De scenario’s beschreven in hoofdstuk 4 zijn allen uitvoerig gesimuleerd. Om te
voorkomen dat uitzonderlijke situaties als bijvoorbeeld hele grote aankomstintensiteit, hoog percentage nieuwe donoren of veel afkeuringen te veel invloed hebben op de resultaten is gekozen om de vijf modellen in batches van 50 te simuleren. Van iedere batch wordt afzonderlijk informatie opgeslagen, maar er worden ook van de totale 50 batches gemiddelde waarden berekend. De batches zelf hebben steeds een duur van 14 uur, een uur voordat het donorcentrum open gaat (voor mensen die te vroeg zijn) en duurt tot een uur na sluitingstijd. Dit zorgt ervoor dat het systeem leeg is als de simulatie is voltooid.
7.1 Resultaten
Allereerst zullen de doorlooptijden en procestijden van de verschillende scenario’s met elkaar worden vergeleken. In onderstaande tabel zijn een aantal waarden opgenomen om vaste exponentiële aankomsten te vergelijken met aankomsten die piekuren kennen.
exponentiële
aankomsten aankomsten volgens schema
doorlooptijd volbloed 33,18 37,27 doorlooptijd plasma 64,52 74,33 wachttijd volbloed 8,24 12,07 wachttijd plasma 8,62 18,22 maximum aantal aankomsten 133 177 minimum aantal aankomsten 91 71
Tabel 7.1 vergelijking waarden bij andere aankomsten
Uit deze tabel blijkt meteen het nut van simulatie, als de waarden van het scenario met vaste exponentiële aankomsten wordt vergeleken met aankomsten waarvan de
46.5% is toegenomen. Ook verschillen het maximale en minimale aantal donoren dat langs is gekomen op een dag sterk. Dit tezamen doet vermoeden dat het realistischer is om de aankomstintensiteit per uur te laten verschillen in plaats van deze ieder uur hetzelfde te laten zijn.
Ook wordt de doorlooptijd van de andere scenario’s vergeleken. Alleen het scenario “exponentiële aankomsten” kent geen verschil in aankomstintensiteit per uur. De overige scenario’s gaan uit van dezelfde verdelingen per uur. In onderstaande tabel staan de doorlooptijden voor volbloeddonoren en plasmadonoren in minuten vermeld.
Tabel 7.2 doorlooptijden van de vijf scenario’s
Aan de doorlooptijden zijn snel nuttige zaken af te lezen. Zo valt het op dat de doorlooptijd voor het meeloopscenario een stuk lager ligt dan wanneer er geen
aanwijsbare logica is voor de medewerkers (zoals bij “aankomsten volgens schema”). Bij het loskoppel scenario valt te zien dat de doorlooptijd juist wordt vergroot. Dit kan betekenen dat het wachten op loskoppelen niet de bottleneck van dit systeem is, en dat capaciteit beter eerst op andere plekken kan worden ingezet. De bottleneck wordt juist wel aangepakt bij het langste wachtrij scenario, maar dit leid niet tot verkleining van de doorlooptijd. Een mogelijke verklaring hiervoor is dat “de langste wachtrij” niet goed geformuleerd is als zijnde de bottleneck. Het hoeft namelijk niet zo te zijn dat waar de wachtrij het grootst is ook de wachttijd het grootst is.
Voor deze scenario’s wordt ook de gemiddelde wachttijd berekend. Bij deze vergelijking van resultaten wordt de situatie van exponentiele aankomsten die niet per uur verschillen niet meer meegenomen, omdat deze de werkelijkheid niet genoeg benaderd. Verdere resultaten die van belang zijn, zijn weergegeven in onderstaande tabel. exponentiële aankomsten aankomsten volgens schema meeloopscenario loskoppel scenario langste wachtrij scenario doorlooptijd volbloed 33,18 37,27 33,76 43,43 36,20 doorlooptijd plasma 64,52 74,33 70,51 73,85 73,64
volgens schema aankomsten meeloop scenario loskoppel scenario langste wachtrij scenario wachttijd volbloed 12,07 8,71 18,88 11,38 wachttijd volplasma 18,23 14,47 17,92 17,57 bezettingsgraad keuringskamer 24,2% 24,1% 24,5% 24,0% bezettingsgraad volbloedbed 18,8% 18,0% 17,3% 19,0% bezettingsgraad plasmabed 47,3% 44,7% 46,9% 46,9%
Tabel 7.3 wachttijden en bezettingsgraden
Zoals verwacht door de analyse van de doorlooptijden presteert ook hier het meeloop scenario het beste, opvallend is dat de wachttijd voor volbloeddonoren bij het loskoppel scenario gemiddeld meer dan zes minuten extra moeten wachten. Het loskoppel
scenario is hierdoor niet meer aantrekkelijk om verder te onderzoeken, dus zal de focus gaan liggen op het meeloop scenario, het langste wachtrij scenario en het basis scenario. Als wordt gekeken naar de bezettingsgraden valt op dat deze voor de keuringskamer en het volbloedbed aan de lage kant zijn, iets wat logisch is als een hoge servicegraad wordt getracht te behalen. De bezettingsgraad voor plasmabedden ligt echter veel hoger, iets wat kan duiden op een bottleneck. Het verhogen van het aantal plasmabedden van zes naar zeven zou een manier kunnen zijn om de wachttijden en doorlooptijden verder te verkorten.
