| dc.description.abstract | Sykehus og helseinstitusjoner over hele verden står overfor en utfordrende situasjon hvor de både må øke kvaliteten på tjenestene sine og kutte kostnader. Denne masteroppgaven presenterer en anvendelse av operasjonsanalyse for kreftpasienter tilknyttet Avdeling for gynekologisk kreft ved Oslo Universitetssykehus. Vi kombinerer analytiske metoder og simulering for å effektivt planlegge og allokere ressurser for kreftpasienter.
Vi undersøker det taktiske planleggingsproblemet for å planlegge og allokere ressurser for kreftpasienter som tar del i et standardisert pasientforløp, eller pakkeforløp. Problemet inneholder flere ressurser og flere pakkeforløp, og dets objektiv er å minimere ventetiden for pasienter i pakkeforløp. Ved å overvåke køene til hver sykehusaktivitet i hvert pakkeforløp, allokerer vi riktig mengde ressurs til riktig tid, og forsikrer riktig pleie til riktig tid. Når problemet løses, genereres det taktiske planer for når pasienter skal gjennomgå ulike sykehusaktiviteter og hvilke ressurser som settes av til hvilke dager. Beslutninger må overholde restriksjoner som omhandler tid, kapasitet, rekkefølge og køer.
Vi presenterer en blandet heltallsmodell som sikter på å løse problemet introdusert ovenfor. Problemet løses for en planleggingsperiode som strekker seg over noen uker. Vi bruker en kommersiell programvare til å løse det blandede heltallsproblemet. Optimeringsmodellen er ment til å fungere som et verktøy som støtter beslutningstaking for planleggingsproblemer med samme karakteristikker som problemet vi presenterer. Oppgaven fungerer som en støtte i planleggingsarbeidet for pasienter i et standardisert pasientforløp ved å foreslå alternative timeplaner for pasienter og ressurser, og ved å automatisere arbeid som i dag kan være manuelt og tidkrevende.
Ved å løse optimeringsproblemet for én planleggingsperiode, blir ikke dynamikken til systemetfullt ut avdekket. For å evaluere og etterligne systemets dynamikk over flere planleggingsperioder, foreslår vi et planleggingsrammeverk med en rullerende horisont-tilnærming. I planleggingsrammeverket løses optimeringsmodellen først for én planleggingsperiode som typisk varer noen få uker. Løsningen av optimeringsmodellen etterfølges av en simulering av løsningen fra optimeringen. Etter simuleringen blir optimeringsproblemet løst på nytt for en ny planleggingsperiode som starter i den tidsperioden simuleringen sluttet. Simuleringen tilfører ikke noe til optimeringen og er ikke noe sykehuset gjennomfører. Simuleringen er heller å regne som et substitutt for faktisk implementering av modellen på sykehuset.
Vårt arbeid foreslår en alternativ tilnærming som allokerer ressurser og planlegger prosessen for pasienter som er innlemmet i et standardisert pasientforløp. For det første håndterer vi tidsfrister. Videre, ved å kombinere optimering og simulering i et planleggingsrammeverk, klarer vi å generere optimal eller nesten optimal løsning for probleminstanser av en viss størrelse og evaluere systemets prestasjon i et stokastisk miljø ved å simulere. Planleggingsrammeverket oppdateres med nye timeplaner for den kommende planleggingsperioden ved å ha en rullerende horisont-tilnærming til problemet. For den rullerende horisonten har vi utviklet en metode som reduserer antallet endringer fra en timeplan til den neste. Dette er gjort for å gi stabilitet og forutsigbarhet for ansatte på sykehuset og pasientene.
Vi presenterer også et eksempelstudie inspirert av Avdeling for gynekologisk kreft på Oslo Universitetssykehus og simulerer hvordan vår modell yter i denne settingen. Her finner vi at 90 % av alle pasienter i et pakkeforløp starter behandlingen sin innenfor tidsfrister gitt av Helsedirektoratet. Vi undersøker også effekten av å variere parametere i planleggingsrammeverket. Resultatene viser at ved å øke lengden på planleggingsperioden, går ventetiden ned. Vi finner også at ved å redusere lengden på implementeringsperioden, altså ved å løse optimeringsmodellen oftere, så minker ventetiden.
