Modeling and simulation for healthcare operations management using high performance computing and agent-based model

Abstract

Los servicios hospitalarios de urgencias (SU) son servicios altamente integrados que gestionan las necesidades primarias de los pacientes que llegan sin cita previa y en condiciones inciertas. En este contexto, el análisis y la gestión de flujos de pacientes ejercen un papel clave en el desarrollo de las políticas y herramientas de decisión para mejorar la actuación global del sistema. Pese a esto, los mismos flujos de pacientes en un SU son considerados muy complejos debido a los diferentes caminos que pueden tomar los pacientes y a la inherente incerteza y variabilidad de los servicios de salud. Debido a la complejidad y al papel crucial de un SU en el sistema sanitario, la habilidad de representar, simular y predecir el rendimiento de un SU tiene un valor incalculable para quien toma decisiones para resolver los problemas de la gestión de las operaciones. Una manera a percatarse de las consecuencias es mediante el modelado y la simulación. El objetivo general de este estudio es desarrollar herramientas para entender mejora la complejidad (explicar), evaluar la política (predecir) y mejorar la eficiencia (optimizar) de unidades de SU. Las dos aportaciones principales son:

(1) Un modelo basado en agentes para predecir y analizar cuantitativamente el complejo comportamiento de los servicios de urgencias. E objetivo de este modelo es captar la asociación no lineal entre las funciones de nivel macro y el comportamiento a nivel micro con el objetivo de comprender mejor el cuello de botella del rendimiento de los SU y proporcionar la capacidad de cuantificar este rendimiento en una condición dada. El modelo fue construido en colaboración con el personal de asistencia sanitaria en un SU típica y ha sido implementado en el entorno de modelado NetLogo. Se proporcionan casos de estudio para presentar algunas capacidades del simulador que analizan cuantitativamente el comportamiento del SU así como el soporte a la toma de decisiones.

(2) Una metodología de simulación basada en la optimización para el calibrado de los parámetros del modelo en condiciones de escasez de datos. Para conseguir una alta fidelidad y credibilidad en la realización de la predicción y exploración del sistema actual con modelos de simulaciones se ha de aplicar en primer lugar una calibración rigurosa y un procedimiento de validación. No obstante, una de las cuestiones clave en el calibrado es la adquisición de información de una fuente válida para el sistema destino. El objetivo de este trabajo es desarrollar un método sistemático para calibrar automáticamente un modelo genérico de un servicio de urgencias con datos incompletos. El método de calibrado propuesto permite a los usuarios de la simulación calibrar el modelo genérico para la simulación de los propios sistemas sin involucrarse en el modelo. Las técnicas de computación de alto rendimiento se utilizaron para buscar el conjunto óptimo de parámetros de manera eficiente. Creemos que una herramienta de calibrado automático publicado juntamente con un modelo genérico de un SU es prometedor para la promoción de la aplicación de la simulación en los estudios de SU. Además, la integración de técnicas de simulación de un SU i optimación podrían también ser utilizada para la optimización sistemática de un SU.

A partir de la simulación de los servicios de urgencias, nuestros esfuerzos probaron la viabilidad y la idoneidad de la utilización del modelo de simulación y técnicas basadas en agentes para el estudio del sistema de salud.

Hospital based emergency departments (EDs) are highly integrated service units to primarily handle the needs of the patients arriving without prior appointment, and with uncertain conditions. In this context, analysis and management of patient flows play a key role in developing policies and decision tools for overall performance improvement of the system. However, patient flows in EDs are considered to be very complex because of the different pathways patients may take and the inherent uncertainty and variability of healthcare processes. Due to the complexity and crucial role of an ED in the healthcare system, the ability to accurately represent, simulate and predict performance of ED is invaluable for decision makers to solve operations management problems. One way to realize this requirement is by modeling and simulation. Armed with the ability to execute a compute-intensive model and analyze huge datasets, the overall goal of this study is to develop tools to better understand the complexity (explain), evaluate policy (predict) and improve efficiencies (optimize) of ED units. The two main contributions are:

(1) An agent-based model for quantitatively predicting and analyzing the complex behavior of emergency departments. The objective of this model is to grasp the non-linear association between macro-level features and micro-level behavior with the goal of better understanding the bottleneck of ED performance and provide ability to quantify such performance on defined condition. The model was built in collaboration with healthcare staff in a typical ED and has been implemented in a NetLogo modeling environment. In order to validate its adaptivity, the presented model has been calibrated to emulate a real ED in Spain, simulation results have proven the feasibility and ideality of using agent-based model & simulation techniques to study the ED system. Case studies are provided to present some capabilities of the simulator on quantitively analyzing ED behavior and supporting decision making.

(2) A simulation and optimization based methodology for calibrating model parameters under data scarcity. To achieve high fidelity and credibility in conducting prediction and exploration of the actual system with simulation models, a rigorous calibration and validation procedure should firstly be applied. However, one of the key issues in calibration is the acquisition of valid source information from the target system. The aim of this contribution is to develop a systematic method to automatically calibrate a general emergency department model with incomplete data. The proposed calibration method enables simulation users to calibrate the general model for simulating their system without the involvement of model developers. High performance computing techniques were used to efficiently search for the optimal set of parameters. The case study indicates that the proposed method appears to be capable of properly calibrating and validating the simulation model with incomplete data. We believe that an automatic calibration tool released with a general ED model is promising for promoting the application of simulation in ED studies. In addition, the integration of the ED simulator and optimization techniques could be used for ED systematic performance optimization as well.

Starting from simulating the emergency departments, our efforts proved the feasibility and ideality of using agent-based model methods to study healthcare systems.