Practical application of simulation models at Careggi university hospital
•Download as PPTX, PDF•
0 likes•83 views
Presentazione dello speech tenuto da Duccio Cocchi (Researcher - Università degli Studi di Firenze) e Claudio Carpini (Direction Assistant - Azienda Ospedaliero-Universitaria Careggi Firenze) intitolata "Practical application of simulation models at Careggi university hospital" , durante il Decision Science Forum 2019, il più importante evento italiano sulla Scienza delle Decisioni.
Recommended
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Practical application of simulation models at Careggi university hospital
Similar to Practical application of simulation models at Careggi university hospital (20)
More from Decision Science Community
More from Decision Science Community (13)
Recently uploaded
Recently uploaded (20)
Practical application of simulation models at Careggi university hospital
- 1. www.decisionscienceforum.com PRACTICAL APPLICATION OF SIMULATION MODELS AT CAREGGI UNIVERSITY HOSPITAL Ing. Duccio Cocchi Dott. Claudio Carpini
- 2. • Reliable • Saves time and resources • Allows to test multiple scenarios and to choose the best one • There are references in scientific literature that discrete event simulation is reliable even in healthcare environment • Used to analyze process modification without risks and with low costs WHY SIMULATION?
- 3. WHY SIMULATION? • Applications focused primarily on management and optimization of first aid, and operating rooms • Logistic and bureaucratic services are also a component of primary importance for the correct functioning of the hospital • The analysis of processes of this type is widely treated in literature, although rarely in healthcare • The management of a front office service has common characteristics, regardless of the place and the specific function
- 4. FRONT OFFICE PROBLEMS • Increasing of workload • Adding reception of diabetology clinics • Increasing of waiting time • Decrease of service quality
- 5. WORKLOAD • Database data from 1/2/2016 to 24/11/2016 • 126850 accesses, approximately 600 per day • 6 types of service, everyone with a different time of service and daily trend of accesses
- 6. WORKLOAD
- 7. WORKLOAD INCREASE • Management decided to transfer reception of diabetology clinics • These patients have priority over others • Waiting time increased significantly due to this additional workload
- 8. • Incoming flow • Daily and weekly trend of accesses • Number of front office desks • Service time DATA ANALYSIS
- 10. DATA ANALYSIS
- 11. DATA ANALYSIS • The number of accesses increased by over 30% in the fourth quarter of 2017 compared to data extracted from the database • There are approximately 500 more weekly accesses caused by diabetology • Waiting time increased from 7 minutes e 20 seconds to 10 minutes e 37 seconds
- 12. DATA ANALYSIS
- 13. PROCESS ANALYSIS • Understand how the requests are handled • Precise analysis of each step of the process • There are services with higher priority than others?
