utilisation de la simulation dans le domaine hospitalier

Utilisation de la

simulation dans le

domaine hospitalier

Alvaro Gil, M.A., M.Sc.

Consultant en révision de processus

Hôpital général juif [email protected] [email protected]

Montréal, novembre 2013

mailto:[email protected]

mailto:[email protected]

Utilisation de la simulation

dans le domaine hospitalier

A. Gil, Nov. 2013

Plan de la présentation

• Introduction

• Besoins de simulation en santé

• Paradigmes de modélisation

▫ Simulation d’événements discrets

• Étapes de la technique de simulation

• Survol de quelques logiciels commerciaux

• Exemples réels

• Exercice pratique



A. Gil, Nov. 2013

Introduction

Les établissements de soins sont des entités complexes.

Conséquemment, beaucoup d’efforts sont requis pour la gestion

quotidienne et surtout l’optimisation des processus.

La technique de simulation est fréquemment utilisée pour mieux

comprendre les opérations et pour évaluer, à coût réduit, les

résultats attendus face aux changements.

Cette présentation est une compilation générale sur l’application des

techniques de simulation dans le domaine de la santé et plus

spécifiquement dans le domaine hospitalier et les défis auxquels

nous faisons face.



A. Gil, Nov. 2013

Simulations dans le domaine de la santé

• L’utilisation des techniques de simulation est en croissance depuis les 20 dernières années

• La simulation est une approche utilisée surtout dans le domaine manufacturier

• Dans le domaine de la santé, il s’agit d’une approche émergente qui est plus ou moins acceptée dépendamment du secteur d’activité.

• Joseph Barjis (2010) a fait une compilation exhaustive des portées, potentiels et défis de la simulation dans le domaine de la santé.

• On ne va pas rentrer dans le détail de cet article, cependant il est important de retenir les défis pour le volet discussion à la fin de cette présentation.



A. Gil, Nov. 2013

Simulation dans le domaine de la santé

Portée

Potentiels

Défis

Barjis, Joseph. 2010. “Healthcare Simulation and its Potential Areas and Future Trends.” Simulation 86 (8-9): 459-462.



A. Gil, Nov. 2013


Portée

Simulation clinique

Simulation opérationnelle

Simulation pour la gestion

Simulation éducative

Portée

Potentiels

Défis




A. Gil, Nov. 2013


Potentiels

Alignement TI

Aide à la décision

Entrainement et qualité

Complexité

Amélioration des

processus

Portée

Potentiels

Défis




A. Gil, Nov. 2013


Défis

Intégration multi-

paradigme

Acceptation des

utilisateurs

Collecte des données

Processus de santé

Vérification et

validation

Modèle conceptuel

Portée

Potentiels

Défis




A. Gil, Nov. 2013

Paradigmes de modélisation

Paradigme: Ensemble de principes et de modèles organisationnels

qui aident à mieux comprendre un système quelconque

Trois grandes méthodologies

1. Systèmes dynamiques (SD)

2. Simulation d’évènements discrets (DES)

3. Modélisation à base d’agents (ABS)



A. Gil, Nov. 2013

Systèmes dynamiques (SD)

• Modélisation de phénomènes à grande échelle développée dans les

années 1950 dans le contexte de modèles populationnels.

• La représentation de système dynamique sous forme de

diagramme utilise des boucles de rétroaction (feedback), des

réservoirs où s'accumulent des flux (stocks) et des effets retard

(time delays)

Modèle de flux pour l’admission des patients à l’hôpital (Brailsford 2010)



A. Gil, Nov. 2013

Systèmes dynamiques (SD)

• Le nombre de publications utilisant la

modélisation SD augmente au fil des ans

• Ses applications sont plutôt concentrées

sur la prise de décisions politiques dans

le domaine de la santé Nombre des publications par année portant sur

les systèmes dynamiques dans le domaine de santé

(Brailsford 2010)

• Quelques exemples

1. Modèle d’admission des patients aux hôpitaux en UK

http://www.runthemodel.com/models/k-

geSAbEJFLix0AYi3WDd9/

2. Modèle SIR (Susceptible to the disease, Infectious, and

Recovered) http://www.runthemodel.com/models/186/

http://www.runthemodel.com/models/k-geSAbEJFLix0AYi3WDd9/



http://www.runthemodel.com/models/186/



A. Gil, Nov. 2013

Simulation à événements discrets (DES)

• Définition*: Modélisation d’un système dont l’état évolue au cours du temps selon une représentation dans laquelle les variables d’état changent à certaines dates précises. Les événements se produisent à ces dates, un événement étant une occurrence instantanée susceptible de faire évoluer l’état du système.