7.2 Gevoeligheidsanalyse
De gevoeligheidsanalyse wordt in dit geval gebruikt om te onderzoeken hoe de
meetresultaten van de verschillende modellen veranderen als variabelen veranderen. Allereerst is het zinvol te weten wat een vergroting van de aankomstintensiteit
betekend voor de doorlooptijd, wachttijd en bezettingsgraad. In onderstaande tabel wordt weergegeven wat de consequenties zijn van een toename van 20% in de gemiddelde aankomstintensiteit, iets wat zou betekenen dat van een totaal van
aankomsten volgens schema grotere aankomst intensiteit meeloop scenario grotere aankomst intensiteit langste wachtrij scenario grotere aankomst intensiteit doorlooptijd volbloed 37,27 38,40 33.76 35,08 36,20 37,02 doorlooptijd plasma 74,33 75,56 70,51 73,48 73,64 75,27 wachttijd bloed 12,07 13,37 18,88 10,06 11,38 12,19 wachttijd plasma 18,23 19,40 17,92 17,28 17,57 19,10 bezettingsgra ad keuringskame r 24,2% 28,7% 24,5% 28,0% 24,0% 28,1% bezettingsgra ad volbloedbed 18,8% 21,6% 18,0% 21,1% 19,0% 21,9% bezettingsgra ad plasmabed 47,3% 54,0% 44,7% 53,7% 46,9% 54,5% Tabel 7.4 gevoeligheidsanalyse met betrekking tot grotere aankomstintensiteit
De resultaten uit tabel 7.4 laten zien dat de gemiddelde doorlooptijd stijgt als de aankomstintensiteit stijgt, iets wat intuïtief logisch is. De stijging in doorlooptijd is echter niet 20% groter geworden, deze ligt voor plasmadonoren rond de 2% en voor volbloeddonoren rond de 3,5%. Dit betekend dat er voldoende capaciteit is om een grotere aankomstintensiteit op te vangen, dit gaat echter wel ten koste van de
servicegraad want de stijging in de doorlooptijd wordt vrijwel volledig opgevangen door langere wachttijden. Procentueel veranderen de wachttijden ook veel sterker en het is de vraag of dit wenselijk is.
Wat ook interessant is om te onderzoeken is de consequentie van het vergroten van de capaciteit van de resource met de hoogste bezettingsgraad. In dit geval is dat het aantal plasmabedden. In de volgende simulatie wordt de capaciteit verhoogd van zes naar acht bedden en wordt gekeken wat het resultaat hiervan is.
aankomsten volgens schema meer plasma bedden meeloops cenario meer plasma bedden langste wachtrij scenario meer plasma bedden doorlooptijd plasma 74,33 71,96 70,51 68,33 73,64 72,36 wachttijd plasma 18,23 15,90 14,47 12,46 17,57 16,06 bezettingsgraad plasmabed 47,3% 35,0% 44,7% 35,6% 46,9% 35,2%
Het vergroten van het aantal plasmabedden heeft inderdaad een positieve invloed op de verwachtte gemiddelde doorlooptijd. De doorlooptijd wordt verminderd met zo’n 3%, door twee bedden meer in te zetten. De bezettingsgraad van plasmabedden daalt veel sterker, de bezettingsgraad rond de 35% is nog steeds groter dan veel andere
bezettingsgraden maar wel zo’n 10% lager in het geval van twee bedden minder. Deze analyses hebben laten zien dat het ontwikkelde model op een realistische manier reageert op veranderingen van resources of aankomstintensiteiten. Het model kan dus gebruikt worden voor meer verschillende centra dan het door ons behandelde grote centrum dat 12 uur achter elkaar geopend is. Ook worden veranderingen goed weergegeven, wat het model geschikt maakt om te experimenteren met verschillende opstellingen van aantal kamers, aantal personeelsleden, aantal bedden en andere zaken.
