مشکل زمان ‌بندی نوبت دهی در سیستم‌های پیچیده خدمات درمانی: مروری جامع قسمت دوم

3.3. پیچیدگی مراقبت های بهداشتی مبتنی بر شبیه سازی نوبت دهی

مدل سازی سیستم های پیچیده نوبت دهی در سطح شخصی به جای سطح جمعیت ممکن است با به عنوان یک تکنیک تحقیق عملیاتی نوبت دهی سودمندتر باشد. واحدهای منفرد نوبت دهی از طریق متوالی رویدادهای گسسته یک به یک در فواصل گسسته سفر می کنند، که در میان آنها باید به دلیل در دسترس بودن منابع محدود در صف منتظر بمانند. رویکردهای شبیه‌سازی برای مشکلات برنامه‌ریزی سرپایی عمدتاً در رویدادهای گسسته، شبیه‌ سازی نوبت دهی پایه عامل در مشکلات نوبت دهی مراقبت ‌های بهداشتی طبقه ‌بندی می ‌شوند، و آن‌هایی که اخیراً به طور گسترده در این موضوع استفاده می ‌شوند.

همانطور که در نمودار دایره ای در شکل 3 گزارش شده است، اکثر مقالات نوبت دهی از تکنیک های شبیه سازی رویداد گسسته برای بهبود نوبت دهی خدمات بیماران برای کاهش زمان انتظار نوبت دهی در مراکز مراقبت های بهداشتی استفاده می کنند. از آنجایی که این دو روش نوبت دهی عمدتاً در اکثر مقالات در نظر گرفته می شوند، ما تفاوت آنها را در سیستم های نوبت دهی مراقبت های بهداشتی ارزیابی کردیم.

شبیه ‌سازی رویداد گسسته و شبیه‌ سازی مبتنی بر عامل دارای قابلیت‌ها و محدودیت‌هایی هستند. روش‌های مکمل یکدیگر هستند. بیشتر سیستم های نوبت دهی مراقبت های بهداشتی بر دو عنصر اصلی بنا شده اند. مفهوم صف و جریان و تصمیم گیری. مدل‌هاینوبت دهی می ‌توانند ایده صف‌ها و جریان‌ها را در نظر بگیرند، در حالی که مدل‌های نوبت دهی می‌توانند رفتارهای انسانی و تصمیم‌ گیری در سیستم ‌های نوبت دهی مراقبت‌های بهداشتی را به تصویر بکشند. چارچوبی برای یک مدل ترکیبی ازنوبت دهی برای به دست آوردن هر دو عنصر مهم سیستم‌ های نوبت دهی مراقبت‌های بهداشتی پیشنهاد شد.

همچنین، داشتن دسته‌های رویکردهای شبیه‌سازی برای زمان‌بندی نوبت دهی، شبیه سازی رویداد گسسته یک استراتژی انعطاف ‌پذیر است که برای شکل دهی روش‌های مورد نیاز برای اطلاع ‌رسانی زمان‌بندی نوبت دهی مراقبت‌ های بهداشتی طراحی شده است. این روش مجموعه وسیعی از ابزارها را نسبت به روش استاندارد مارکوف اجازه می دهد و امکان توسعه تکنیک نوبت دهی ها را در عمق مناسب برای مشکل فراهم می کند.

خطرات آن اندک است و بدون مشکل کاهش یافته است، و زمینه نوبت دهی ما را به سمت نیازها برای حالت های قدرتمندی که تصمیم گیرندگان می توانند به آنها اعتماد کنند، می رساند. اکثر شبیه ‌سازی‌های رویداد گسسته نوبت دهی ، نرم‌ افزار Any Logic یا Simulation Arena را برای کنترل ساعت برنامه ‌ریزی کرده‌اند [112]. همچنین، به نظر می‌رسد فعالیت‌های برنامه ‌ریزی ‌شده کافی و شناسایی فعالیت‌های بعدی نوبت دهی ، به موجودیت‌های پویا، تخصیص متغیرهای ورودی و فعالیت‌های تکنیکی مناسب اجازه می ‌دهد.

شبیه‌ سازی نوبت دهی پایه عامل همچنین می ‌تواند شرایط پیچیده، تصادفی و غیرخطی را مدل‌ سازی کند و بر روی بیماران خاص تمرکز کند. بنابراین بر اساس نمودار دایره ای در شکل 3، این سال های قبل را تعیین می کنیم. اکثر رویکردهای شبیه سازی نوبت دهی در ASP درصدهای مختلفی از هر رویکرد دارند. از سوی دیگر، از نوبت دهی به سه طریق متفاوت است [113-116]: اول، در روش، اقدامات تصمیم گیری در نوبت دهی دخالت دارند.