Denne masteroppgaven lykkes i å granske hvordan operasjonsplanlegging kan brukes til å timeplanfeste aktiviteter og allokere ressurser for pasienter i standardiserte pasientforløp. Optimeringsmodellen oppfyller målet om å minimere ventetider for pasienter og å allokere flere ressurser til pasienter med ulike diagnoser. Modellen takler også å ta høyde for gjensidige avhengigheter i systemet og rekkefølgekrav for aktiviteter. Vi validerer modellen og systemets ytelse under usikkerhet i et virkeligsnært og dynamisk miljø ved å bruke simulering. I tillegg klarer simuleringsmodellen å evaluere ytelsen til løsninger som optimeringsmodellen finner.
- | |
| dc.description.abstract | Hospitals and health care institutions worldwide are facing a challenging situation where they have to increase the quality of their services, while reducing costs. This thesis presents an application of operations research for cancer patients residing to the Department of Gynecological Cancer at Oslo University Hospital, where analytical methods and simulation are combined for efficient patient admission and resource allocation for cancer patients.
We assess the problem of tactical patient admission and resource planning for patients enrolled in a standardized care process in a multi-disciplinary care system. The problem covers multiple resources and multiple standardized care processes and its objective is to minimize the waiting time for patients enrolled in a care process. By keeping track of queues linked to each hospital activity in each care process, resources are allocated to the correct activity at the right time, ensuring satisfying and timely care. When the problem is solved, a tactical resource and patient admission schedule is generated. Decisions must adhere to pivotal restrictions regarding time, capacity, sequencing and queues.
We present a Mixed Integer Programming (MIP) model that aims at solving the resource and admission planning problem presented above. The problem is solved for a planning period that spans over a few weeks using a commercial MIP solver. The work is intended to serve as a decision support tool for hospital management facing planning problems with similar characteristics as the one presented in this thesis. The work may assist in the planning process of patients enrolled in a standardized care process by suggesting alternative schedules for the patients and resources, and by automating work that to a large distinct today is carried out manually.
Over the course of one such planning period, the dynamics of the system are not revealed. To evaluate and appraise the results of the optimization model and dynamics of the system over multiple planning periods, we suggest a scheduling framework that takes on a rolling horizon approach. The sole purpose of the scheduling framework is to provide an environment that imitates the reality of the hospital where the solutions from the optimization model may be tested. The hospital does not conduct any simulations in their implementation. In the scheduling framework, the optimization model is solved for a planning period. Then, parts of this planning period is simulated. After the simulation, the optimization model is run again for a new planning period, commencing from the day the simulation left off.
Our work offers an alternative way of allocating resources and scheduling patients enrolled in a standardized care process. First, we are able to handle time limits for patients enrolled in a care process. Also, by combining optimization and simulation in the scheduling framework, we are able to first generate optimal or near optimal solutions for the optimization problem and evaluate the framework’s performance in a stochastic environment using simulation. The scheduling framework is updated with new schedules for the coming planning period using the rolling horizon approach. For the rolling horizon approach, we have developed a method that reduces the number of adjustment from one schedule to the next in order to provide predictability for the hospital staff and the patients that are to be serviced.
We provide a case study inspired by the Department of Gynecological Cancer at Oslo University Hospital and simulate how our model performs. Using our work, it is found that 90 % of patients are able to start their treatment within the limits decided by The Norwegian Directorate of Health. Results also show that by increasing the length of the planning period, waiting times decrease. We also find that by decreasing the implementation period, that is running the optimization model more often, waiting times decrease.
This master’s thesis succeeds in exploring how operations research methods may be utilized to schedule patients enrolled in a standardized care process. The optimization model succeeds in achieving the goal of minimizing waiting times and allocating multiple resources to patients with different cancer diagnoses, taking into account interdependence and order constraints. We are also able to validate the model and the system’s performance under uncertainty in a real life and dynamic environment using simulation. In conclusion, the optimization model may serve as a decision support tool in a hospital planning process and the simulation model is used to evaluate the performance of the solutions from the optimization. | |