- 14. Delivery of laboratory exams Delivery of diagnostic reports Bookings Request of medical reports Delivery of medical reports Urgencies PROCESS ANALYSIS SERVICES PROVIDED
- 15. PROCESS ANALYSIS • Payment needed in some cases • Patients can pay before or during the service • Lack of affordable data related with payment • We can’t find the precise number of payment and how long does them last
- 16. PROCESS ANALYSIS There are 2 services with a higher priority than others: • Urgencies have priority over all • Diabetology have priority over other services excepts Urgencies
- 17. DEVELOPMENT OF SIMULATION MODEL
- 18. DEVELOPMENT OF SIMULATION MODEL • The simulation model was developed based on information gathered through process and data analysis • The model had to be modified several times to correctly simulate the process • Some features of the process were not immediately identified
- 19. DEVELOPMENT OF SIMULATION MODEL • The arrival of patients is managed with schedules based on the historical trend of accesses • Their path is determined with attributes based on the analysis of historical data cliniche Consegna cartelle T ru e F a l s e no Info Station 11 Station 12 Station 13 Route 8 Route 9 Route 10 diagnostica Consegna referti laboratorio Consegna referti cliniche Richiesta cartelle Urgenze P renotazioni A ltri utenti A ttributi1 A ttributi2 A ttributi3 A ttributi4 A ttributi5 A ttributi6 Percorso T ru e F a l s e Diabetologia A ttributi7 Nuovo flusso A ttributi8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
- 20. DEVELOPMENT OF SIMULATION MODEL Pagamento Tondo n o n v a a l l o s p o rte l l o Tr ue Fals e Altro Pa g a m e n to e ffe ttu a to Tr ue Fals e Fine Sta ti o n 1 4 Sta ti o n 1 5 Sta ti o n 1 6 Sta ti o n 1 7 Sta ti o n 1 8 Ro u te 1 1 Ro u te 1 2 Sta ti o n 1 9 Ro u te 1 3 F i n e p ro c e d u raHo l d 2 O r iginal Duplic at e Separat e 8 Assign 48 Sta ti o n 2 0 Ro u te 1 4 Tr ue Fals e Pa g a m e n to p re s e rv i z i o Sa l d o Fine saldo p ro c e d u ra Co m p l e ta m e n to Procedura Procedura bis Sport ello Pe rc o rs o 2 Tr ue Fals e Assign 83 Utent i in codaT i p o s e rv i z i o Tr ue Fals e d i a b F i n e p ro c e d u ra 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 • The model manages three routes for users: counters, payment and information office • The service time at the counters is based on direct observations • Information office has not been tested due to lack of data
- 21. DEVELOPMENT OF SIMULATION MODEL • Shared resources and sets of resources to simulate the front office • Duplicate entity that enters the payment path, while the original one keeps the resource occupied • The model registers the number of people in queue and the waiting time
- 22. DEVELOPMENT OF SIMULATION MODEL • All parameters can be modified through a simple Excel file • A control dashboard has been developed. It allows to easily display the main indicators during the simulation • The simulation model is easily usable even by personnel not experienced in using Arena
- 23. DEVELOPMENT OF SIMULATION MODEL
- 24. VALIDATION • The most significant indicators were used to verify the correct functioning of the model • Number of weekly accesses • Waiting time of patients, both globally and for each service
- 25. VALIDATION Historical data Model Difference Weekly accesses 3048 3048 0 % Waiting time for delivery medical reports 7’41” 7’48” 1,5 % Waiting time for delivery diagnostic reports 7’18” 7’01” 4 % Waiting time for delivery laboratory exams 7’18” 7’00” 4,2 % Waiting time for request medical reports 8’00” 8’18” 3,7 % Waiting time for urgencies 1’11” 35” 50,6 % Waiting time for booking 7’32” 7’42” 2,3 % Total waiting time 7’20” 7’09” 2,6 %
- 26. VALIDATION • The results of the comparison show that in almost all cases the difference between model predictions and real data is less than 5% • The only case in which there is a significant difference is for urgencies, which however are numerically irrelevant • Based on these evidences, the model was considered properly functioning, and used for process optimization
- 27. SIMULATION OF SCENARIOS • To optimize the process it is necessary to find the right balance between resource use and waiting time • Each scenario is evaluated based on these two indicators • The final choice was made by mutual agreement with the management in order to reduce waiting times by using a number of operators at front office that allows the maintenance of back office operations