. دوم، در به تصویر کشیدن آن از صف. و سوم، در افزایش تعداد ابزارهای در دسترس نوبت دهی. بیمارانی که زود، دیر یا به موقع برای نوبت دهی برنامه ریزی شده خود می آیند ممکن است توسط مدل شبیه سازی ترکیبی (HSM ) و SO ] 117-120] مورد بررسی قرار گیرند. قابل توجه ترین تمایز بین رویکردهای HSM و SO وضعیت بیماران در یک نقطه خاص است که به عنوان جریمه های زمان انتظار نوبت دهی متفاوت شناخته می شود.

ترتیب مراقبت از بیمار، یعنی FCFS، مهم است. [121-123]. اگر بسیاری از بیماران نیاز به خدمات مراقبتی داشته باشند، بیماران نوبت دهی شده که دیرتر می‌ رسند ممکن است زودتر از کسانی که زودتر مراجعه می‌ کنند برنامه ‌ریزی شوند، که باعث می‌شود سیستم «نرخ خدمات» نوبت دهی خود را افزایش دهد. این مطالعه ترکیبی از ]124-126] و برنامه ریزی اعداد صحیح مختلط غیرخطی ( (MIP را برای کاهش WTS در Ass ]127-129] پیشنهاد می کند.

]130] نوبت دهی مفهوم خود را برای پذیرش گسترده به روز کرد و به طور موثر در ده AS و چندین واحد بیمارستانی اجرا شده است. چارچوب یادگیری ماشینی اطلاعات بیمار و درمان‌های منطبق نوبت دهی را ادغام می ‌کند که روندها را در پلت فرم شبیه ‌سازی نوبت دهی تشخیص می ‌دهد. در نتیجه، کارگزاران علائم مشکل ‌ساز را به ارائه ‌دهندگان مراقبت نوبت دهی ‌ها به شکل بیماران مکرر ارائه می ‌دهند که احتمالاً در بازدیدهای قبلی از زمان بندی نوبت دهی ، با شکایت هایشان بد رفتار شده است.

این مطالعه ASP نوع عدم قطعیت ها را برجسته می کند: یکی در مورد مسائل مربوط به فعالیت ها، یکی در مورد فراوانی وظایف، و دیگری در مورد منابع موجود و از منطق فازی برای مقابله با این عدم قطعیت ها استفاده می کند نوبت دهی [131، 132]. این مطالعه عوامل را به دو نوع تقسیم می کند: نوبت دهی نرم افزاری و فیزیکی. دومی به کسانی اشاره دارد که می توانند به ابتکار عمل خود عمل کنند، از جمله همه از پزشکان و بیماران گرفته تا کارکنان مراقبت های بهداشتی، پرستاران و سایر پرسنل بیمارستان.

3.4. تئوری صف نوبت دهی

نوبت دهی از نظر تئوری، مشکل معمول صف در زمان ‌بندی نوبت دهی ، مدت‌ هاست که برای متخصصان و محققان داخلی و بین‌المللی باعث نگرانی بوده است. تئوری صف و مدل‌های بهتر نوبت دهی همراه با آن اغلب برای غلبه بر این چالش مورد استفاده قرار گرفته ‌اند. این بخش به بهینه ‌سازی نوبت دهی نظری مشکلات صف در مدیریت بیمارستان می ‌افزاید و مکانیزمی تحلیل و تصمیم‌ گیری نوبت دهی برای افزایش تئوری صف بیمارستان و کارایی خدمات پزشکی نوبت دهی ارائه می ‌دهد. چهار ویژگی اساسی زیر معمولاً برای توصیف سیستم صف نوبت دهی استفاده می شود.

3.4.1. نوبت دهی حالت ورود بیمار

زمان حضور بیماران در سیستم نوبت دهی قابل پیش بینی یا غیرقابل پیش بینی است. اکثر بیماران در سیستم صف نوبت دهی بیمارستان به صورت تصادفی وارد می شوند. در این لحظه، قانون ورود بیمارانی که وارد عمل می شوند، ورود پذیرش نامیده می شود. تمرکز تئوری صف نوبت دهی نیز بر این شرایط است.

3.4.2. مدل خدمات نوبت دهی

ساعات خدمات نوبت دهی به بیمار قطعی یا تصادفی است و بیشتر ساعات خدمات به صورت تصادفی است. توزیع احتمال اغلب قاعده زمانی نوبت دهی بیمارانی که خدمات دریافت می کنند را توصیف می کند.

3.4.3. قوانین صف نوبت دهی

مراقبت های بهداشتی برای بیماران اورژانسی جزو خدماتی است که در اولویت نوبت دهی قرار دارند. هر زمان که یک بیمار با اولویت بالاتر به سیستم نوبت دهی ظاهر شود، بیمار دریافت کننده خدمات نوبت دهی باید متوقف شود و برای درمان چنین بیمارانی تغییر یابد، مانند بخش اورژانس بیمارستان برای بیماران شدیداً بیمار.