• La modélisation est faite en fonction du détail du processus (voir image)

*Law et Kelton (2004)

Arrivée des cliniques

Déposé sur les tablettes

Clinique ophtalmologie

?

Trempage dans lavabo dédié

Trempage(enzyme)

RincageNon

Oui RincageTriage des instruments

Si endoscope Leak test

Instruments placés dans bac

de lavage

Trempage(enzyme)

Rincage

Feuille des heures d’arrivé des instruments

Démontage

Vider chariot:-enlever déchets

et matière disposable,

-enlever linge souillé

Contrôle présence de

rouille

Trempage 5 min dans une solution

Rouille

Arrivée des unités de soins

Arrivée des unités de soins



A. Gil, Nov. 2013

Simulation à événements discrets (DES)

• Cette technique est devenue très

populaire à partir de 2000

• Plusieurs publications ont été faites

en utilisant cette approche.

Nombre des publications par année portant sur la simulation

à événements discrets dans le domaine de la santé

(Gunal 2010)


1. Urgences http://www.runthemodel.com/models/208/

2. Clinique des patients externes








A. Gil, Nov. 2013

Modélisation à base d’agents (ABS)

• Un système multi-agent est une communauté d’agents en interaction.

• Ce système doit avoir un certain degré de contrôle global des agents, qui peut être explicite (ex: mécanisme de coordination, structure organisationnelle) ou implicite (ex: règles de comportement).

• Les résultats peuvent être non prévus, ce qui mène à un comportement émergent, qui n’est pas facile à créer avec les systèmes de modélisation traditionnels.

• La représentation des agents est faite en utilisant des diagrammes de transition (voir image)

• Le résultat peut être intégré avec d’autres paradigmes

Modèle SIR en utilisant ABS



A. Gil, Nov. 2013

Modélisation à base d’agents (ABS)

• Ce paradigme est le plus récent et le moins populaire pour

l’instant dans le domaine de la santé.

• Par contre, il permet de tester une gamme plus variée de

phénomènes (épidémies, comportement des patients, réaction des

parties prenantes - ex. fournisseurs, patients, agences

gouvernementaux, etc.).


1. Épidémie http://www.runthemodel.com/models/364/

2. Réseau des patients et de fournisseurs des services de santé http://www.runthemodel.com/models/1094/

3. Modèle SIR avec ABS (Susceptible to the disease, Infectious, and Recovered) http://www.runthemodel.com/models/188/










A. Gil, Nov. 2013

Comparaison des Paradigmes de modélisation

• Quel paradigme utiliser?

▫ Selon le type de problème traité

• Un des défis pour les modélisateurs est l’intégration multi-

paradigme

SD DES ABM

Portée Stratégique Tactique, opérationnelle Hybride

Importance de la variabilité Bas Haute Selon la portée

Traçabilité des individus Bas Haute Haute

Quantité d’entités Élevée Bas Très élevée

Contrôle Flux Temps des activités et

quantité des ressources

Paramètres du diagramme de

transition

Échelle de temps Longue Courte Moyenne ou longue, selon la portée

But Développement

des politiques

Décisions: Optimisation,

prédiction et comparaison.

Politiques & Prédiction (découverte

de phénomènes émergents)



A. Gil, Nov. 2013

Étapes de la modélisation

• Trois grandes étapes

1. La définition du

problème

2. La collecte et validation

des données

3. La création / validation

et exécution du modèle



A. Gil, Nov. 2013

Étapes ► Problème

• Démarrage du projet

• Création d’une charte de projet

• Analyse des parties prenants du projet

• Identification claire des objectifs

• Choix de la méthodologie de modélisation ainsi que

de la prise de mesures

• Définition d’un horizon de temps du projet



A. Gil, Nov. 2013

Étapes ► Données

• Mesure physique du processus

• Aide des bases des données et des systèmes

disponibles pour augmenter la qualité de

l’information

• Chronométrage des activités (si nécessaire)

• Mesure des distances (si nécessaire)

• Détermination statistique de la quantité des

données nécessaires (si possible)

• Analyse statistiques des résultats pour

déterminer si les résultats sont significatifs

(ANOVA, t-test, etc.)