8. Afsluiting
8.1 Conclusie
In dit onderzoek is naar voren gekomen dat het voor de doorlooptijd van donoren van grote invloed is hoe medewerkers beslissen welke donoren het eerst geholpen worden. De verschillende scenario’s hebben laten zien dat redelijk eenvoudig in te voeren aanpassingen kunnen leiden tot een aantal minuten tijdwinst. Het is raadzaam te onderzoeken door middel van een Pilot wat deze resultaten kunnen betekenen, met name het meeloop scenario laat veelbelovende resultaten zien. Na een pilot die enkele dagen heeft geduurd kunnen resultaten verder worden geanalyseerd en geëvalueerd. Ook is naar voren gekomen dat een verschillende aankomstintensiteit per uur ten gevolge heeft dat de wachttijden langer worden. De grootte van dit effect is zeer overtuigend en het is dan ook raadzaam dit in verder onderzoek mee te nemen. Ook kan de mogelijkheid onderzocht worden de aankomstintensiteit niet per uur te variëren, maar met nog kleinere tijdseenheid, zoals per kwartier.
8.2 Discussie
Een aantal parameters in het simulatiemodel is gebaseerd op gegevens uit de database van Sanquin. Een sterk positief punt van de database is dat deze meer dan genoeg meetresultaten voor een representatief resultaat bevat.
Er moet echter een aantal kanttekeningen geplaatst worden bij de gegevens uit de dataset:
Een deel van de waarnemingen is onbruikbaar door niet volledig ingevulde gegevens (er staan waarnemingen in de lijst met procestijden die gelijk aan nul zijn). Deze waarnemingen zijn buiten beschouwing gelaten bij de vaststelling van de parameterwaarden.
Sommige donatiecentra hebben andere openingstijden en daarmee ook
vertekende aankomstintensiteiten, deze centra zijn buiten beschouwing gelaten.
De genoteerde tijden zijn afgerond op minuten hetgeen een minder precies beeld geeft, al wordt een deel van deze onnauwkeurigheid wel uitgemiddeld door het grote aantal waarnemingen.
Dan is er nog een aantal gegevens dat ontbreekt in de bovengenoemde dataset, maar dat wel zeer nuttig zou zijn voor een vervolgonderzoek:
Er is geen onderscheid gemaakt tussen de stappen binnen de donatie, terwijl onderscheid tussen aankoppelen, afname en loskoppelen een completer beeld geeft.
Er zijn geen cijfers van het aantal donoren dat voor de eerste keer komt opgenomen.
Er zijn geen tijden genoteerd van de duur van de registratie.
Er zijn geen cijfers van het aantal aanwezige medewerkers opgenomen, terwijl dit gegeven wel sterk de wachttijd beïnvloedt.
Er zijn geen cijfers van het aantal afwijzingen bij de keuring opgenomen.
Er zijn geen tijden gemeten van de extra tijd die het kost om een afkeuring te doen. Er is wel extra tijd voor een afkeuring omdat de arts erbij moet komen en omdat een afgekeurde donor vaak uitleg verlangt over de afkeuring.
Bovenstaande ontbrekende gegevens zijn op andere wijze vergaard: door eigen
metingen in de bloedbank te Utrecht, cijfers op de website van Sanquin et cetera. Waar de gegevens exact vandaan komen is terug te lezen in hoofdstuk 6: Data-analyse. Over de metingen gedaan in Utrecht moet ook het een en ander opgemerkt worden. Ten eerste zijn er te weinig metingen gedaan in de bloedbank van Sanquin in Utrecht voor een significant resultaat. In een vervolgstudie zullen meer metingen gedaan moeten worden om de tijden van onder andere aankoppelen, afname en loskoppelen vast te stellen.
Ten tweede moeten over de gehele dag gemeten worden, in plaats van rond de avondpiek (±17:30-1900).
Daarnaast is het van belang om van tevoren duidelijke richtlijnen op te stellen voor het doen van de metingen. Bij de meetsessie in Utrecht werd al snel duidelijk dat het
geheel volgens protocol is. Bij latere metingen moeten voor al dit soort uitzonderingen duidelijke regels opgesteld worden over de te noteren tijd.