- 28. SIMULATION OF SCENARIOS • After interviews with the operators and the management, different scenarios were hypothesized to find the best solution • The best of the tested scenarios provides an average wait for patients of 4 minutes and 13 seconds • The actual data were compared with the forecasts to test the correct functioning of the model
- 29. SIMULATION OF SCENARIOS Time slot Resouces without priority Diabetology 7:30-8:30 3 2 8:30-9:30 5 2 9:30-10:30 8 2 10:30-11:30 8 3 11:30-12:30 8 3 12:30-13:30 3 2 13:30-14:30 3 2 14:30-15:30 3 2 15:30-16:30 3 2 16:30-17:30 3 1 17:30-18:30 3 1
- 30. SIMULATION OF SCENARIOS • The scenario plans to use part of the resources for a path dedicated only to diabetology • These operators serve other users only if there are no patients awaiting diabetology acceptance • The others take care of the services that were provided before the diabetology transfer
- 31. IMPLEMENTATION • The trial took place from 5 March to 12 May 2018 • To detect problems with implementation, it was necessary to carry out direct monitoring of the front office activity throughout the period
- 32. IMPLEMENTATION KPI October-December 2017 March 5th-May 12th 2018 Difference Total waiting time 10:37 6:09 -42,1% Waiting time of patients without priority 11:26 6:29 -43,3% Waiting time of diabetology 3:54 2:59 -23,7%
- 33. IMPLEMENTATION • New scenario implemented from May 14th to July 7th 2018 • 1 operator less between 9:30 to 12:30 for users without priority • Direct monitoring shows that the program is respected more precisely than the previous one
- 34. FINAL RESULTS KPI October-Decembre 2017 May 14th-July 7th 2018 Diabetology patients who wait more than 20 minutes 1,8% 0,2% Patients without priority who wait more than 20 minutes 19,2% 2,9% Diabetology patients who wait more than 10 minutes 10,8% 4,1% Patients without priority who wait more than 10 minutes 47,4% 22,6% Diabetology patients who wait less than 5 minutes 75% 81,5% Patients without priority who wait less than 5 minutes 33% 54,5% Maximum waiting time for diabetology 52:00 28:00 Maximum waiting time for patients without priority 49:00 42:00
- 35. FINAL RESULTS KPI Forecast of model May 14th – July 7th 2018 Difference Waiting time of patients without priority 6:55 6:16 -9,6% Waiting time of diabetology 4:10 2:58 -28,9%
- 36. • Historical data of service and payment times are not available in a database • They have been estimated with direct monitoring on a sample, so it is possible that there are discrepancies with respect to the real value • The service time for diabetology acceptance has dropped significantly over time thanks to the increased experience of the operators • Direct monitoring shows that, despite the improvement, the program is not always respected FINAL RESULTS EXPLANATION OF THE DIFFERENCES
- 37. FINAL RESULTS • The application of the new organization has led to a significant improvement of all performance indicators of the process • The model forecasts are close to the real data • The differences can be explained objectively
- 38. CONCLUSIONS • All the goals that were set at the beginning of the project were achieved • Reduction of patients waiting time • Demonstration of correct functioning of the model • After these important results, the use of simulation models has been extended to other processes
- 39. FUTURE DEVELOPMENTS • Use of simulation models for process analysis and optimization • Reorganize and improve communication with patients • Reduce waiting time at the call center • Improve the management of the URP email service • Extend the use of the tool to healthcare processes
- 40. FUTURE DEVELOPMENTS • A simulation model has already been developed to handle calls to the call center • The validation gave satisfactory results • The tool is expected to be used as part of a vast operational and technological reorganization of the service
Editor's Notes
- Buongiorno, il mio nome è Duccio Cocchi e lavoro come assegnista di ricerca dell’Università di Firenze presso L’Azienda Ospedaliero Universitaria di Careggi. Prima di iniziare ad esporvi il nostro progetto ed i risultati ottenuti, vorrei ringraziare il Dott. Carpini, che ha creduto in questo progetto e che ha permesso di sviluppare negli ultimi anni l’utilizzo di Arena come software di simulazione all’interno dell’azienda ospedaliera, permettendo di migliorare i servizi ai pazienti e di allargare la nostra ricerca in ambiti sempre nuovi.
