17810

17810

طراحي شبكه سلامت با در نظر گرفتن اختلال در فرآيند درمان چند مرحله‌اي

كارشناسي ارشد

صنايع

ارديبهشت ماه 1396

دكتر فرناز برزين پور

دكتر احمد ماكوئي

صنايع

هدف اصلي متوليان بخش سلامت و درمان پاسخ به نيازهاي بيماران و معالجه آنان و در عين حال اطمينان بخشي به مسير درمان از طريق طراحي سيستم¬هاي كارآمد و پاسخگو مي باشد. به سبب حساسيت خاص وضعيت بيماري، انتظارات فراواني از برنامه¬ريزان و مديران سلامت دارند. از طرفي به علت امكان رخداد اتفاقات پيش¬بيني¬نشده، توجه به قابليت‌اطمينان در هنگام طراحي سيستم¬ها، كارايي آن را در مواقع برخورد با اختلال تضمين مي¬نمايد. اين مهم در شبكه‌هاي درمان و سلامت به عنوان يكي از حساس¬ترين و پيچيده‌ترين سيستم‌هاي بشري هستند اهميت ويژه‌اي دارد زيرا طراحي پاياي آن¬ها به سبب ماهيت خاصي كه دارند تاثير بسزايي در رضايت عموم جامعه خواهد داشت. ادبيات حوزه سلامت ارائه يك مدل رياضي كه بتواند ضمن طراحي شبكه، در مورد تخصيص نيروي انساني تصميم گيري نمايد و همچنين جريان بيماران را مديريت نمايد؛ يك خلأ تحقيقاتي به شمار مي‌رود. هدف اين تحقيق ارائه يك مدل رياضي است كه در صدد افزايش سطح خدمت رساني از طريق كاهش بيماران پذيرفته نشده، در انتظار و بيماراني كه بين بيمارستان هاي مختلف در يك شبكه سلامت منتقل مي شوند، است. شبكه سلامت اين تحقيق متشكل از چندين بيمارستان است كه آن‌ها تحت مديريت واحدي هستند و هر بيمارستان چندين بخش درماني دارد. مديريت اين شبكه‌ها عموما دولتي مي‌باشد. اين مدل سعي بر بهينه سازي چندين بيماري دارد كه معالجه كامل هر‌يك از اين بيماري‌ها نيازمند طي چندين مرحله متوالي و مجزا از هم مي¬باشد.به علت پيچيده بودن مدل ارائه شده براي حل اين مدل يك الگوريتم فرا ابتكاري بهينه‌سازي ازدحامي ذرات توسعه‌داده‌شده و اعتبار آن در ابعاد كوچك با مقايسه با روش هاي حل دقيق سنجيده شد. اين روش حل براي حل مساله در ابعاد واقعي مورد استفاده قرار گرفت. در نهايت از داده-هاي سه بيماري شايع سرطاني در مجموعه بيمارستان هاي زير نظر دانشگاه شهيد بهشتي تهران به عنوان مطالعه موردي استفاده شد به دليل عدم وجود داده هاي مربوط به رخداد اختلال براي كسب داده‌هاي مربوط به سناريو‌هاي رخداد اختلال از روش شبيه‌سازي مونت كارلو استفاده شد و سناريو‌هاي غالب از طريق يك مدل كاهش سناريو شناسايي شد. در نهايت كارآمدي مدل در ارتباط با مطالعه موردي ارزيابي و نتايج حاصله به همراه تحليل حساسيت پارامتر‌هاي تابع هدف ارائه شد.

1396/06/28

9/21/2018 12:00:00 AM

The goal of health officials (agent) is to solve the problems of patients and cure them as well as reassuring them about the curing procedure via the designing of efficient and responsive systems from which people as their main stakeholders expect a lot. Because of unexpected events such as system distruptions, the reliability of systems at the designing stage is very important. Since resilient design of health and curing networks is an effective component of social satisfaction, especially in health and curing networks, reliability is of a great importance. Nowadays, quantitative models are widely used for preparedness against the risk of disruption by managers and researchers of the health management field. Because of high imapct of health management systems on the public satisfaction, a sustainable design is very important. Lack of a mathematical model in which human resource allocation, patient flow, and network design can be considered in simultaneously, is the motivation of this study. The aim of this research is to present a mathematical model which maximize service level through reducing the number of unmet patients, waiting patients, and patients transferred among different hospitals in a health network. It was assumed that the network is a multi-hospital network supervised by a unique public management and each hospital has some departments; furthermore, several diseases were considered that each of them needs several separate steps to be cured. Particle Swarm Optimization (PSO) metaheuristic algorithm is developed because of complexity and then validated in comparison to exact methods in small size. Next, the developed algorithm is employed to solve a case study. The case study composed of three hospitals –under the supervision of Shahid Beheshti Univresity of Medical Sciences, Tehran, Iran- and three most common cancers. Mont Carlo simulation was used to produce disruption event scenarios as a result of data limitation. Dominated scenarios was identified based on a scenario reduction model. Finally, the results showed the effectiveness of the model.