Tot slot zou het handig zijn als metingen elektronisch verricht kunnen worden, met bijvoorbeeld een polsbandje en poortjes bij elk vertrek in het donorcentrum, om metingen nauwkeurig te noteren. Bij een niet-geautomatiseerde meting is het vrijwel onmogelijk om nauwkeurige tijden te noteren op het moment dat er meerdere
wisselingen tegelijk plaats vinden. 8.3 Aanbevelingen
Graag willen wij naar aanleiding van ons onderzoek een aantal aanbevelingen doen aan Sanquin en haar betrokken onderzoekers. Dit zodat in de toekomst steeds realistischer processen kunnen worden nagebootst wat uiteindelijk een grotere service naar de donoren betekend.
Wat wij ten zeerste aanraden is, als er nieuwe metingen gedaan worden, rekening te houden met het in hoofdstuk 8.3 aangedragen voorstellen. Hoewel de data die nu voor handen is voor zaken als het bepalen van de tijdsverdeling van keuringen zeer
toereikend is, schiet deze op andere onderdelen tekort.
Ook is het aan te raden het de door ons ontwikkelde modellen verder te
ontwikkelen om deze, zo mogelijk, nog realistischer te maken. Ook kan worden gedacht aan het bedenken van andere, misschien minder voor de hand liggende regels om te onderzoeken wat de invloed hiervan op de doorlooptijd en wachttijd is. Deze regels zullen dan moeten worden geïmplementeerd in het basismodel.
Verder zijn de simulatie resultaten van het meeloop scenario erg veelbelovend. Dit scenario presteerde beter dan wanneer voor de langste wachtrij werd gekozen. De implicatie van dit scenario vergt geen grote investeringen, enkel een korte briefing aan het personeel over de nieuwe methode. Het is dan ook zeer interessant te onderzoeken of er een pilot kan worden gestart voor dit scenario.
Tenslotte adviseren wij om in vervolgonderzoeken altijd uit te gaan van per uur wisselende aankomstintensiteiten. De verschillen tussen niet variërende en variërende aankomstintensiteiten waren dusdanig groot dat de geloofwaardigheid van onderzoek kan worden aangetast als hier geen rekening mee wordt gehouden.
9. Dankwoord
Allereerst willen we Sanquin Bloedvoorziening en in het speciaal Wim de Kort
bedanken. Wim de Kort heeft ons een rondleiding gegeven bij het donorcentrum op de Plesmanlaan in Amsterdam toen we nog in de oriënterende fase van ons onderzoek zaten. Hij heeft ons uitgelegd hoe het proces van bloeddonatie in elkaar zat en we
hebben een kijkje achter de schermen kunnen nemen. We stellen het zeer op prijs dat hij de tijd heeft genomen om ons zo gastvrij te ontvangen.
Uiteraard willen we ook de mensen bij de bloedbank te Utrecht bedanken dat we hier metingen konden verrichten om zo de parameters in ons simulatiemodel vast te stellen. We hadden wel data ontvangen van Sanquin van grootschalige metingen, maar er was nog nooit een onderscheid gemaakt binnen de afname: een tijd voor
aankoppelen, doneren en loskoppelen was nog niet gemeten. In Utrecht werd het ons toegestaan vrijuit rond te lopen, notities te maken en tijden te noteren.
Het software consultancy bedrijf Systems Navigator heeft ons op het kantoor in Delft uitgenodigd en een training gegeven voor het simulatieprogramma Arena. Deze training, gegeven door Gerbert Heijkoop, was een zeer leerzame en unieke ervaring. Door deze dag in Delft waren we al snel thuis in het programma Arena en hebben we ons model, gebaseerd op de bloedbank in Utrecht, kunnen bouwen.
Bij de scriptie zelf en vooral bij het bouwen van het simulatiemodel hebben we veel hulp gehad van Sem van Brummelen. Sem van Brummelen is PhD student bij Universiteit Twente en logistiek medewerker bij Sanquin Bloedvoorziening. Met vragen over het simulatieprogramma Arena konden we bij hem terecht en we konden altijd op een razendsnelle reactie rekenen. Zonder hem was het nooit gelukt om het
simulatiemodel in Arena werkend en kloppend te krijgen.
Tot slot willen we uiteraard onze scriptie begeleider Nico van Dijk bedanken, zonder hem was niks van dit alles mogelijk geweest. We konden met vragen bij hem terecht en hij heeft ons geholpen om de structuur te bepalen voor de scriptie. Dankzij zijn connecties met zowel Systems Navigor als Sanquin Bloedvoorziening hebben we