3.4.4. تعداد منابع تخت نوبت دهی

یک سیستم نوبت دهی خدماتی معمولاً از یک یا چند مرحله خدماتی تشکیل شده است. تشخیص بیمارستان بیماران اغلب نیاز به مراحل بسیاری از خدمات، مانند ویزیت سرپایی دارد. پس از نوبت دهی ، بیماران سرپایی در اولین سیستم نوبت دهی به صف می آیند (یعنی لیست انتظار، زمان رسیدن و زمان بیکاری). هنگامی که زمان ملاقات بیمار فرا می رسد، آنها از لیست انتظار نوبت دهی خارج می شوند و در سیستم نوبت دهی دوم قرار می گیرند. بیمار وارد صف در مرکز خدمات می‌شود، خدمات دقیق را دریافت می ‌کند و سپس در این سیستم نوبت ‌دهی جداگانه، از محل زمان ‌بندی نوبت دهی قرار خارج می‌ شود. در سراسر مقاله حاضر، هر دو سیستم صف نوبت دهی به عنوان سیستم صف تولید قرار ملاقات و سیستم صف تسهیلات خدماتی نامیده می شوند (شکل 4 را ببینید).

پرکاربردترین سیستم نوبت دهی، مدل تاخیری M/M/s یا Erlang برای مطالعه زمان انتظار سرپایی است. این مدل یک صف را با یک اتاق انتظار نامحدود فرض می کند که به سرورهای یکسان نوبت دهی تغذیه می کند. معمولاً فرض بر این است که بیماران طبق یک فرآیند پواسون با نرخ ورود ثابت می ‌رسند و مدت خدمات از توزیع احتمال نمایی پیروی می ‌کند. استفاده اولیه از روش M/M/s تنها شامل سه متغیر است و می ‌تواند با داده نوبت دهی ‌های داخلی کمی برای تولید تخمین‌های خروجی استفاده شود [73، 133]. در همان زمان، میانگین نرخ ورود، میانگین طول مدت پشتیبانی و چندین خدمات را ارائه کرد.

همچنین، برای دستیابی به معیارهای عملکردی نوبت دهی مانند احتمال اینکه ورودی‌ها با تاخیر قابل توجه یا متوسط مواجه شوند، یک مدل صف نوبت دهی اولویت می‌تواند مناسب باشد اگر یک مرکز قصد شناسایی توانایی لازم برای اطمینان از سطح خدمات متمرکز نوبت دهی برای مشتریان برتر را داشته باشد [134] . به عنوان مثال، تجزیه و تحلیل صف نوبت دهی همچنین یک روش ضروری در پیش ‌بینی نیازهای توانایی برای موقعیت‌های بالقوه نوبت دهی آینده است، از جمله افزایش تقاضا نوبت دهی به دلیل بیماری ‌های جدید یا فوری، نیاز به مراقبت سریع‌ تر پزشک برای جلوگیری از پیامدهای علمی شدید [135، 136].

3.5. نوبت دهی هوش مصنوعی ( (AI

بهداشت و درمان یکی از بخش‌های تحقیقاتی است که نوبت دهی هوش مصنوعی ( (AI دارای مزایای بالقوه بالایی است. اخیراً روش‌های پیشرفته ‌تر هوش مصنوعی از طریق زمان ‌بندی نوبت دهی مورد توجه قرار گرفته ‌اند. به منظور بهبود کارایی عملیات علمی، راه ‌حل‌های متعددی برای سیستم ‌های آنلاین نوبت دهی ، برنامه ‌ریزی نوبت دهی /عمل جراحی، تجزیه و تحلیل تصویر پزشکی، و طرح درمان و پیش ‌بینی بیماری‌های غیرمعمول نوبت دهی معرفی شده‌اند و نوبت دهی هوش مصنوعی به راحتی در زمان ‌بندی قرار نوبت دهی ها انجام می ‌شود.

این نرم افزار نوبت دهی می تواند به طور قابل توجهی بر استفاده نهایی از منابع با در نظر گرفتن این شرایط مختلف در محیط کاری روزمره یک بیمارستان تأثیر بگذارد. مدل ‌های یادگیری ماشین ( (ML زمان ‌بندی نوبت دهی مبتنی بر هوش مصنوعی نقش مهمی در بهبود خدمات مراقبت‌ های بهداشتی نوبت دهی بیمارستانی دارند [78]. ML می تواند حتی مدل های پیچیده تری را حفظ کند که می توانند چندین ناحیه را به طور همزمان تغییر دهند، مانند واحد درمان پس از بیهوشی و مراکز جراحی. مدل‌های هوش مصنوعی نوبت دهی که پیامدهای اقتصادی قابل توجهی دارند، ممکن است مشکل سازمانی دیگری را نیز محدود کنند [137، 138].