- Perché abbiamo scelto di utilizzare la simulazione in ambiente ospedaliero? In primo luogo è stato ampiamente dimostrato che è una tecnica molto affidabile in ogni ambito in cui è stata usata fino ad oggi, partendo ovviamente dall’industria, per poi allargarsi al mondo dei servizi. Inoltre ha il vantaggio di far risparmiare tempo e risorse all’azienda che la utilizza, cosa particolarmente importante soprattutto in questo ambiente. Infatti, valutare una modifica organizzativa, che potrebbe portare a dei miglioramenti, testandola senza rischi e con costi bassi, è molto appetibile.
- Anche se in numero minore rispetto ad applicazioni industriali, esistono molti esempi in letteratura dell’utilizzo di software di simulazione in sanità. Le problematiche affrontate più di frequente sono relative a processi strettamente sanitari, come il funzionamento del pronto soccorso o delle sale operatorie, che sono importantissimi per l’ospedale, sia dal punto di vista sanitario che finanziario. Tuttavia ci sono processi di tipo logistico e burocratico che impattano in maniera importante sulla qualità del servizio ai pazienti. Un esempio lampante è il processo oggetto del nostro studio, e cioè il centro servizi dell’ospedale Careggi. Il nostro lavoro si è concentrato sull’ottimizzazione dell’attività di front office, che sarà descritta più avanti nel dettaglio, utilizzando anche spunti presenti in letteratura presi da studi che hanno affrontato lo stesso problema, ma in ambienti diversi, considerando le caratteristiche comuni presenti.
- Il motivo per cui ci siamo concentrati sul centro servizi è stato l’insorgere di alcuni problemi organizzativi, dovuti ad un aumento del carico di lavoro ed all’aggiunta di una nuova attività, che hanno portato all’aumento del tempo di attesa degli utenti e ad una grave riduzione della qualità del servizio, a cui la dirigenza ha deciso di porre rimedio attraverso lo sviluppo e l’utilizzo di un modello di simulazione. Lo scopo finale di questo progetto è quindi duplice: creare un modello di simulazione funzionante, dimostrando la validità dello strumento, e migliorare il servizio per gli utenti.
- Come primo passo per comprendere le caratteristiche del processo, è stata effettuata un’analisi dei dati storici disponibili, per definire i parametri principali indispensabili per il funzionamento del modello. I dati estratti dal database coprono circa 10 mesi, con 126850 accessi in totale al front office, ed una media di circa 600 al giorno per i 6 servizi disponibili in quel periodo.
- Come si può osservare in questo grafico il numero e l’andamento giornaliero degli accessi varia in maniera specifica per ognuno, spingendo fin dall’inizio dell’analisi per l’utilizzo, al momento dello sviluppo del modello di simulazione, di schedule di arrivo su base oraria calcolati singolarmente in base al tipo di richiesta dell’utente. Dal grafico si capisce inoltre come le ore centrali della mattina siano le più critiche, a causa dell’elevato carico di lavoro.
- La decisione di aggiungere il servizio di accettazione degli ambulatori di diabetologia, i cui pazienti hanno la precedenza rispetto agli altri, ha portato ad un aumento del carico di lavoro che non era possibile gestire in maniera adeguata con l’organizzazione delle risorse umane precedentemente utilizzata, cosa che ha portato ad un aumento del tempo di attesa degli utenti.
- Proseguendo con l’analisi dei dati, ci siamo concentrati sullo studio del flusso dei pazienti, con particolare attenzione al calcolo degli accessi nelle varie fasce orarie e nei giorni della settimana, poiché è emerso che il carico di lavoro presenta delle differenze significative in base all’orario ed al giorno. Altri parametri fondamentali sono il numero di risorse utilizzate per il front office ed il tempo di servizio in base al tipo di richiesta. Per quanto riguarda questi ultimi due parametri i dati storici purtroppo sono risultati mancanti, a causa della mancanza di un programma predefinito dei turni di lavoro agli sportelli in un caso, e per problemi con il software di gestione della coda nell’altro.
