7. Conclusie en aanbevelingen
7.2 Aanbevelingen
Gevoeligheidsanalyse
In de literatuur kwam het voor dat auteurs een gevoeligheidsanalyse hadden toegepast op de resultaten. Met behulp van een gevoeligheidsanalyse wordt er gekeken hoe sterk de optimale oplossing verandert als er een kleine relatieve verandering in de uiteindelijke kansverdeling wordt aangebracht, de input van de heuristiek. Hierdoor wordt duidelijk voor welke variabelen het model het meest gevoelig is en kan de onzekerheid van het model worden achterhaald. Het VUmc wordt aangeraden om een
gevoeligheidsanalyse toe te passen om de robuustheid van de optimale oplossing te achterhalen. Kansverdeling per specialisme
Tijdens dit onderzoek is gebleken dat de ligduur van alle specialismes niet volgens één dezelfde kansverdeling verdeeld zijn. Hetzelfde geldt voor het aantal operaties per blok. Het nadeel van een empirische verdeling is dat het geen vaste kansformule heeft om de kansverdeling mee te bepalen en daardoor heel erg afhankelijk is van de historische data. Het VUmc wordt aangeraden om de verdeling van de ligduur en het aantal blokken apart voor ieder specialisme te bepalen, zodat de kansverdeling minder afhankelijk is van de historische data. Hierdoor hoeven er minder aanpassingen verricht te worden als het model in de komende jaren wordt toegepast.
Verschillende specialismes op één afdeling
Het komt voor dat twee patiënten van ieder een ander specialisme, op dezelfde afdeling terecht komen. Twee patiëntenstromen zijn tijdens dit onderzoek nog niet gecombineerd naar één afdeling. Hierbij is het van belang om per specialisme rekening te houden met het aantal blokken, het aantal operaties per blok en de maximale ligduur. Dit kan een verschil maken in de kansverdeling, maar ook zeker voor het 95e-percentiel van het minimum aantal bedden dat op de afdeling moet komen te staan. Het VUmc
wordt aangeraden om zelf het model uit te breiden om alle andere patiëntstromen te voorspellen. Tijdslot van de blokken en het type patiënt
Tijdens dit onderzoek is aangenomen dat ieder tijdslot van een blok per specialisme identiek is aan elkaar. Dit hoeft echter niet voor elk specialisme zo te zijn. Er zouden meerdere operaties in één blok met een groter tijdslot passen dan een kleiner tijdslot, als ervanuit wordt gegaan dat iedere patiënt dezelfde operatieduur heeft. Daarnaast kan het voorkomen dat er wel evenveel operaties worden gepland in blokken die niet een identiek tijdslot hebben. Dit kan betekenen dat een patiënt die geopereerd wordt afhankelijk is van de ligduur binnen een specialisme. Het VUmc wordt aangeraden om rekening te houden met het tijdslot van het aantal blokken per specialisme en daarbij ook te kijken of patiënten onderling afhankelijk zijn van het type klacht waaraan ze geopereerd worden. Als het blijkt dat het aantal patiënten per blok en de ligduur afhankelijk zijn van elkaar, kan er worden gedacht aan simulatie in plaats van de analytische benadering van Vanberkel. Bij de analytische benadering van Vanberkel wordt en namelijk uitgegaan van twee discreet onafhankelijke kansverdelingen. Simulated annealing en de verschuivingsregel
Het aantal blokken uit de historische data werden voor het specialisme neurochirurgie willekeurig verdeeld over twee weken op aanvraag van het VUmc. Opgemerkt kan worden, doordat het aantal
van de OK-planning. Om het aantal iteraties te kunnen verhogen en de rekentijd gelijkwaardig te houden, wordt het VUmc aangeraden om tijdens de verschuiving van het aantal blokken niet een oplossing toe te staan die alle blokken in één week plaatst. Er kan hierbij gedacht worden, als er twaalf blokken zijn om te verdelen, dat er maximaal acht of negen blokken in één week geplaatst mogen worden met de verschuivingsregel. Een verhoging van het aantal iteraties kan zorgen voor een betere eindoplossing.