همچنین، هرگونه سوگیری علیه مؤسسه ای که در یک مجموعه اطلاعاتی ارائه نشده است، منجر به یک تصمیم رایانه ای مغرضانه خواهد شد. به عنوان مثال، یک برنامه نرم افزاری برنامه ریزی نوبت دهی می تواند تصمیمات زمان بندی نوبت دهی تبعیض آمیز نژادی بگیرد. برنامه های هوش مصنوعی نوبت دهی در مراقبت های بهداشتی باید از چنین نابرابری هایی اجتناب کنند. هوش مصنوعی نوبت دهی منجر به پیش ‌فرض اصول فناوری‌های نوبت دهی هوش مصنوعی (یادگیری ماشین، مراقبت‌های بهداشتی) و استفاده مناسب از آنها در مراقبت‌های بهداشتی نوبت دهی می ‌شود.

همچنین پشتیبانی عملی را برای کمک به تصمیم گیرندگان ارائه می کند تا رویکرد نوبت دهی هوش مصنوعی را ترویج کنند که می تواند از تحول مراقبت های بهداشتی دیجیتال آن پشتیبانی کند. تمام نتایج تحقیقات توسط نوبت دهی هوش مصنوعی ردیابی می شود، که سپس الگوها را برای بهینه سازی تعاملات آینده تجزیه و تحلیل می کند [139، 140]. سیستم AS نوبت دهی عواملی را که منجر به نتایج مثبت می شوند بهینه سازی و تکرار می کند. هر تعامل بیمار با هوش مصنوعی نوبت دهی بسته به نیازهای خاص بیمار آغاز می شود.

با استفاده از نوبت دهی هوش مصنوعی در سیستم زمان ‌بندی نوبت دهی ، می ‌توان ارزیابی‌ هایی را از طریق ایمیل یا پیام متنی برای بیماران ارسال کرد و بازخورد خدمات را جمع ‌آوری کرد. سپس این سیستم نوبت دهی می‌تواند این داده‌ها را برای شناسایی مناطقی که در آن جا برای توسعه وجود دارد، بررسی کرده و آنها را به پزشکان مربوطه ارسال کند. چندین بیمارستان از نوبت دهی هوش مصنوعی برای پیش ‌بینی تعداد بیماران به بخش اورژانس دو یا سه روز قبل استفاده می‌کنند و به آن‌ها اجازه می ‌دهد تا اقدامات پیشگیرانه را در زمینه کارمندان و تخصیص منابع انجام دهند [141-143].

همچنین، [144] مشکلات و چشم اندازهای بیمارستان ها را برای ادغام نوبت دهی هوش مصنوعی در برنامه ریزی استراتژیک و تبدیل شدن به سیستم های هوشمند با عملیات و رویه های کنترل شده با بازخورد نوبت دهی (سیستم های حلقه بسته) مورد بررسی قرار داد. آنها [145] مدلی را در برنامه ریزی مراقبت های بهداشتی نوبت دهی در طول خدمات مراقبت های بهداشتی شیوع COVID-19 ارائه کردند. آنها بر اساس مقدار قابل توجهی از تئوری و تحقیقات در مورد اینترنت رفتاری اشیاء پزشکی، تجزیه و تحلیل داده های مراقبت های بهداشتی بزرگ و الگوریتم های تشخیصی مبتنی بر نوبت دهی هوش مصنوعی، چارچوبی برای طبقه بندی نوبت دهی هوش مصنوعی ایجاد کردند. برای تجزیه و تحلیل، ما بین سطوح مراقبت (مراقبت اولیه، ثانویه و ثالث)، سطوح برنامه ریزی (استراتژی، عملیاتی و عملکردی)، و گروه های کاربر (پزشکان، پرستاران، تکنسین ها، بیماران) از هم جدا می شویم.

3.5.1. روش های بهینه سازی نوبت دهی با هوش مصنوعی

این بررسی یک نمای کلی از نقش نوبت دهی هوش مصنوعی در مراقبت های بهداشتی ارائه می دهد. این بررسی به تمام حوزه‌های مراقبت‌های بهداشتی که از مدل ‌سازی بهینه ‌سازی سود نوبت دهی می ‌برند، اشاره نمی ‌کند. با این حال، ما طیف وسیعی از کاربردهای بهینه سازی نوبت دهی و شبکه های عصبی را برای تحقیقات مراقبت های بهداشتی پیشنهاد کرده ایم. این روش‌های بهینه ‌سازی اخیراً در بسیاری از روش‌های بهینه ‌سازی نوبت دهی مورد استفاده قرار گرفته ‌اند. با این حال، در مراقبت های بهداشتی، زمان بندی نوبت دهی بیشتر مورد توجه قرار می گیرد مانند شبکه های عصبی کانولوشن ( (CNN، شبکه های عصبی تکراری (RNN)، شبکه های عصبی مصنوعی ( (ANN، بهینه سازی کلونی مورچه ها ( (ACO، الگوریتم ژنتیک ( (GA، بهینه سازی ازدحام ذرات ((PSOو الگوریتم بهینه سازی نهنگ (.(WOA

بر اساس آنچه در جدول 1 بررسی کردیم، روش‌های مختلفی برای نوبت دهی هوش مصنوعی داریم و همانطور که اخیراً می ‌بینیم، بسیاری از مقالات، زمان ‌بندی نوبت دهی را در نظر گرفته ‌اند که از PSO و WOA استفاده می ‌کنند. در عین حال، بقیه مناطق شبکه عصبی عمدتاً در مناطق مختلف مراقبت های بهداشتی استفاده می شوند.