• Exploration des données data mining (si

possible)



A. Gil, Nov. 2013

Étapes ► Modèle

• Détermination du logiciel de simulation

• Identification du nombre de scénarios et de

répétitions à faire

• Analyse statistique

• Analyse de la sensibilité

• Clôture du projet



A. Gil, Nov. 2013

Écueils dans les modèles

• Besoin d’information de

bonne qualité PLUS une

validation réelle avant de

générer le modèle

• Exemple réel : Hôpital de

Jour

• Génération des statistiques

à partir des registres du

système

• Tendance d’accumulation

vers midi

• Modèle à partir de ces

informations

Information non réelle!



A. Gil, Nov. 2013

Quelques logiciels de simulation • Plusieurs alternatives sur le

marché

• Le choix du logiciel dépend du

paradigme à utiliser ainsi que

des fonctionnalités

recherchées:

▫ Intégration

▫ Design d’expériences

▫ 3D

▫ Etc.

• INFORMS fait une compilation

périodique (43 dans l’édition

Octobre 2013) Regardez le vidéo de 8 minutes:

http://youtu.be/4Y-G7lfVIkw







A. Gil, Nov. 2013

Exemples d’application

1. Triage des patients à

l’urgence

2. Circulation des patients



A. Gil, Nov. 2013

Exemple 1 – Triage à l’urgence

• Problématique

▫ Dans le projet d’amélioration de

processus à l’urgence avant le

déménagement, les gestionnaires

ont observé une haute variabilité

dans le nombre des patients au

triage au long du jour. Ils veulent

connaître cette variabilité.

• Objectifs

▫ Développer une simulation du

processus de triage qui nous

permette de maîtriser le temps

d’attente à l’urgence.



A. Gil, Nov. 2013

• Méthodologie

▫ Observations directes

▫ Chronométrage des

activités

• Durée des observations

▫ trois semaines

• Activités observées:

▫ Pré-triage,

▫ Triage,

▫ Enregistrement

• Paradigme de

modélisation:

▫ Simulation à événements

discrets




A. Gil, Nov. 2013

• Identification des attributs clés pour la classification de temps de traitement des patients:

▫ Type d’assurance

▫ Avec ou sans rendez-vous

▫ Avec ou sans dossier à l’hôpital

▫ Patient a besoin d’électrocardiogramme?

▫ Patient en civière?


• Observation de

processus

▫ Identification de

processus en utilisant un

diagramme des activités

▫ Plan physique de

l’urgence

▫ Diagramme de

déplacements des

patients

• Obtention des données

▫ Accès au base des

données

d’enregistrement des

patients avec l’heure

exacte d’arrivée



A. Gil, Nov. 2013


Diagramme de déplacements des patients à l’urgence



A. Gil, Nov. 2013

Type Signification Activité

AS Assurance maladie

Pré-tirage MR Dossier médical

R Rendez vous

WR Waiting room

Triage EC Électrocardiogramme

ST Civière

B Dossier Bleu

Enregistrement G Dossier


Typologie des activités



A. Gil, Nov. 2013

Étiquettes de lignes N Temps Moyen Écartypep de Temps3 %

Pré-Triage 288 02:31 01:26 43,90%

AS 133 03:07 01:27 46,18%

MC 141 02:04 01:13 48,96%

R 14 01:10 00:34 4,86%

Triage 312 04:56 02:41 47,56%

EC 14 11:10 02:29 4,49%

ST 77 06:04 02:22 24,68%

WR 221 04:09 02:05 70,83%

Enregist. 56 04:39 01:43 8,54%

B 32 03:46 00:44 57,14%

G 24 06:14 01:51 42,86%

Total général 656 03:50 02:29 100,00%


Tableau du temps moyen et de la variabilité



A. Gil, Nov. 2013

Pre-Triage

0

2

4

6

8

10

12

14

16

18

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23

Intraday arrival distribution

Hospital file and no appointment (MC)

