, le premier modèle développé est rarement le dernier. L’utilisation correcte de simulations augmente presque toujours l’analyse et la compréhension du problème, ce qui amène souvent de nouvelles questions et un besoin d’étendre ou de modifier la portée du modèle.


Tandis que la première version mettait l’accent sur la capacité totale et les quantités possibles de soins délivrés, la seconde version a permis aux utilisateurs d’expérimenter différents scénarios de délivrance de soins selon la répartition des patients hospitalisés. Cette seconde version a également permis de diviser les patients en divers groupes cliniques avec des caractéristiques uniques, tout en fournissant un outil d’aide à la décision pour équilibrer la manière dont ces besoins étaient pris en charge par différentes ressources de soins aux patients hospitalisés.


Solution:




Pour mieux résoudre les problèmes de la vie réelle avec des simulations, la personne en charge de la modélisation doit avoir une compréhension profonde des défis stratégiques et/ou opérationnels dans ce secteur d’activité (dans ce cas : les soins de santé), bien au-delà d’une simple aptitude à la modélisation. Ceci garantit qu’il/elle sera en mesure d’appréhender l’ensemble du problème, de l’interpréter et de le reformuler, afin de construire un modèle apportant davantage de valeur ajoutée. Dans ce projet, c’est sa compétence dans les domaines de la stratégie, du management et de la production qui a permis au modélisateur d’élaborer sa vision du problème, et ajuster la simulation afin de résoudre les questions auxquelles les parties prenantes avaient vraiment besoin de réponses.


Avant le projet de simulation, les efforts se portaient plutôt sur différentes parties organisationnelles de l’hôpital (département des urgences, soins aux patients hospitalisés, salles d’opération, etc.), et non sur l’hôpital dans son ensemble. Cette démarche est dangereuse, car un hôpital est un système en lui-même et les interdépendances doivent être prises en compte. Le modèle a été conçu pour refléter cette approche systémique.


Dans le premier modèle, chaque parie de l’organisation était décrite à l’aide d’un simulation d’événements discrets sous une forme simplifiée, en termes de processus clés et de ressources primaires, puis ces pièces étaient assemblées et reliées entre elles afin de modéliser les divers flux de patients possibles. Après cela, il était possible d’expérimenter un nombre infini de scénarios hypothétiques, en faisant varier la Demande (les patients entrants), les Ressources (nombre de lits, chambres, etc.), les Durées avec des variations (durée de soins attendue pour les patients hospitalisés, les temps d’opération prévus, etc.) et les Stratégies (comment les patients sont censés se déplacer au sein de l’hôpital).

Modèle de simulation de l’hôpital

Première version du modèle de l’hôpital

Simulation des soins

Seconde version du modèle de l’hôpital


La seconde version du modèle séparait les patients hospitalisés en groupes cliniques. Ceci a été fait pour mieux prendre en compte les caractéristiques et besoins précis dans différents cas, de même que de mieux voir si une allocation supposée des catégories de patients, étant données différentes alternatives, était équilibrée ou même tout simplement possible. Le modèle a également reçu une apparence différente, de sorte qu’il soit clair que c’était un nouveau modèle, même si la plupart de la logique était la même.


Les deux versions du modèle mettaient l’accent sur les ressources physiques plutôt que sur les ressources humaines et en personnel. Cette approche a été choisie parce que, dans les décisions de dimensionnement liées aux bâtiments et investissements, il est plus important de tenir compte des limites déterminée par les ressources physiques. Une autre raison était que, pour mieux modéliser les ressources humaines, il faut prendre en compte les données horaires, les stratégies de planning et diverses catégories de compétences et de rôles, ce qui convient pour un micro modèle, mais n’est plus pertinent dans un exemple de niveau d’abstraction médian comme celui-ci.


RÉSULTATS:




Les statistiques fournies par le modèle comprenaient la production de soins assurée et le taux d’utilisation des ressources. Ceci a permis de mieux appréhender si la capacité de l’hôpital était acceptable.


Grâce au modèle, la production de soins a pu être estimée en termes d’opération réalisée, de soins administrés aux patients hospitalisés, etc. dans le scénario et les circonstances testés. En faisant ceci, les risques et défis possibles ont pu être mieux précisés et analysés tout en évaluant l’utilisation des ressources.


Les principales conclusions produites grâce au modèle ont confirmé ce que beaucoup de parties prenantes affirmaient depuis longtemps, à savoir que le niveau des ressources consacrées aux patients hospitalisés était inférieur aux besoins. Mais grâce au modèle et à l’argumentation du chef de projet de simulation, les décideurs ont été encouragés à prendre des mesures pour traiter le problème.


Dans les problèmes complexes, comportant souvent des intérêts conflictuels, les principaux bénéfices de l’utilisation de modèles dynamiques sont souvent plus qualitatifs que quantitatifs (même si les chiffres jouent un rôle important). Les raisons en sont les suivantes:

  • Les modèles rassemblent toutes les dimensions, problèmes, paramètres, indicateurs, etc. en un seul lieu (le modèle), et les représentent de manière visuelle. Ceci sert souvent de catalyseur pour augmenter la compréhension et le niveau d’analyse.
  • Les modèles permettent d’envisager un nombre de scénarios infini, de sorte que toutes les parties ayant des intérêts conflictuels peuvent tester leurs hypothèses (et peuvent au final mieux comprendre les opinions contradictoires).
  • Les soins de santé sont un domaine où les décisions sont fortement influencées par la politique. De plus, les compétences et la culture majeures dans ce domaine comprennent un haut niveau de connaissances médicales et de raisonnements basés sur des preuves, plutôt que la gestion d’exploitation et les raisonnements en termes de système. C’est pourquoi il est nécessaire de rendre compréhensibles les problèmes du type de ceux impliqués par ce projet. La simulation peut aider les décideurs dans le domaine des soins de santé à orienter les discussions dans une meilleure direction et, au final, à prendre de meilleures décisions.