- I problemi relativi alla gestione del carico di lavoro sono emersi subito in maniera chiara. Infatti, come potete osservare nel grafico, c’è una correlazione molto forte tra numero di accessi e tempo di attesa. La spiegazione di questo andamento è stata trovata osservando direttamente il processo, ed attraverso colloqui con il personale. Purtroppo, sottovalutando l’importanza dell’analisi dei flussi, non era prevista un’organizzazione precisa dei turni di lavoro, ma gli sportelli venivano aperti e chiusi in base a valutazioni immediate sull’aumento o la diminuzione del tempo di attesa, causando ovviamente un rapido aumento della coda nelle fasce orarie di maggiore afflusso, cioè dalle 9:30 alle 12:30.
- In questo grafico si vede il confronto tra le risorse utilizzate ed il tempo di attesa, in cui è chiaro che la gestione delle risorse segue l’andamento del tempo di attesa, piuttosto che cercare di gestirlo. Per completezza tuttavia, bisogna sottolineare che questi dati hanno solo una valenza indicativa, poiché non sono del tutto affidabili per quanto riguarda l’effettivo utilizzo degli sportelli, che è stato accertato essere inferiore ai numeri qui riportati.
- Proseguendo con l’analisi dei dati successiva al trasferimento del nuovo servizio di accettazione della diabetologia, rispetto ai record del 2016 estratti dal database, si può osservare un incremento significativo del numero di accessi, pari a circa il 30%. Questo aumento non è dovuto solo alla diabetologia, che comunque contribuisce con circa 500 accessi alla settimana, ma è imputabile anche ad un aumento generale del numero di utenti che in un primo tempo era stato sottovalutato. Questa situazione ha reso ancora più urgente un intervento di ottimizzazione dell’utilizzo delle risorse per il front office, soprattutto a causa del consistente aumento del tempo di attesa, e quindi dei disagi degli utenti.
- Come già accennato in precedenza il carico di lavoro non è costante, gli accessi infatti tendono a diminuire durante la settimana, quindi i primi giorni, ed in particolare il lunedì, sono i più impegnativi dal punto di vista del carico di lavoro. Tuttavia, per evitare problemi nell’implementazione dei turni di lavoro, è stato deciso di testare con il modello un programma uguale per tutti i giorni della settimana, tranne il sabato in cui il centro servizi è aperto solo la mattina. Questo approccio è stato necessario per cercare di ridurre al minimo i problemi di adattamento per gli operatori, che comunque si sono presentati lo stesso in fase di implementazione.
- Il passo successivo per lo sviluppo del modello di simulazione è quello di analizzare anche le caratteristiche e le peculiarità del processo oltre ai dati storici, per capire come le varie richieste vengono gestite, con particolare attenzione a tutte le attività necessarie, i relativi tempi e l’eventuale priorità di alcuni pazienti sugli altri.
- In primo luogo sono stati individuati i servizi prestati al front office: consegna di esami di laboratorio, di diagnostica, prenotazioni di esami, richiesta e consegna di cartelle cliniche e urgenze. Come visto precedentemente, i dati relativi agli accessi sono disponibili nel database per ogni attività, al contrario il tempo di servizio non viene rilevato dal software di gestione della coda e quindi è stato necessario stimarlo con un monitoraggio diretto effettuato su un campione di utenti. Questa stima ha ovviamente dei problemi di affidabilità, ma è stata l’unica soluzione percorribile per procedere alla validazione del modello ed al suo successivo utilizzo.
- Un altro parametro particolarmente complicato da stimare è quello relativo al tempo di pagamento. Per alcune delle prestazioni effettuate agli sportelli infatti, è necessario il pagamento di un ticket, che spesso avviene quando l’utente si trova allo sportello. Se avviene questo il paziente deve recarsi personalmente al totem, occupando al contempo lo sportello. Anche in questo caso sia il numero di pagamenti effettuati, sia i tempi di pagamento, sono stati stimati in maniera diretta, con i conseguenti problemi di affidabilità, per la mancanza di dati storici a cui affidarsi.