W2

Arrival Rate

Appointment (R)

No hospital file (AS)

68%

23%

9%

Average: 2.05 minStDev: 1.07 min



Triage

Stretcher (ST)

Walking (WR)

Electrocardiogram? (EC)

25%

5%

70%




Register

Blue

Gray

57%

43%



W3

Ready to ERW1

Average: 2.22 minUtilization: 46%



Theoretical cycle time: 11.02 minTheoretical cycle time + waiting time: 16.10 min

Waiting time increase: 46%


Dia

gra

mm

e d

es

opéra

tions



A. Gil, Nov. 2013

Le modèle a été développé à l’aide du logiciel AnyLogic.

Voir le modèle: http://www.runthemodel.com/models/1333/


Modèle

de s

imula

tion






A. Gil, Nov. 2013

• Le temps pour le cycle théorique est de 11.02 minutes tandis que le temps du cycle réel est de 16.1 minutes (45% de plus).

• Cette différence est expliquée par l’attente entre les processus, notamment entre le pré-triage et le triage (W2) qui peut s’élever jusqu’à 30 minutes à certains moments du jour.

• La variabilité du temps de cycle s’explique par la présence de différents attributs dans le processus (voir branchements dans le diagramme des opérations) ainsi que par la distribution variable de la demande au cours d’une journée.

• La disponibilité des infirmières au triage est un autre facteur clé qui explique la variabilité, car le processus de triage est non seulement le plus long, mais aussi celui où le facteur d’utilisation est le plus élevé. Lorsqu’une infirmière est absente (autres urgences, pauses, etc.), le temps de cycle des patients augmente significativement.

Triage à l’urgence

Conclusions Exemple 1



A. Gil, Nov. 2013

Exemple 2 – Circulation des patients

• Problématique

▫ Avec le déménagement de l’urgence vers un nouveau pavillon (K),

deux liens pour piétons seront construits pour faire communiquer les

bâtiments (pavillons D, K et H).

▫ Une augmentation des déplacements des patients et de personnel

médical est attendue.

▫ En plus, l'unification des flux pourrait générer un effet de congestion à

certaines heures du jour.

▫ Le niveau exécutif de l’hôpital veut savoir comment ces déplacements

augmenteront le temps moyen à l’urgence, ainsi que les impacts en

termes de congestion aux différents endroits de l’hôpital.



A. Gil, Nov. 2013


• Objectifs

▫ Identifier les flux externes et internes qui visitent l’urgence chaque jour, ainsi que tous les autres qui seront affectés pour la mise en place des liens des piétons

• Méthodologie

▫ Identification réelle de la typologie des flux

▫ Analyse des bases des données de visites à l’urgence et aux services diagnostiques

▫ Mesure des déplacements non enregistrés dans la base des données

▫ Mesure physique des distances et vitesses de déplacements

• Paradigmes de modélisation:

▫ Simulation à événements discrets + Simulation à base d’agents



A. Gil, Nov. 2013

K


Photo aérienne de l’Hôpital général juif en 2007



A. Gil, Nov. 2013

Photo artistique du nouveau pavillon K



A. Gil, Nov. 2013

7W - 6

7NW - 7

4NW - 8

5NW - 9

3NW - 10

S2

S1

1

2

3

4 - 5

Plan des départements lorsque les travaux seront finis (2015)



A. Gil, Nov. 2013

S2

S1

1

2

Plan des départements pendant la phase 1 (février 2014)

Ascenseurs

Lien 1er étage

Passerelle 2ème étage



A. Gil, Nov. 2013

Types de flux pendant la phase 1



A. Gil, Nov. 2013

Pavillon K

Pavillon D

Pavillon H

Pavillon E Rue Légaré

Stationnement des visiteurs




A. Gil, Nov. 2013

Patients qui arrivent à l’urgence




A. Gil, Nov. 2013


Patients du stationnement de visiteurs que se déplace maintenant au sous-sol du pavillon K




A. Gil, Nov. 2013




1) Patients de l’urgence qui se déplacent au pavillon principal




A. Gil, Nov. 2013




2) Personnel clinique





A. Gil, Nov. 2013




1) Visiteurs aux pavillons H, D, K en proviennent du stationnement au sous-sol


Lien 1er étage





A. Gil, Nov. 2013





2) Flux logistiques (K & H)


Lien 1er étage





A. Gil, Nov. 2013




3) Visiteurs et Patients qui aux pavillons H et principal.