Ce modèle a fait office de matrice pour d’autres modèles dans les cas où le problème consistait à analyser les opérations dans les hôpitaux existants. La logique de ce modèle peut être vue comme générique, permettant ainsi à considérer l’hôpital comme un système et d’évaluer si le système est équilibré ou non.


More Case Studies

  • Modélisation des opérations dans les entrepôts de distribution pharmaceutique
    Cardinal Health, une société de distribution et de logistique pharmaceutique d’un milliard de dollars, gère plusieurs produits pharmaceutiques de marque et génériques, ainsi que des produits sans ordonnance, des articles de santé et de beauté et sa propre marque privée. Brian Heath, Directeur des Analyses avancées chez Cardinal Health, également utilisateur expérimenté des logiciels AnyLogic, a eu recours à la modélisation basée sur des agents pour résoudre divers problèmes de l’entreprise, économisant ainsi plus de 3 millions de $ chaque année.
  • Aide à la décision en soins de santé par simulation hybride – Unités d’AVC mobiles
    Les AVC causent de graves invalidités, génèrent des coûts élevés en soins et en rééducation, et leur fréquence augmente au sein d’une population de plus en plus âgée. Les thromboses en sont la source prédominante et, dans la mesure du possible, celles-ci doivent être traitées par thrombolyse (sauf en cas de thrombose hémorragique, et en veillant à attendre 4,5 heures après l’attaque). Actuellement, le processus de transport et l’administration interne des hôpitaux font perdre un temps précieux au patient. La mise en place d’unités d’AVC mobiles est apparue comme un remède possible.
  • Modélisation par simulation basée sur les statistiques des soins de santé
    Afin de prendre leurs décisions, les professionnels de la santé ont besoin d’outils pour planifier, tester et évaluer les nouvelles technologies et interventions. Patrick Einzinger et Christoph Urach de DWH Simulation Services et de l’Université de technologie de Vienne, en partenariat avec l’Association autrichienne des assurances sociales (AASI), ont pu analyser les données publiques afin de prendre des décisions critiques pour le futur.
  • Simulation de l’exploitation dans une maternité
    Ce modèle simule le service de maternité dans un hôpital en cours de construction. Le but de ce modèle est de servir de support aux discussions sur les ressources, les capacités et les méthodes de travail requises pour cette nouvelle maternité. Le projet a été réalisé pour l’hôpital de l’université de Karolinska dans le comté de Stockholm (Suède).
  • Traitement de tous les besoins en soins des patients sous dialyse
    Le comté de Stockholm (Suède), comme chaque pays ou région, expérimente un besoin continu de prise en charge des besoins en soins de santé de divers groupes de patients. Chaque groupe peut être considéré comme une sous-population, avec ses propres caractéristiques et défis spécifiques. Le projet de simulation à l’étude se concentrait sur les patients sous dialyse, un groupe qui doit se rendre dans des installations de soins de manière fréquente.
  • Applications de réponses aux désastres à l’aide de la modélisation basée sur des agents
    Dans son effort pour trouver des solutions opérationnelles pratiques pour trouver une réponse rapide et efficace à une crise imprévue ou une catastrophe naturelle, Batelle avait besoin de tester l’efficacité d’une mise enplace d’un abri en 48 heures dans un scénario d’abri nucléaire improvisé (IND). Le but visé était de réduire les doses de radiations reçues pendant une évacuation de masse non coordonnée, en comparant l’évacuation immédiate avec la mise en place d’un abri.
  • Evaluation des politiques de santé afin de réduire le taux d’accouchements par césarienne
    La nécessité de réduire le taux d’accouchement par césarienne est reconnue par de nombreux chercheurs depuis des années. Pour la première fois, dans une recherche menée pour l’Etat de Washington State, Alan Mills, FSA MAAA ND, actuaire chercheur, et ses collègues ont reproduit cette partie du système de soins américain dans un modèle de simulation.
  • Formulation de politiques sur les soins de santé à l’aide de la simulation
    Cette initiative du Départment de l’ingénierie mécanique et industrielle de l’univerité de Toronto, le Centre de recherche sur l’ingénierie de la santé (CRHE), répondait au désir immédiat et irrésistible d’apporter des améliorations dans le rendement et la qualité du système de santé Canadien.
  • An Agent-Based Explanation for SPMI Living Situation Changes
    Over the past 60 years, the number of Severely and Persistently Mentally Ill (SPMI) patients in the US living in the community increased. Yet a growing minority of people with severe illness are worse off because they are homeless or incarcerated. In this case study, IBM Global Research and Otsuka Pharmaceuticals used an agent-based approach to model these remarkable swings.
  • Outpatient Appointment Scheduling Using Discrete Event Simulation Modeling
    Indiana University Health Arnett Hospital, consisting of a full-service acute care hospital and a multispecialty clinic, faced poor statistics because the number of no-show patients (those who don’t show up for their scheduled appointments) rose dramatically to 30%. This was primarily connected to the fact that clinic schedules were driven by individual preferences of the medical staff, which led to increased variations in scheduling rules. To eliminate the problem, the client wanted to develop a scheduling methodology that would benefit the clinic, doctors, and patients.