- Per quanto riguarda la precedenza dei servizi, è emerso che tutte le prestazioni hanno la stessa priorità, eccetto le urgenze, che hanno precedenza su tutti, e l’accettazione degli ambulatori di diabetologia che hanno priorità su tutti tranne che sulle urgenze.
- Terminata l’analisi dei dati e di processo, è iniziata la delicata fase di sviluppo del modello, con successiva validazione dello strumento, con l’obbiettivo finale di utilizzarlo nella pratica per ottimizzare il processo e migliorare il servizio per gli utenti.
- La natura abbastanza complessa di alcuni passaggi procedurali ha portato a dei problemi in fase di sviluppo. In particolare, è stato necessario modificare in corso d’opera il modello, via via che emergevano nuove caratteristiche di gestione di alcune fasi del processo che inizialmente non erano state adeguatamente considerate o segnalate dagli operatori.
- Andiamo ora ad analizzare nel dettaglio come vengono gestiti i vari passaggi nel modello di simulazione. L’arrivo dei pazienti è impostato con uno schedule su base oraria diverso per ogni servizio e basato sui dati storici del database, che sono i più affidabili. Il percorso che seguiranno le entità, che simula le caratteristiche del processo reale, è determinato attraverso degli attributi assegnati ad ogni entità in base all’analisi di processo e dei dati storici. Questi attributi, che possono essere modificati dall’utilizzatore, guidano l’entità quando questa passa attraverso i moduli di decisione.
- Gli utenti possono seguire tre percorsi: front office, pagamento e ufficio informazioni. Quest’ultimo percorso non è stato attivato per mancanza di dati e perché al momento la sua analisi non è nell’interesse della dirigenza. Tuttavia, è stato inserito in previsione di una futura analisi di questo servizio, che è prevista nel prossimo futuro. Al momento comunque solo i due percorsi di front office e pagamento sono stati testati e utilizzati. Il tempo di servizio allo sportello, quello di pagamento ed il numero di utenti che utilizzano i totem per il pagamento del ticket, sono basati su osservazioni dirette, quindi sono meno affidabili dei dati sugli accessi estratti dal database.
- Per simulare l’attività degli sportelli di front office sono stati utilizzati set di risorse e risorse condivise. In particolare gli sportelli sono divisi in due gruppi: uno riservato all’accettazione della diabetologia, che serve gli altri utenti solo se non ci sono persone in attesa, mentre i rimanenti sportelli sono riservati a tutti gli altri servizi. Per simulare un processo di questo tipo, sono stati riservati ai pazienti di diabetologia le omonime risorse, con priorità massima. Al contrario gli altri utenti condividono un set di risorse formato dagli sportelli riservati alla diabetologia più tutti gli altri, con priorità bassa. in questo modo l’accettazione della diabetologia viene effettuata solo negli sportelli riservati, che però possono essere utilizzati anche per altre attività se momentaneamente vuoti. Se un utente deve recarsi ad un totem per il pagamento di un ticket durante la procedura allo sportello, il modello crea un’entità duplicata che occupa la risorsa per il pagamento per il tempo previsto, mentre l’entità originale mantiene occupato lo sportello fino a che il pagamento non è concluso, simulando in maniera esatta la procedura reale. Il modello registra il numero di persone in coda ed il tempo di attesa, in modo da poter essere utilizzato per valutare le prestazioni del processo al variare dei parametri.
- Proprio a questo fine, una delle caratteristiche interessanti del modello che è stato sviluppato è la facilità di utilizzo. Infatti, tutti i parametri, compresi gli accessi di ogni fascia oraria, le risorse, i tempi di servizio, e così via, possono essere modificati attraverso un file Excel, senza andare ad agire direttamente all’interno del modello, cosa che può risultare complicata a chi non è esperto dello strumento.