بسیاری از محققان در تحقیقات خود بهینه سازی ازدحام ذرات ( (PSO را بررسی کرده اند زیرا این روش یک تکنیک جستجوی تصادفی هوشمند مبتنی بر ازدحام است که به روش های مختلف در برنامه ریزی مراقبت های بهداشتی نوبت دهی تشویق می شود. در نتیجه، برای تطبیق ‌پذیری آزمایش‌های عددی، PSO عمدتاً برای رسیدگی به انواع مختلف مسائل بهینه ‌سازی استفاده شده است. الگوریتم PSO نوبت دهی می تواند برای حل مسائل مختلف برنامه ریزی مراقبت های بهداشتی مورد استفاده قرار گیرد.

اولی مستلزم بهینه سازی تابع هدف مسئله است، در حالی که دومی مستلزم بهینه سازی تابع هزینه یک سیستم نوبت دهی مراقبت های بهداشتی است. در مسائل مختلف، نتایج خوبی به دست می ‌آید که کارایی روش PSO نوبت دهی را نسبت به سایر روش‌های هوش مصنوعی تأیید می‌ کند. همانطور که در شکل 5 می بینیم، طی سال های 2021-2022، بسیاری از مقالات، به ویژه در زمینه هوش مصنوعی و مراقبت های بهداشتی نوبت دهی ، بر اساس PSO نوبت دهی با تعداد انتشارات بیشتری نسبت به روش های دیگر در چنین زمان بندی مراقبت های بهداشتی نوبت دهی جمع آوری شده اند. همچنین، ما هنوز مقالاتی از WOA و ACO داریم که روش‌های بهینه ‌سازی را تشکیل می ‌دهند که پشت روش‌های PSO نوبت دهی قرار دارند.

علاوه بر این، مجموعه ‌های کاربردی برای مشکل زمان ‌بندی نوبت دهی سرپایی در جدول 1 طبقه ‌بندی شده‌اند. دامنه پیاده‌ سازی‌ها فراگیر است و از زما ن‌بندی نوبت دهی بیمار، برنامه‌های بالینی و برنامه‌های دارویی متفاوت است. در مورد یک اورژانس بالینی، برای مثال، رسیدن یک آمبولانس به پایگاه با بیشترین سرعت ممکن بسیار مهم است. زمان انتظار نوبت دهی بیمار در این شرایط یک شاخص اساسی برای عملکرد نوبت دهی مراقبت های بهداشتی است [144، 145].

در شرایط اضطراری علمی، تعداد مسافت ‌ها برای آمبولانس‌ها برای رسیدن به محل در سریع ‌ترین زمان ممکن ضروری است. در این مثال، زمان انتظار نوبت دهی بیمار یک شاخص مهم برای عملکرد سیستم نوبت دهی آمبولانس است. با افزایش هزینه های ارائه مراقبت های تناسب اندام درجه یک، مدیران بیمارستان ها و مراکز بهداشتی کنترل قیمت را با به حداقل رساندن دارایی های مراقبت های بهداشتی انجام می دهند در حالی که همچنان در تلاش برای ارائه بهترین مراقبت های بهداشتی نوبت دهی برای بیماران هستند.

این معضل در شبکه مراقبت های بهداشتی نوبت دهی کاملاً رایج شده است، همانطور که از طریق چارچوب گسترده ادبیاتی که تخصیص منابع کمیاب مراقبت های بهداشتی را تجزیه و تحلیل می کند نشان داده شده است. هدف اساسی کاهش هزینه های عملیاتی نوبت دهی با توجه به محدودیت ها، یعنی حداکثر اندازه وسیله نقلیه و حداکثر زمان انتظار برای بیمار است. اشاره کرد که زمان انتظار مشتری را می توان با به اشتراک گذاشتن پیوند بین مجموعه ای از وسایل نقلیه کاهش داد [146].

همانطور که در جدول 4 نشان داده شده است، مقالات مروری مختلف، برنامه های ضروری زمان بندی نوبت دهی را با استفاده از روش های شبیه سازی، بهینه سازی، تئوری صف و نوبت دهی هوش مصنوعی جمع آوری کرده اند. تعداد کلمات کلیدی مورد نظر در هر برنامه مشخص شده است.

