Problème:
L’Indiana University Health Arnett Hospital, un centre hospitalier avec un service de consultations externes multi-spécialités, présentait de mauvaises statistiques car le nombre de désistements de patients (ceux qui ne se présentent aux rendez-vous prévus) a augmenté spectaculairement pour atteindre 30%. Cela était principalement dû au fait que les horaires de la clinique étaient décidés en fonction des préférences individuelles du personnel médical, entraînant de nombreuses variations en matière d’horaires. Pour mettre fin à ce problème, le client souhaitait développer une méthodologie de planification des horaires avantageuse à la fois pour le service de consultations, les docteurs et les patients. Des experts de la Texas A&M University ont été engagés afin de bâtir un système de programmation prédictive afin d’optimiser les emplois du temps des médecins et de diminuer le nombre de désistements. Ils cherchaient également à:
- Améliorer l’efficacité des docteurs.
- Augmenter l’utilisation des locaux.
- Maintenir au plus bas les heures supplémentaires des médecins.
- Réduire le temps d’attente pour les patients.
Solution:
Pour répondre au défi de la planification des rendez-vous, les experts ont développé un modèle par simulation des évènements discrets à l’aide du logiciel AnyLogic. Le modèle simulait le processus de prise de rendez-vous des patients et les examens ultérieurs. Pour mieux représenter les flux des patients dans le modèle, ils ont été répartis dans l’un de ces cinq groupes:
- Patients demandant des rendez-vous le jour même
- Nouveaux patients à haute priorité.
- Reconsidération de la haute priorité.
- Nouveaux patients à basse priorité.
- Reconsidération de la basse prioritaire.
Les patients à haute priorités disposaient d’une assurance maladie, à la différence des patients à basse prioritaires.
L’interface montrait comment les patients étaient mélangés, en fonction de la durée du traitement pour les types de patients (l’hypothèse retenue était la suivante : la durée de la consultation des nouveaux patients était supérieure à celle pour les patients, déjà venus en consultation auparavant) et les facteurs saisonniers. L’écran de saisie du modèle a été utilisé pour intégrer les paramètres suivants:
- Nombre de demandes de rendez-vous par heure auxquelles le service de consultations peut répondre à chaque moment de la journée.
- Taux de désistement.
- Emploi du temps des médecins, y compris les heures de disponibilité et le nombre de patients qu’ils peuvent voir chaque jour. Il était également possible de limiter le nombre de nouveaux patients et de malades qu’un médecin peut voir chaque jour.
- La partie des patients malades redirigés vers un autre médecin ou infirmière.
L’utilisateur pouvait modifier ces paramètres de capacité pour voir quels changements aideraient à optimiser les heures de travail des médecins et le temps d’attente des patients. Le modèle des évènements discrets a montré la séquence d’opérations suivante:
- Les patients qui se présentés étaient répartis dans les cinq groupes. Les patients malades demandant des rendez-vous le jour même et qui sont traités le jour même, tandis que les autres patients prennent un rendez-vous et attendent chez eux.
- Le jour de rendez-vous, quand les patients doivent venir à la clinique, le modèle calcule le taux de désistement en fonction des probabilités indiquées dans les données d’entrée du modèle.
- Si les patients viennent, ils sont examinés par les médecins ou infirmières, puis ils quittent l’hôpital.
L’écran de sortie montrait les résultats du modèle par simulation des flux de patients et les indicateurs de performance lors de l’exécution de la simulation. Les données prenaient en compte:
- Nombre de patients traités par type de visite de patient.
- Nombre de désistements de patient par type de visite de patient.
- Délai de rendez-vous par type de visite de patient.
- Proportions de patients redirigés vers un autre médecin, infirmière ou les urgences.
- Capacité journalière maximale du service de consultations.
Le modèle permettait également aux médecins de tester différentes théories à propos de leur emploi du temps. Ils pouvaient ajuster celui-ci dans le modèle par simulation de flux de patients et voir comment changent leurs occupation et des heures supplémentaires.
Pourquoi créer le modèle de flux de patients par simulation avec AnyLogic?
Les développeurs ont choisi AnyLogic pour plusieurs raisons. Tout d’abord, le logiciel AnyLogic leur permettait de capturer facilement des indicateurs à évènements discrets, comme les taux d’utilisation, le temps passé par les patients dans le service de consultations et le temps d’attente. Grâce à AnyLogic, il était possible d’étendre le modèle à évènements discrets principal avec des approches de dynamiques de système et multi-agents. De plus, la capacité d’AnyLogic à créer des interfaces attirantes et conviviales rendait plus simple l’expérimentation par d’autres utilisateurs du modèle de flux de patients par simulation et leur permettait de modifier les paramètres de saisie sans nécessiter une formation.
Conclusions:
Le modèle de flux de patients par simulation AnyLogic a permis de trouver plusieurs moyens pour améliorer l’efficacité opérationnelle et la satisfaction des patients du service de consultations externes. L’utilisation du modèle par simulation de flux de patients ne nécessitait pas de compétences spécifiques et fournissait des statistiques de sortie détaillées, avec notamment:
- Taux d’occupation par les employés et le nombre d'heures supplémentaires.
- La répartition des patients parmi le personnel médical.
- Le temps d’attente des patients et bien d’autres encore.
Les données obtenues ont permis aux utilisateurs de voir la façon dont l’emploi du temps impactait les processus de travail du service de consultations et a fourni des pistes pour : l’amélioration des flux de patients dans le service de consultations externes et le choix de meilleures politiques de gestion du personnel.
AnyLogic a présenté une méthode permettant de tester des hypothèses avant de les mettre en place dans le service de consultations et a fourni différentes prévisions. De plus, le modèle à évènements discrets pouvait être étendu avec d’autres approches de simulation si nécessaire. Cette fonctionnalité rendait le modèle plus ajustable en vue de la conception d’un système de planification des rendez-vous dans d’autres services de consultation externe présentant les mêmes caractéristiques.