Locatie AMC
Door de fusie van het VUmc en het AMC worden er op veel vlakken samen gewerkt tussen deze twee ziekenhuizen. Het model dat tijdens dit onderzoek is gemaakt kan ook op locatie AMC worden toegepast om de OK-planning te optimaliseren. Als het in beide ziekenhuizen wordt toegepast, kan dit ervoor zorgen dat de OK-planning geen bottleneck meer vormt voor het Amsterdam UMC.
BRONNENLIJST
Adan, I., & Vissers, J. (2002). Patient mix optimisation in hospital admission planning: a case study. Baltimore: international journal of operations and production management.
Ali, H. A., Lamsali, H., & Othman, S. N. (2018). Operating rooms scheduling using tabu search for
elective surgeries in a hospital affected by war-related incidents. Baghdad: IRMBR journal.
Amsterdam UMC. (2018, juni 7). AMC en VUmc gaan samen verder als Amsterdam UMC. Opgehaald van Amsterdam UMC: https://www.amc.nl/web/nieuws-en-verhalen/actueel/actueel/amc-en- vumc-gaan-samen-verder-als-amsterdam-umc.htm
Antelo, M., Santias, F. R., & Calvo, A. M. (2015). Bed capacity and surgical waiting lists: a
simulation analysis. Santiago: European Journal of Government and Economics.
Banditori, C., Cappanera, P., & Visintin, F. (2014). Investigating the relationship between resources
balancing and robustness in master surgical scheduling. Zwitserland: Springer .
Beliën, J., & Demeulemeester, E. (2007). Building cyclic master surgery schedules with leveled
resulting bed occupancy. Leuven: European Journal of Operational Research.
Beliën, J., Cardoen, B., & Demeulemeester, E. (2010). Operating room planning and scheduling: A
literature review. België: Elsevier.
Berends, N. (2018, januari). Wat staat ons te wachten dit jaar? Nursing, p. 4. Opgehaald van Nursing: https://www.nursing.nl/zoeken/?_sf_s=werk%20en%20cao&_sfm_theme_id=72987
Bharti, A. (2006). Stochastic bed balancing of an obstetrics hospital. Arizona State University: Springer Science + Business Media.
Bijvank, M. (2004). Evolutionaire methoden voor het job shop scheduling probleem. Amsterdam: Vrije universiteit van Amsterdam.
Bittencourt, O., Verter, V., & Yalovsky, M. (2018). Hospital capacity management based on the
Queueing Theory. Canada/Brazil: Emerald Publishing Limited.
Bosch, R., & van de Craats, J. (z.d.). Wachttijdtheorie. z.d.: z.d.
Buijs, P. d. (2012). Statistiek om mee te werken. Groningen/Houten: Noordhoff Uitgevers bv. Busetti, F. (2013). Simulated annealing overview. Citeseer.
Chahyadi, F., Azhari, & Kurniawan, H. (2018). Hospital nurse scheduling optimization using
simulated annealing and probabilistic cooling scheme. India: Indonesian journal of computing
and cybernetics systems.
Craats, J. v. (2002). Kansrekening en statistiek. Amsterdam: UvA.
Dai, J. G., & Shi, P. (2019). A Two-Time-Scale Approach to time-varying queues in hospital inpatient
Defreaye, M. (2014). Personnel planning in service systems with nonstationary demand. Leuven: KU Leuven.
Dekker, L. (2018). Het bepalen van de drukte op de AOA in het LUMC minimaal 24 uur van tevoren. Leiden: n.v.t.
Demeulemeester, E., & Ma, G. (2011). Assessing the performance of hospital capacity planning
through simulation analysis. Leuven: Department of decision sciences and information
managment (KBI).
Denton, B., Rahman, A., Nelson, A., & Bailey, A. (2006). Simulation of a multiple operating room
surgical suite. Rochester: Winter Simulaiton Conference.
Fügener, A., Hans, E. W., Kolisch, R., Kortbeek, N., & Vanberkel, P. T. (2014). Master surgery
scheduling with consideration of multiple downstream units. Twente: Elsevier.
Gartner, D., & Kolisch, R. (2013). Scheduling the hospital-wide flow of elective patients. München: Elsevier.
