Impact d’une approche combinant optimisation et simulation pour améliorer la qualité de service d'un service d'urgence

##plugins.themes.academic_pro.article.sidebar##

Publiée sept. 27, 2023
Download
pdf
Vol. 101 No 4 (2023): Tunis Med Avr 2023

##plugins.themes.academic_pro.article.main##

Dorsaf Daldoul
Université Tunis El Manar, Ecole Nationale d’Ingénieurs de Tunis, Laboratoire LACCS LR11ES20, Tunis, Tunisie / Univ. Artois, UR 3926, Laboratoire de Génie Informatique et d’Automatique de l’Artois (LGI2A), F-62400 Béthune, France
Issam Nouaouri
Université d'Artois, UR 3926 Laboratoire LGI2A, F-62400 Bethune, France
Hanen Bouchriba
Ecole Supérieure des Sciences et Techniques de la Santé, Département Master de Recherche en Sciences de la santé, Sousse, Tunisie/ Université de Sousse- Tunisie
Hamid Allaoui
Université d'Artois, UR 3926 Laboratoire LGI2A, F-62400 Bethune, France

Résumé

Introduction: Le service d’urgence (SU) représente un système complexe dû à ses ressources limitées et une arrivée stochastique des patients. Il est toujours saturé par un flux continu de patients, engendrant un temps d’attente et une durée de séjour excessifs.


Objectif: Evaluer l’impact de l’approche combinée (optimisation avec simulation) proposée sur l’amélioration de la performance d’un service d’urgence en termes de durée de séjour des patients et d’utilisation équilibrée des ressources.


Méthodes: Un outil d’aide à la décision intégrant simulation et optimisation est proposé. Tout d’abord, nous proposons un programme linéaire mixte afin de déterminer le nombre optimal du staff et des lits tout en considérant les incertitudes liées à l’arrivée des patients et les temps des services. Ensuite, nous proposons un modèle de simulation à évènements discrets pour évaluer cette allocation des ressources en considérant différentes règles d’ordonnancement des patients.


Résultats: L’approche proposée est appliquée à un cas d’étude qui est le SU La-Rabta. Les résultats de nos expérimentations montrent que notre approche génère la meilleure allocation des ressources permettant de réduire significativement la durée de séjour avec une moyenne de 44.55% et d’équilibrer le taux d’utilisation des ressources.


Conclusion: L’intégration de la simulation et de l’optimisation permet d’aider les décideurs à améliorer la qualité de service de leur SU via des indicateurs clés de performance. C’est un outil efficace pour étudier les effets de différents scénarios afin d’optimiser l’allocation des capacités et de minimiser la durée de séjour des patients.


 

Mots-clés :

management d'un service d'urgence, planification stochastique, Simulation à événements discrets, durée de séjour, taux d'utilisation des ressources

##plugins.themes.academic_pro.article.details##

Creative Commons License

Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.

Références

  1. Konrad R, DeSotto K, Grocela A, McAuley P, Wang J, Lyons J, et al. Modeling the impact of changing patient flow processes in an emergency department: Insights from a computer simulation study. Oper Res Heal Care [Internet]. 2013;2(4):66–74. Available from: http://dx.doi.org/10.1016/j.orhc.2013.04.001
  2. Layeb SB, Aissaoui NO, Hamouda C, Zeghal F, Moujahed H, Zaidi A. Performance indicators and dashboard for an emergency department of a teaching hospital | Indicateurs de performance et tableau de bord pour un service d’urgences d’un centre hospitalier universitaire. Tunisie Medicale. 2021;99(4):435–40.
  3. Pines JM, Pilgrim RL, Schneider SM, Siegel B, Viccellio P. Practical implications of implementing emergency department crowding interventions: Summary of a moderated panel. Acad Emerg Med. 2011;18(12):1278–82.
  4. Angel M. Methodological Approaches to Support Process Improvement in Emergency Departments : A Systematic Review. 2020;
  5. Ahsan KB, Alam MR, Morel DG, Karim MA. Emergency department resource optimisation for improved performance: a review. J Ind Eng Int [Internet]. 2019;15(0123456789):253–66. Available from: https://doi.org/10.1007/s40092-019-00335-x
  6. Aboueljinane L, Sahin E, Jemai Z. A review on simulation models applied to emergency medical service operations. Comput Ind Eng [Internet]. 2013;66(4):734–50. Available from: http://dx.doi.org/10.1016/j.cie.2013.09.017
  7. Gul M, Guneri AF. A comprehensive review of emergency department simulation applications for normal and disaster conditions. Comput Ind Eng [Internet]. 2015;83:327–44. Available from: http://dx.doi.org/10.1016/j.cie.2015.02.018
  8. Paul SA, Reddy MC, Deflitch CJ. A systematic review of simulation studies investigating emergency department overcrowding. Simulation. 2010;86(8–9):559–71.
  9. Saghafian S, Austin G, Traub SJ. Operations research/management contributions to emergency department patient flow optimization: Review and research prospects. IIE Trans Healthc Syst Eng. 2015;5(2):101–23.
  10. Salmon A, Rachuba S, Briscoe S, Pitt M. A structured literature review of simulation modelling applied to Emergency Departments: Current patterns and emerging trends. Oper Res Heal Care [Internet]. 2018;19:1–13. Available from: https://doi.org/10.1016/j.orhc.2018.01.001
  11. Wiler JL, Griffey RT, Olsen T. Review of modeling approaches for emergency department patient flow and crowding research. Acad Emerg Med. 2011;18(12):1371–9.
  12. EL-Rifai O, Garaix T, Augusto V, Xie X. A stochastic optimization model for shift scheduling in emergency departments. Health Care Manag Sci. 2015;18(3):289–302.
  13. Ahmed MA, Alkhamis TM. Simulation optimization for an emergency department healthcare unit in Kuwait. Eur J Oper Res [Internet]. 2009;198(3):936–42. Available from: http://dx.doi.org/10.1016/j.ejor.2008.10.025
  14. Daldoul D, Nouaouri I, Bouchriha H, Allaoui H. A stochastic model to minimize patient waiting time in an emergency department. Oper Res Heal Care [Internet]. 2018;18:16–25. Available from: https://doi.org/10.1016/j.orhc.2018.01.008
  15. Farrokhnia N, Göransson KE. Swedish emergency department triage and interventions for improved patient flows: A nationaFarrokhnia, N., & Göransson, K. E. (2011). Swedish emergency department triage and interventions for improved patient flows: A national update. Scandinavian Journal. Scand J Trauma Resusc Emerg Med [Internet]. 2011;19(1):72. Available from: http://www.sjtrem.com/content/19/1/72
  16. Magid DJ, Asplin BR, Wears RL. The quality gap: Searching for the consequences of emergency department crowding. Ann Emerg Med. 2004;44(6):586–8.
  17. Mazier A, Xie X, Sarazin M. Scheduling inpatient admission under high demand of emergency patients. 2010 IEEE Int Conf Autom Sci Eng CASE 2010. 2010;792–7.
  18. Diefenbach M, Kozan E. A Methodology to Optimise Patient Flows at Emergency Departments by Analysing Combined Effects of Different Admission. 2010;3–8.
  19. Wong TC, Xu M, Chin KS. A two-stage heuristic approach for nurse scheduling problem: A case study in an emergency department. Comput Oper Res. 2014;51:99–110.
  20. Elalouf A, Wachtel G. An alternative scheduling approach for improving emergency department performance. Int J Prod Econ [Internet]. 2016;178:65–71. Available from: http://dx.doi.org/10.1016/j.ijpe.2016.05.002