- Inoltre, è stata sviluppata una dashboard per visualizzare i principali indicatori durante la simulazione. In questo modo si può avere un’idea dell’andamento della coda e dell’attesa nei vari giorni della settimana durante la simulazione, tuttavia il report finale è sicuramente lo strumento più indicato per avere dei valori affidabili basati su un numero elevato di repliche.
- Ovviamente, prima di andare ad utilizzare il modello per riorganizzare il processo, è necessario procedere con la validazione. Per fare ciò sono stati scelti gli indicatori più significativi: il numero di accessi settimanali, per essere sicuri che gli schedule degli accessi siano corretti, ed il tempo di attesa degli utenti, sia per singolo servizio che a livello totale, per verificare la correttezza delle stime.
- Come si può osservare nella tabella i dati sono molto positivi, con differenze contenute per quasi tutti i servizi. In particolare è interessante il numero di accessi settimanali, che dimostrano la correttezza degli schedule, ed il tempo di attesa totale, con una differenza minima tra stime del modello e dati storici.
- L’unica differenza significativa è quella delle urgenze, che tuttavia sono numericamente irrilevanti rispetto al totale, ed hanno delle caratteristiche molto peculiari che ne rendono difficile una perfetta riproduzione. A parte questo le stime del modello sono molto vicine alla realtà, con differenze inferiori al 5%, e quindi il modello può essere considerato correttamente funzionante ed utilizzato.
- Una volta completata la fase di sviluppo, e dimostrato il corretto funzionamento del modello, è il momento di procedere all’ottimizzazione del processo. L’obbiettivo finale è trovare un giusto equilibrio tra le risorse umane impiegate per l’attività di front office, e quelle necessarie per il back office, il tutto riducendo al minimo il tempo di attesa degli utenti. Per raggiungere lo scopo sono stati testati diversi scenari, con un numero diverso di sportelli nelle varie fasce orarie, per trovare la soluzione migliore.
- Lo scenario con le migliori prestazioni è mostrato nella slide successiva, e prevede un tempo di attesa per gli utenti, sia con priorità che senza, di 4 minuti e 13 secondi. Comunque, nonostante la validazione abbia dato risultati molto positivi, solo una prova diretta può dare la conferma definitiva del corretto funzionamento del modello.
- Il test è stato effettuato secondo le specifiche riportate nella tabella, dove si può osservare la divisione tra sportelli dedicati alla diabetologia e risorse senza priorità. In corrispondenza del picco degli accessi è concentrato il maggior numero di risorse, in modo da gestire con meno disagi possibile la situazione.
- La gestione dei due percorsi, con o senza priorità, segue le caratteristiche precedentemente esposte, con gli sportelli della diabetologia che servono altri utenti solo se non c’è nessuno in attesa. Questa gestione degli sportelli è diversa rispetto al passato, quando non c’erano percorsi preferenziali, ma è stata individuata come la migliore soluzione per garantire il miglior servizio possibile a tutti gli utenti, salvaguardando la necessità di trattare con celerità l’accettazione della diabetologia, evitando così problemi con gli appuntamenti.
- Il test di implementazione è stato effettuato tra il 5 marzo ed il 12 maggio 2018, portando avanti anche un monitoraggio diretto della situazione, per individuare eventuali problemi nell’attività di front office.
- Come si può osservare i risultati mostrano un miglioramento netto della situazione rispetto all’ultimo trimestre del 2017. Tuttavia, è evidente che i risultati sono lontani dalla stima del modello, che prevedeva un tempo di attesa di poco superiore ai 4 minuti. Questo risultato insoddisfacente è dovuto alla necessità di utilizzare più risorse di quanto previsto per gestire l’attività di back office, riducendo le risorse per gli sportelli e quindi aumentando l’attesa. Questo problema è stato verificato direttamente durante il monitoraggio, soprattutto nei momenti di maggiore afflusso.