Gelder, D. K. (2009). Geconvolueerde kansverdleing voor collectieve contracten. Amsterdam: UvA. Gonzalez, J. (2018). A proactive transfer policy for critical patient flow managment. Santiago:
Springer.
Goor, M. v. (2006). Genetische algoritmes en parallellisme. Nijmegen: Radbout universiteit. Grit, K. (2016). De ontwikkeling van de tactische OK-planning in het Sint Jans Gasthuis. Twente:
Universiteit Twente.
Helm, J. E., & van Oyen, M. P. (2019). Design and optimization methods for elective hospital
admissions. Maryland, USA: Institute for operations research and the management scienses
(INFORMS).
Hendriks, W. H. (2013). Multi Skilled Staff Scheduling with Simulated Annealing. Delft: TUDelft. Hillier, F. S., & Lieberman, G. J. (2005). Introduction to operations research. Standford: The
McGraw: Hill Companies.
Jung, K. S., Pinedo, M., Sriskandarajah, C., & Tiwari, V. (2017). Scheduling operating rooms with
elective and emergency surgeries. Florida: University of Florida.
Karaboga, D. (2000). Intelligent optimization techniques . Turkije: Springer.
Kumar, A., Costa, A. M., Fackrell, M., & Tayler, P. G. (2018). A sequential sothcastic mixed integer
programming model for tactical master surgery scheduling. Australië: Elsevier.
Li, X., Rafaliya, N., Fazle , M. B., & Chaouch, B. A. (2015). Scheduling elective surgeries: the
tradeoff among bed capacity waiting patients and operating room utilization using goal programming. New York: Springer Science + Business Media.
Manikas, T. W., & Cain, J. T. (1996). Genetic algorithms vs. simulated annealing: a comparison of
Marazzi, A., Paccaud, F., Ruffieux, F., & Beguin, C. (1998). Fitting the distributions of lenght of stay
by parametric model. Med.care.
Mateus, C., Marques, I., & Captivo, E. M. (2017). Local search heuristics for a surgical case
assignment problem. Lissabon: Elsevier.
Mattrisch, L. (2018). Optimization of a Master Surgery Schedule. n.b.: n.b.
May, J. H., Spangler, W. E., Strum, D. P., & Vargas, L. G. (2011). The surgical scheduling problem:
Current Research and Future Opportunities. USA: POMS.
Muilwijk, J. (1960). Enkele eigenschappen en toepassingen van de lognormale verdeling. Nederland: Statistica Neerlandica.
NCSS Statistical Software. (sd). Data simulation. In NCSS, Data simulation (p. 29). NCSS, LLC. All Rights Reserved.
Nguyen, L. V. (2001). Strategies for cutting hospitlal beds: The impact on patient service. Boston: HSR.
Oostrum, J. M., van Houdenhoven, M., Hurink, J. L., Hans, E. W., Wullink, G., & Kazemier, G. (2008). A master surgical scheduling approach for cyclic scheduling in operating room
departments. The Netherlands: OR Spectrum.
Song-Hee, K., Vel, P., Whitt, W., & Chul Cha, W. (2015). Poisson and non-poissong properties in
appointment-generated arrival process: The case of an endocrinology clinic. USA:
CrossMark.
Swartzman, G. (1970). The patient arrival process in hospitals: statistical analysis. Colorado state: Health services research.
Utrecht Universiteit. (n.b.). Lokale zoekmethoden. Utrecht: Utrecht universiteit.
Vanberkel, P. T., Boucherie, R. J., Hans, E. W., Hurink, J. L., van Lent, W. A., & van Harten, W. H. (2011a). Accounting for inpatient wards when developing master surgical schedules. Twente: International Anesthesia Research Society.
Vanberkel, P. T., Boucherie, R. J., Hans, E. W., Hurink, J. L., van Lent, W. A., & van Harten, W. H. (2011b). An exact approach for relating recovering surgical patient workload to the master
surgical schedule. Twente: Universiteit van Twente; Nederlands kanker instituut Antoni van
Leeuwenhoek ziekenhuis.
Voshaar, J. O. (1994). Statistiek voor onderzoekers. Wageningen: Wageningen Pers.
Yip, K., Leung, L., & Yeung, D. (2019). Levelling bed occupancy: reconfiguring surgery schedules