پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,996,098 |
| تعداد دریافت فایل اصل مقاله | 89,668,122 |
تعیین آمیخته بیماران و تخصیص ظرفیت به سرویس‌های جراحی در بیمارستانها بهکمک شبیهسازی تبرید | ||
| مدیریت صنعتی | ||
| مقاله 6، دوره 10، شماره 4، 1397، صفحه 631-650 اصل مقاله (827.04 K) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2018.255149.1007413 | ||
| نویسندگان | ||
| آیداسادات سجادی1؛ سعیده کتابی* 2؛ آرزو عتیقه چیان3 | ||
| 1کارشناس ارشد، مدیریت صنعتی، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران | ||
| 2دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران | ||
| 3استادیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران | ||
| چکیده | ||
| هدف: نظام سلامت یکی از بزرگترین صنعتها بهشمار میرود و برای حل مشکلات آن، به تلفیقی از دانش و مهارت‌های مدیریتی و بالینی نیاز است. در این پژوهش، مسئله برنامهریزی استراتژیک و تخصیص ظرفیت اتاقهای عمل با در نظر گرفتن استراتژی برنامهریزی و زمانبندی بلوکی مطالعه شده است و یک مدل تلفیقی برای تعیین آمیخته بهینه جراحی‌ها و تخصیص ظرفیت به سرویس‌های جراحی بهصورت برنامهریزی آرمانی تصادفی برای مقابله با عدم قطعیت در تقاضای هر عمل ارائه شده است. هدف مدل حداقل کردن انحرافهای نامطلوب شامل تقاضای برآورده نشده، اضافهکاری سرویسها و بیکاری اتاقهای عمل تخصیص یافته، است. روش: بهدلیل NP-hard بودن مسئله، دستیابی به جواب دقیق با بزرگ شدن ابعاد آن بهصورت نمایی مشکل است. برای این منظور، الگوریتم فراابتکاری شبیهسازی تبرید پیشنهاد شده است. نتایج مدل ریاضی بهکمک نرمافزار GAMS با حلکننده COINBONMIN و روش شبیهسازی تبرید توسط نرمافزار متلب R2017a با یکدیگر مقایسه شده است. یافتهها: مثالهای ارائه شده، از اطلاعات بخش اتاق عمل بیمارستانی در کانادا با 9 سرویس جراحی، 110 عمل جراحی، 16 اتاق عمل و 220 تخت بستری استخراج شده است. برای کاهش تعداد متغیرهای تصمیم و قابل حل بودن مدل ریاضی، برای هر مثال، سرویسها و جراحیهای اندک با اتاقهای عمل محدودی انتخاب شد. مجموع بیکاری اتاقهای عمل تخصیصیافته در همه مثالها و در هر دو روش برابر با مقدار ایدهآل صفر بوده است. اختلاف میان مقادیر تابع بهینه هدف بهدست آمده از مدل برنامهریزی آرمانی تصادفی و الگوریتم شبیهسازی تبرید در مثالهای ارائه شده در بازه ]6/0,05/0[ قرار دارد. نتیجهگیری: در این پژوهش مدل برنامهریزی آرمانی تصادفی برای برنامهریزی و تعیین تعداد و ترکیب بهینه جراحی‌ها و تخصیص ظرفیت به سرویس‌های جراحی با در نظر گرفتن تقاضای غیرقطعی ارائه شده است. ایده مدل پیشنهاد شده آن است که با تغییر تعداد و ترکیب موارد جراحی، می‌توان انحرافهای نامطلوب را کاهش داد. | ||
| کلیدواژه‌ها | ||
| مسئله تخصیص ظرفیت؛ مسئله تعیین آمیخته بیماران؛ برنامهریزی استراتژیک اتاق عمل؛ الگوریتم شبیهسازی تبرید؛ برنامهریزی آرمانی تصادفی | ||
| عنوان مقاله [English] | ||
| Determining the Optimal Surgical Case-Mix and Capacity Assignment for Surgical Services in Hospitals Using Simulated Annealing | ||
| نویسندگان [English] | ||
| Aida Sadat Ajadi1؛ Saeedeh Ketabi2؛ Arezoo Atighehchian3 | ||
| 1MSc., Department of Industrial Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran | ||
| 2Associate Prof., Department of Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran | ||
| 3Assistant Prof., Department of Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran | ||
| چکیده [English] | ||
| Objective: As a crucial industry,the health system needs both managerial and clinical knowledge to solve its problems. This research studies the strategic planning and capacity allocation in operating rooms considering planning and block scheduling strategies. And then, a combined model for determining the optimal case-mix planning and allocating capacity to surgical services is developed as a stochastic optimal programming to face with the uncertain demand for surgery. The purpose of this model is to minimize undesirable deviations including unsatisfied demand, services overutilization and inactive operating rooms. Methods: Because the problem is NP-hard in nature, determining the exact solution for real cases will be difficult exponentially. Therefore, a meta-heuristic simulated annealing algorithm is proposed. The results of the mathematical model using GAMS (COINBONMIN) and simulated annealing method, using MATLAB have been compared. Results: The samples have been extracted from a Canadian hospital with 9 surgical services, 110 surgeries, 16 operating rooms and 220 beds. To decrease the number of variables and solve the mathematic model, only a few services, surgeries and operating rooms have been selected. The number of operating rooms not underutilization as studied by both methods for all samples is zero – the optimal. The difference between the optimal values of the objective function obtained from the stochastic goal programming and the simulated annealing method for the samples lies within the range of [0/05, 0/6]. Conclusion: A stochastic goal programming model has been proposed to determine the number and composition of surgical operations and allocate capacity to surgical services with regard to uncertain demand. The idea of the proposed model is that by changing the number and composition of surgical cases, undesirable deviations can be minimized | ||