4. بحث

برنامه ریزی نوبت دهی ها یک موضوع ترکیبی پیچیده است. از آنجایی که مشکل در ابتدا در راه حل آن توضیح داده شد، این امکان را به بیماران داده است که در اسلات ها یا تخت های خاص در بخش های مربوطه خاص قرار گیرند. در عین حال، آنها اجازه می دهند تا خواسته های بیماران با بالاترین استانداردهای نوبت دهی ممکن مورد توجه قرار گیرد تا اطمینان حاصل شود که تمام محدودیت های مراقبت های بهداشتی نوبت دهی برآورده می شوند.

بیماران معمولاً توسط یک دفتر پذیرش متمرکز به تخت‌ها اختصاص داده می‌شوند که چندین روز زودتر با بخش‌ها تماس می ‌گیرند تا از برنامه ‌ریزی موثر نوبت دهی اطمینان حاصل کنند. همانطور که در بخش 3.1 تا 3.5 ذکر شد، ما بر روی پرداختن به شیوه‌ها و روش‌های کاهش یا حل مشکلات زمان‌بندی قرارها تمرکز کرده‌ایم. پژوهشگران آرزوی ادامه بررسی بیشتر جهت گیری های تحقیقاتی در این زمینه را دارند. برنامه ریزی نوبت دهی را می توان با توسعه یک مدل عددی یا شبیه سازی از فرآیند رزرو نوبت دهی ، بهینه سازی تنظیم منابع خدمات انجام داد.

بسیاری از دانشگاهیان مدل‌ سازی سیستم ‌های نوبت دهی و الگوریتم‌ های زمان ‌بندی نوبت دهی را با نتایج عالی بررسی کرده‌اند. آنها به طور کامل وضعیت فعلی تحقیقات در مورد مشکلات بهینه سازی نوبت دهی مرتبط، روش های بهینه سازی و مدل ها را در سیستم نوبت دهی سرپایی مراقبت های بهداشتی بررسی کردند [148، 150]. اگر زمان خدمت از توزیع نمایی نوبت دهی پیروی کند، آنها در نظر گرفتند که هر بیمار یک احتمال از پیش تعیین شده ASP نوبت دهی دارد [151]. یک برنامه نوبت دهی متوالی برای تخمین تعداد رزروها و زمان سرویس برنامه ریزی شده برای به حداکثر رساندن درآمد کلی خدمات استفاده شد.

اولویت های مشتریان به طور مداوم در سیستم خدمات نوبت دهی متغیر است. مرور ادبیات مورد بحث در بالا به طور قابل توجهی کیفیت امکانات سرپایی بخش های مختلف مورد مطالعه در کلینیک مراقبت های بهداشتی را بهبود می بخشد. سهم اصلی توسعه یک چرخه نوبت دهی بیمار محور است که بر رویکردهای متعددی مانند نوبت دهی ، مدل‌ سازی و هوش مصنوعی متمرکز است و مناسب برای بهبود کارایی سیستم مراقبت نوبت دهی سرپایی است. طول مدت مراقبت به ویژگی های بیمار بستگی دارد و بسیار متفاوت است [145].

با این حال، ما مقالات متعدد و چندین مورد از آن مدل ها را بررسی کرده و مزایای نوبت دهی آن را ارائه کرده ایم. با این حال، تعیین اینکه کدام یک کارآمدتر است دشوار است. بسیاری از محققان در این زمینه کار شبیه ‌سازی انجام داده‌اند و ممکن است استنباط کنیم که شبیه ‌سازی نوبت دهی رویداد گسسته بیشترین مزایا و مفهوم بهتری را برای حل محدودیت‌ها دارد. به طور کلی، شبیه‌سازی نوبت دهی رویداد گسسته یک رویکرد بسیار انعطاف‌ پذیر است که برای هماهنگی رویه‌های مورد نیاز برای اجرای برنامه ‌ریزی مراقبت‌های بهداشتی طراحی شده است.

همچنین مقیاس بزرگ ‌تری نسبت به بهینه ‌سازی زنجیره مارکوف سنتی ارائه می ‌دهد و مدل را برای مشکل ایده‌آل می ‌کند. با توجه به تقاضاهای خدمات مختلف و سطوح اولویت مختلف، برنامه ریزی بیمار پیچیده است. آنها [152] الگویی را ایجاد کردند که زمان‌های خدمات تصادفی را در مسئله نوبت دهی به عنوان اولین گام در یکپارچه ‌سازی زمان ‌بندی نوبت دهی و زمان ‌بندی قبلی نوبت دهی ترکیب می‌کند. سپس با ارائه نتایج تحلیلی و تجربی برای بیماران چند طبقه و چند اولویت با زمان خدمات قابل پیش بینی به ادبیات موجود افزودند.