Lien 1er étage







A. Gil, Nov. 2013






Lien 1er étage



3) Visiteurs et Patients qui aux pavillons H et principal.





A. Gil, Nov. 2013

• Étapes: 1. Distribution physique

(layout)

2. Mesures de volume

par type de flux

3. Mesure de vitesse par

type de flux

4. Simulation physique

(validation)

5. Simulation

computationnelle

Lien 1er étage



A. Gil, Nov. 2013

Lien 1er étage (plan)

Pavillon H

Ascenseurs au stationnement souterrain

Pavillon D

Lien

Pavillon K

Ascenseurs pavillon K



A. Gil, Nov. 2013

Logistique

• Buanderie • Housekeeping • Pharmacie • Approvisionnement • Central de stérilisation

Pavilion H

• Visiteurs/patients • Personnel médical

Parking

• Visiteurs

Types de flux qui traversent le lien



A. Gil, Nov. 2013

• Entrevues avec tous les services

• Construction d’une programmation typique des visites aux pavillons H et K dans un scénario futur.

• Les visites par service et heure sont présentées dans le tableau ci-dessous

Mesures de volume : services logistiques

Hour CSR Housekeeping Kitchen Laundry Logistics Pharmacy Total

6 0 2 0 6 0 0 8

7 2 0 6 12 0 0 20

8 2 0 0 12 2 0 16

9 2 6 2 12 2 0 24

10 8 4 6 2 2 0 22

11 4 6 0 2 2 2 16

12 2 2 4 2 2 2 14

13 6 6 2 2 6 0 22

14 4 4 4 2 4 0 18

15 0 0 0 2 0 0 2

16 0 2 0 2 0 0 4

17 0 2 4 2 0 0 8

18 0 0 6 2 0 0 8

19 0 6 2 2 0 0 10

20 0 4 0 2 0 0 6

21 0 6 0 4 0 0 10

22 0 4 0 4 0 0 8

23 0 0 0 2 0 0 2

218



A. Gil, Nov. 2013

• 2000 trajectoires par jour entre les pavillons H et principal

• 55% sont des utilisateurs (patients et accompagnateurs) et 45%

personnels médicaux

Mesures de volume : passants



A. Gil, Nov. 2013

• Mesure de flux entrant et sortant du stationnement sur la rue Légaré entre 6AM et 6PM pendant 2 semaines

• 1.4 visiteurs par voiture

• Augmentation de 30% prévue pendant la phase 1

Mesures de volume : visiteurs stationnement

HourTotal cars

IN

Total cars

OUT

Visitors

IN

Visitors

OUT

Total

Visitors

Total

Visitors

(projected)

06 14 1 19 1 20 26

07 58 7 81 10 91 118

08 73 21 105 30 135 176

09 68 36 94 51 145 189

10 50 57 71 81 152 198

11 34 55 49 78 127 165

12 38 51 54 74 128 166

13 48 56 69 81 150 195

14 35 53 50 78 128 166

15 13 58 20 84 104 135

16 3 37 6 53 59 77

17 0 2 0 3 3 4

434 434 618 624 1242 1615



A. Gil, Nov. 2013

• Pour construire la simulation, il a fallu identifier la vitesse

moyenne et la variabilité de chaque type de service, visiteurs, etc.

• Suivi des services, personnel médical, visiteurs, etc. pendant un

mois.