- Prendendo atto di questa situazione, e di comune accordo con la dirigenza, è stato deciso di testare un nuovo scenario, con un operatore in meno nella fascia di maggiore afflusso, per venire incontro alle necessità degli operatori. La sperimentazione ha avuto luogo dal 14 maggio al 7 luglio 2018, ed il monitoraggio diretto ha confermato che il rispetto del programma in questo caso è stato molto più puntuale.
- Riducendo il numero di risorse, ovviamente, c’è stato un ridimensionamento degli effetti benefici della riorganizzazione, risultati che sono comunque molto positivi, con tutti gli indicatori di prestazioni di tutti gli utenti che hanno avuto un miglioramento netto, come si può osservare nella tabella. In particolare il crollo del numero di utenti che aspettano più di 10 e di 20 minuti è il risultato più significativo, perché permette di ridurre notevolmente i disagi ed i reclami dei pazienti.
- Comunque, i risultati più importanti, soprattutto per confermare il corretto funzionamento del modello, sono relativi al tempo di attesa dei pazienti. Come potete vedere, rispetto alle previsioni del modello ci sono alcune differenze, soprattutto per quanto riguarda la diabetologia, che comunque possono essere spiegate in maniera soddisfacente.
- In primo luogo, bisogna tenere in considerazione che i tempi necessari per il pagamento dei ticket e per completare le pratiche allo sportello non sono disponibili da un database, e sono stati quindi stimati in base ad un monitoraggio effettuato su un campione ristretto, e quindi soggetti ad errore. A questo bisogna aggiungere che l’accettazione della diabetologia avviene con un software che gli operatori in un primo tempo non conoscevano. Quindi acquisendo esperienza il tempo di servizio è diminuito sensibilmente. Infine, anche il rispetto del programma da parte degli operatori non è stato sempre preciso, a causa della loro predisposizione a gestire il lavoro in maniera indipendente. Tutti questi fattori spiegano il perché della differenza tra dati reali e previsioni, soprattutto per quanto riguarda la diabetologia. I risultati sono comunque soddisfacenti, soprattutto per i pazienti senza priorità, che sono i più numerosi, e per i quali la differenza tra previsione del modello e realtà è inferiore al 10%.
- Concludendo, possiamo affermare che l’utilizzo del modello di simulazione ha portato ad un netto miglioramento di tutti gli indicatori del processo, e quindi ad un sensibile miglioramento del servizio agli utenti. Le previsioni del modello si sono dimostrate molto vicine ai risultati reali, considerati tutti i fattori di incertezza precedentemente elencati, e quindi il corretto funzionamento dello strumento è stato dimostrato.
- Tutti gli obbiettivi iniziali del progetto sono stati raggiunti. In particolare, il più importante è stata la riduzione del tempo di attesa degli utenti, nonostante il considerevole aumento del carico di lavoro. Inoltre è stata dimostrata la correttezza delle stime del modello, e quindi il suo funzionamento, aprendo la strada all’utilizzo di questo software anche ad altri processi all’interno dell’ospedale.
- Proprio in relazione a questo argomento, tra i molti ambiti su cui ci stiamo concentrando al momento, sia in processi sanitari che non, la riorganizzazione e l’ottimizzazione delle comunicazioni con gli utenti è quello più importante. Soprattutto per quanto riguarda la riduzione dei tempi di attesa del call center, che al momento presentano dei problemi di prestazioni che portano a gravi disagi per gli utenti.
- Un modello di simulazione è stato già sviluppato e testato sui dati storici disponibili, dando degli ottimi risultati. Al momento stiamo iniziando ad utilizzare lo strumento per valutare una serie di scenari in modo da definire un programma di riorganizzazione a livello tecnologico e operativo che permetta di migliorare il servizio, in maniera analoga a quanto già fatto per il centro servizi.
- Grazie per l’attenzione.