برای تسویه زمان انتظار نوبت دهی اضافی ایجاد شده توسط زمان‌بندی نوبت دهی ، ارائه‌دهنده خدمات مورد نیاز زمان ورود را تأیید می‌کند. آنها تخصیص ظرفیت و زمان ‌بندی نوبت دهی [153-155] را در حضور زمان ورود تجزیه و تحلیل کردند و یک قانون اتصال را ایجاد کردند که با کمک به تصمیم‌ گیری‌ها سروکار دارد. با توجه به اینکه چه تعداد اسلات باید برای بیماران ورودی و برنامه ریزی شده رزرو شود، به جلسه کلینیک ظرفیت ثابت روزانه داده شد تا نوبت های از دست رفته کاهش یابد. آنها یک مدل تصمیم مارکوف با حالت محدود توسعه دادند و بهترین دستورالعمل های قابل قبول را برای تعیین اینکه کدام نوع بیماران وارد شده کافی هستند ارائه کردند [149، 156، 157]. نتایج تجربی نشان می دهد که وقتی شدت ورود بیماران سرپایی از 20 درصد شدت خدمات تجاوز نمی کند، پذیرش همه بهترین انتخاب است. این می تواند یک مسیر ضروری برای تحقیقات آینده باشد.

علاوه بر این، یکی دیگر از روندهای مهم تحقیقاتی، توسعه نوبت دهی یک مدل پیش ‌بینی برای ارائه اطلاعات جدید در مورد روابط متقابل پیش‌بینی‌ کننده‌ها و احتمال مشروط پیش ‌بینی زمان ‌بندی نوبت دهی با استفاده از یادگیری ماشین است. توپوز [147] برای بررسی پیوندهای احتمالی بین عوامل پیش‌ب ینی در تحقیقات زمان‌ بندی نوبت دهی ، شبکه باور بیزی را ساخت. مدل ‌های پیش‌بینی ممکن است به گردش کار زمان ‌بندی نوبت دهی مرتبط باشند و ارزیابی‌های ریسک را می ‌توان بر اساس پارامترهای مختلف تولید کرد.

4.1. محدودیت ها و اهداف نوبت دهی

این مطالعه نشان می‌دهد که زمان ‌بندی نوبت دهی به طور قابل ‌توجهی از تنظیمات نشان ‌داده‌شده توسط ادبیات عملیات-تحقیق تغییر کرده است. روش‌های مبتنی بر انعطاف ‌پذیری سیستم نوبت دهی و کاهش تنوع نسبت به بهینه ‌سازی کمی امکان ‌پذیرتر به نظر می ‌رسند، به ویژه در شرایط پیچیدگی و عدم قطعیت بالا. همچنین، پیچیدگی های مراقبت های بهداشتی نوبت دهی می تواند مجموعه ای پویا از عملیات را توصیف کند که با یکدیگر تعامل دارند.

از سوی دیگر، بسیاری از انواع قرار نوبت دهی ها، زمان‌ ها و محدودیت‌ها ممکن است کل تاخیر سیستم نوبت دهی را افزایش دهند زیرا هر نوع و زمان قرار، تاخیر و صف دیفرانسیل خود را ایجاد می ‌کند. در نهایت، به حداقل رساندن پیچیدگی، تاخیر سیستم نوبت دهی را کاهش می دهد. در نتیجه، برنامه ریزی قرار ملاقات نوبت دهی بدون محدودیت نیست: تحقیقات ما محدودیت های خاصی دارد. اول، یک مرکز مراقبت های بهداشتی با زمان انتظار بیمار بالا، شکاف برنامه ریزی شده اساسی بین بیماران را افزایش می دهد یا درصد اضافه بار را کاهش می دهد. دوم، در تحقیق ما، هزینه واحد زمان انتظار بیمار، نارضایتی بیمار، و زمان بیکاری پزشک بر اساس مشاوره ما با دولت تعیین شد. از سوی دیگر، هدف سیستم نوبت دهی سرپایی، بهینه سازی منابع موجود، حضور پزشکان بیشتر در آن بخش ها و کاهش مدت زمان اتلاف زمان اقامت است.

5. نتیجه گیری ها

این مطالعه به رویکردهای مدل ‌سازی موجود برای برنامه ‌ریزی قرار ملاقات نوبت دهی سرپایی در بخش مراقبت‌های بهداشتی پرداخت. در این راستا، حدود 150 مقاله برای درک بهتر مشکلات زمان ‌بندی نوبت دهی سرپایی در ادبیات بررسی شده است. ما ادبیات تحقیق را از سال 1990 تا 2020 طبق پایگاه داده WoS در نظر گرفتیم. سپس وضعیت تحقیق و روند توسعه نوبت دهی با کتاب سنجی خلاصه می شود. بر اساس گزارش های آماری تولید شده در این مطالعه، خواننده می تواند روند رو به رشد علاقه پژوهشی را در سال های اخیر (نشان داده شده در شکل 6) به دلیل افزایش منابع بیمارستانی مشاهده کند.