• Le résultat se présente dans la diapositive suivante

Mesures de vitesse



A. Gil, Nov. 2013



A. Gil, Nov. 2013

• 2 simulations physiques:

1. Validation de tailles de charriots

dans le lien

2. Validation des vitesses et de l’effet

achalandage

Simulation physique



A. Gil, Nov. 2013

• Simulation: ▫ http://www.runthemodel.com/models/run.php?popu

p=1&id=1111

• Vidéo: ▫ Version 2 min: http://youtu.be/RdH30Pl2uI8

▫ Version 4 min: http://youtu.be/bZbVNoXWvKw

Simulation computationnelle

http://www.runthemodel.com/models/run.php?popup=1&id=1111

http://www.runthemodel.com/models/run.php?popup=1&id=1111

http://youtu.be/RdH30Pl2uI8



http://youtu.be/bZbVNoXWvKw

http://youtu.be/bZbVNoXWvKw



A. Gil, Nov. 2013

H Logistic Parking Visitors Staff Total Traffic Traffic/min

0 0 5 0 0 5 0.1

1 0 1 0 2 3 0.1

2 0 1 0 4 5 0.1

3 1 1 0 7 9 0.2

4 0 7 0 9 16 0.3

5 0 20 0 10 30 0.5

6 8 26 25 6 65 1.1

7 20 118 31 27 196 3.3

8 16 176 100 85 377 6.3

9 24 189 129 50 392 6.5

10 22 198 146 69 435 7.3

11 16 165 124 81 386 6.4

12 14 166 100 114 394 6.6

13 22 195 121 121 459 7.7

14 18 166 91 79 354 5.9

15 2 135 65 57 259 4.3

16 4 77 50 43 174 2.9

17 8 16 51 44 119 2.0

18 8 10 16 12 46 0.8

19 10 9 10 9 38 0.6

20 6 8 5 13 32 0.5

21 10 7 1 12 30 0.5

22 8 5 0 10 23 0.4

23 2 4 0 7 13 0.2

219 1705 1065 871 3860

Résultats Lien 1er étage : Flux total projeté

Normal

zone

Hot zone

Rush



A. Gil, Nov. 2013

• Le type de flux à utiliser ce chemin sont les patients et le

personnelle médical et les services diététiques


Pavillon K Hôpital Visites à

l’urgence Passerelle 2ème

étage

Patients que visitent les

cliniques diagnostiques

Personnel médical

(spécialistes)

Services diététiques



A. Gil, Nov. 2013

• Analyse des visites à l’urgence

de 3 années

• Les modèles traditionnels ont

eu un niveau de certitude très

bas.

• Création d’un modèle hybride.

• Modèle hybride : Combinaison

de composantes linéaires,

autorégressives ainsi que les

effets climatiques.

61

Estimation des visites à l’urgence

Estimated Q = f

Week number (linear effect) Day of the week (cyclic effect) Delta temperature Wind speed Precipitation (rain + snow) Snow on ground Historical Observed Q

(autoregressive component 1day, 1week, 1month, 1year)

Coefficient de détermination = 71%.



A. Gil, Nov. 2013

62

Estimation horaire des visites à l’urgence



A. Gil, Nov. 2013

• Analyse de toutes les

bases des données des

services diagnostiques

à l’hôpital pour établir

qui/quand (date et

heure) visite une

clinique en

proviennent de

l’urgence

Diagnostics which require physical transportation of patients

Pods

Start: Patient go to the Emergency

Start: Patient go to the Emergency

End of servicesEnd of services

Life threatening situation?

Life threatening situation?

Resuscitation roomResuscitation room

Yes

Pre-TriagePre-TriageNo

TriageTriage

Yes

RegistrationRegistration

Need a Stretcher?

Need a Stretcher?

Pod 1

Surgical UnitsSurgical Units

Medical UnitsMedical Units

ICUICU

CCUCCU

OROR

Pod 2

Pod 3

Observation / waiting area

Observation / waiting area

RAZ UnitRAZ Unit Blue UnitBlue Unit

Medical treatment

Medical observationMedical observation

DiagnosticDiagnostic

Patient Ok?Patient Ok?

Cardiology clinicCardiology clinic

· Exercise stress test· MIBI· Echocardiography

· Exercise stress test· MIBI· Echocardiography

Pav. E2nd Floor

Orthopedic clinicOrthopedic clinic

· Orthopedic treatment· Orthopedic treatmentPav. E

1st Floor

Green Unit

11

11

AdmissionAdmission

Yes

Case roomPav. D

5th Floor

High risk of life threatening

situation

High risk of life threatening

situation

Cath Lab

22

22

22

Vascular LabVascular Lab

· Dupplex-Venogram· Dupplex-VenogramPav. E

SS1

Neurology ClinicNeurology Clinic

· EEG· EMG

· EEG· EMG

Pav. E 2nd Floor

ENTENT

· Ear-Nose-Throat· Ear-Nose-ThroatPav. E

RC

Oncology ClinicOncology Clinic

· Treatment· TreatmentPav. E

7th Floor

RadiologyRadiology

· Radiography· CT Scan· MRI (Magnetic

resonance)· CTANGEO· Ultrasound

(Echography)