علیرغم ادبیات فراوان برای زمان ‌بندی نوبت دهی سرپایی، فرصت‌ هایی برای بهبود تحقیقات موجود وجود دارد، از جمله توسعه مدل‌ های برنامه ‌ریزی، معیارهای عملکرد، و مهارت‌های پیش‌بینی تحت شرایط کلی نوبت دهی متفاوت. به عنوان مثال، آزمایش‌های بیشتری را می توان برای بهبود برنامه ‌هایی که به خوبی در این موضوع انجام می‌شوند، ساختار داد. عملکرد ضعیف برنامه نوبت دهی (عملکرد محدود) به دلیل سطوح بالای رزرو است.

درک پویایی عملکرد سیستم‌های زمان ‌بندی نوبت دهی می ‌تواند به توسعه سیستم‌ نوبت دهی های دسترسی جایگزین مراقبت‌های بهداشتی منجر شود. برای تغییر وضعیت رزرو بیش از حد، یک حوزه معاینه جایگزین ضروری است. علاقه عمومی عمومی به بهبود دسترسی به مراقبت های بهداشتی و ارائه خدمات احتمالاً منجر به تحلیل بیشتر رویکردهای موجود خواهد شد. علاوه بر این، روش‌های مدل ‌سازی ریاضی می ‌تواند برای چندین ارائه ‌دهنده نوبت دهی مانند رزرو دو برابر، هزینه‌ های اضافه کاری و افزایش زمان کارآمدی نوبت دهی در بین پزشکان مراجعه کننده استفاده شود.

با توجه به تأثیر عوامل نامشخص بر زمان انتظار نوبت دهی بیماران سرپایی، چندین رویکرد کاربردی را ذکر کرده ایم که از روش های شناخته شده در این تحقیق است. به طور خاص، مدل مارکوی در سیاست انصاف به دلیل پیچیدگی مشاهده زمان انتظار نوبت دهی یک فرد و تفاوت در عوامل مختلف انصاف در برنامه ‌ریزی نوبت دهی مراقبت‌ های بهداشتی مشکل دارد. با این حال، رویکرد OLAS به دلیل افزایش بهره‌ وری به‌دست ‌آمده از همپوشانی زمان برای به حداقل رساندن هزینه کل زمان انتظار بیمار و زمان بیکاری پزشک، برای این زمینه مفید است. شایان ذکر است که شبیه ‌سازی رویداد گسسته و سایر روش‌های بهینه سازی نوبت دهی ، روند جدیدی برای تحقیقات آینده هستند. مطالعات آینده باید سرپایی و بیمار سرپایی را با ورود غیرمنتظره بررسی کند تا در عملیات کلینیک اختلال ایجاد کند.

موضوع دیگری که اغلب به طور آشکار مورد بحث قرار نمی گیرد، رویکرد شبیه سازی رویداد نوبت دهی گسسته است که برای تصمیم گیری دقیق در مراقبت های بهداشتی استفاده می شود. شبیه ‌سازی رویداد گسسته نوبت دهی ممکن است عمدتاً در مدل‌های ارائه مراقبت‌های بهداشتی به جای برنامه‌ های بیماری و غربالگری دقیق باشد. اگر نسخه ای از بهینه سازی مراقبت های بهداشتی نوبت دهی استفاده شود، بیماران مختلف باید از مزایا و محدودیت های خود در بخش مراقبت های بهداشتی متقاعد شوند. علاوه بر این، سایر محققان باید تجزیه و تحلیل عمیق تری از تأثیر بیماران سرپایی بر روی وقت شناسی ورود برنامه ریزی شده انجام دهند.

این روش به دلیل پیچیدگی نوبت دهی این مشکل نیاز به بررسی بیشتری دارد و همچنین می تواند از نظر پذیرش اورژانس و بخش مراقبت های ویژه بیشتر گسترش یابد. یکی دیگر از زمینه های تحقیقات آینده، فرموله کردن مسائل توالی بر اساس رفتارهای نابهنگام فردی است. با استفاده از رویکرد تئوری بازی، بسط مدل‌های فعلی می‌تواند به توضیح عدم وقت ‌شناسی بین پزشکان، پرستاران و بیماران کمک کند. به عنوان یک شکاف تحقیقاتی، مشکلات زمان‌ بندی نوبت دهی سرپایی می ‌تواند برای مدل ‌سازی فرآیند سلامت چند مرحله ‌ای نوبت دهی ، یعنی معاینه اولیه، آزمایش دارو، و آماده‌سازی بیمار یا بهینه ‌سازی برنامه ‌های چند نوبتی نوبت دهی در کلینیک‌ ها گسترش یابد.