· Radiography· CT Scan· MRI (Magnetic

resonance)· CTANGEO· Ultrasound

(Echography)

OphthalmologyOphthalmology

· Ophthalmology exam· Ophthalmology exam

Pav C and D

2nd Floor Pav. E 1st Floor

GI LabGI Lab

· Colonoscopy· Gastroscopy

· Colonoscopy· Gastroscopy

Pav. G 3rd Floor

Dermatology Dermatology

· Dermatology exam· Dermatology examPav. G

RC level

Estimation des visites aux services diagnostiques



A. Gil, Nov. 2013

Modèle de simulation

• Modèle hybride de simulation

à événements discrets et

simulation à base d’agents

• Les patients sont représentés

par les agents, avec attributs

qui permettent modéliser les

trajectoires (visites aux

cliniques)

Hourly Distribution

Triage

Gender

Age

External Transportation

Method

Internal Transport

Patient Type

Destination

Forecasting Model

Patient ModelPatient Model



A. Gil, Nov. 2013

Résultats

• 646 passages par jour

• Période de congestion entre 10h et 16h

• Possibles problèmes dans le département

de radiologie qui est traversé par les

patients qui arrivent à l’hôpital



A. Gil, Nov. 2013

Étapes suivantes

• Ajouter les services qui déménageront au pavillon K dans la phase 2.

• Construction d’une matrice de transition horaire entre tous les services

• Ajouter des considérations spéciales (horaires dédiés, flux programmés, etc.)

• Inclusion d’un libraire spécial pour le contrôle des ascenseurs:

▫ http://www.runthemodel.com/models/1252/?ID=1252

http://www.runthemodel.com/models/1252/?ID=1252

http://www.runthemodel.com/models/1252/?ID=1252



A. Gil, Nov. 2013

Références • Banks, J., Carson, J.S., Nelson, B.L., Nicol, D.M. Discrete-event System Simulation. Prentice Hall International,

2001.

• Barjis, Joseph. 2010. “Healthcare Simulation and its Potential Areas and Future Trends.” Simulation 86

• (8-9): 459-462.

• Brailsford, S.C. and Hilton, N.A. A comparison of discrete event simulation and system dynamics for modelling

health care systems. In, Riley, J. (ed.) Planning for the Future: Health Service Quality and Emergency

Accessibility. Operational Research Applied to Health Services (ORAHS), Glasgow Caledonian University 2001.

• Brailsford, S.C. System dynamics: what’s in it for healthcare simulation modelers. Proceedings of the 2008

Winter Simulation Conference.

• Gunal, M M; Pidd, M. Discrete event simulation for performance modelling in health care: a review of the

literature. Journal of Simulation, Operational Research Society (2010) 4, 42–51,

http://dx.doi.org/10.1057/jos.2009.25.

• INFORMS, Simulation Software Survey: http://www.orms-today.org/surveys/Simulation/Simulation.html

• Law, A. M.; Kelton, W. D. / Simulation Modeling and Analysis. McGraw-Hill, 2004

• Lee White , M. Simulation in Hospital –Improving Patient Safety with Team Training (2012)

• Osgood, Nathaniel, Associate Professor, University of Saskatchewan. Website: http://www.cs.usask.ca/~osgood/

• Sokolowski, John A.; Banks, Catherine M. / Principles of Modeling and Simulation: A Multidisciplinary Approach.

John Wiley & Sons Inc, 2010.

• Worthington, David; Utley, Martin / Capacity Planning. Handbook of Healthcare System Scheduling. ed. /

Randolph W . Hall. New York : Springer, 2012. p. 11-30 (International Series in Operations Research &

Management Science; 168).

http://dx.doi.org/10.1057/jos.2009.25

http://www.orms-today.org/surveys/Simulation/Simulation.html





http://www.cs.usask.ca/~osgood/

utilisation de la simulation dans le domaine hospitalier

Education