| کلیدواژه‌ها [English] | ||
| Capacity allocation problem, Case-mix problem, Operational room strategic planning, Simulated annealing algorithm, Stochastic goal programming | ||
| مراجع | ||
|
اسکندی، حمیدرضا؛ بهرامی، محمد (1396)، زمانبندی چندهدفه اتاق عمل با استفاده از بهینهسازی مبتنی بر شبیهسازی. نشریه تخصصی مهندسی صنایع، 51(1)، 1-13. ایمانی ایمانلو، مرضیه (1395). زمانبندی روزانه عمل‌های جراحی با تکنیک بهینهسازی مبتنی بر شبیهسازی. پایاننامه کارشناسی ارشد، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان. رضائی، ناصر؛ باقری، محسن (1393)، بررسی و تحلیل مسایل برنامهریزی و زمانبندی اتاق عمل. هشتمین کنفرانس بین المللی مدیریت و مهندسی صنایع. تهران: مرکز همایش‌های بینالمللی صدا و سیما. رضایی نیک، ابراهیم؛ مولوی، فریبا (1394). مسئلة چندهدفة انتخاب و زمانبندی سبد پروژه در شرایط عدم قطعیت (مطالعة موردی: شرکت دانش بنیان پایافناوران فردوسی(. مدیریت صنعتی، 7(3)، 469-488. سجادی، آیدا سادات (1396). توسعه و حل مدل تلفیقی برای تعیین آمیخته بهینه جراحی‌ها و تخصیص ظرفیت سرویس‌های جراحی. پایاننامه کارشناسی ارشد، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان. سلیمی فرد، خداکرم؛ قاسمیه، رحیم؛ پاسبان، اسماعیل (1396)، بالانس عمودی خطوط مونتاژ چندسویه با الگوریتم شبیهسازی تبرید. نشریه مدیریت تولید و عملیات، 14(1)، 21-44. کاتبی، یلدا؛ ارشدی، سیما؛ دنیوی، علی (1396)، ارائه مدل ریاضی برای مدیریت فرایندهای درمانی بیماران مراجعه کننده به بخش اورژانس. چهاردهمین کنفرانس بینالمللی مهندسی صنایع. تهران: دانشگاه علم و صنعت ایران. محمودیان، ناهید؛ کتابی، سعیده؛ عتیقهچیان، آرزو (1397)، زمانبندی اتاق عمل برای جراحی الکتیو با در نظر گرفتن واحدهای مراقبت بعد از عمل بهکمک برنامهریزی آرمانی. نشریه تخصصی مهندسی صنایع، 52(1)، 103-112. References Aringhieri, R., Landa, P., Soriano, P., Ta`nfani, E., & Testi, A. (2015). A two level metaheuristic for the operating room scheduling and assignment problem. Computers & Operations Research, 54, 21-34. Bai, G., Hsu, S. H., & Krishnan, R. (2009). Accounting performance, cost structure, and firm's capacity investment decisions, www.researchgate.net, retrieved August 17, 2017. Bouguerra, A., Sauvey, C., & Sauer, N. (2015). Mathematical model for maximizing operating rooms utilization. International Federation of Automatic Cotrol, 48(3), 118–123. Britt, J. W. (2015). Stochastic Goal Programming and a Metaheuristic for Scheduling of Operating Rooms (Doctoral dissertatio), University of Windsor. Cao, C., Gao, Z., & Li, K. (2012). Capacity allocation problem with random demands for the rail container carrier. European Journal of Operational Research, 217, 214–221. Cardoen, B., Demeulemeester, E., & Beliën, J. (2010). Operating room planning and scheduling: A literature review. European Journal of Operational Research, 201(3), 921–932. Choi, S., & Wilhelm, W. E. (2014). On capacity allocation for operating rooms. Computers & Operations Research, 44, 174–184. Dai, Z., Aqlan, F., Gao, K., & Zhou, Y. (2019). A two-phase method for multi-echelon location-routing problems in supply chains. Expert Systems with Applications, 115, 618-634. Duma, D., & Aringhieri, D. (2015). An online optimization approach for the Real Time Management of operating rooms. Operations Research for Health Care, 7, 40-51. Eskandari, H., & Bahrami, M. (2017). Multi-objective scheduling of the operating room using simulation-based optimization. Journal of Industrial Engineering, 51(1), 1-13. (in Persian) Fei, H., Meskens, N., & Chu, C. (2010). A planning and scheduling problem for an operating theatre using an open scheduling strategy. Computers & Industrial Engineering, 58, 221–230. Finlayson, G. S., Reimer, J., Dahl, M., Stargardter, M., & McGowan, K. (2009). The direct cost of hospitalizations in Manitoba, 2005/06., www.ihe.ca/health-statistics-database/statistic/287, retrieved July 20, 2017. Gauthier, J. B., & Legrain, A. (2016). Operating room management under uncertainty. Constraints, 21, 577-596. Guerriero, F., & Guido, R. (2011). Operational research in the management of the operating theatre: a survey. Health care management science, 14, 89-114. Guido, R., & Conforti, D. (2017). A hybrid genetic approach for solving an integrated multi-objective operating room planning and scheduling problem. Computers and Operations Research, 87, 270-282. Hof, S., Fügener, A., Schoenfelder, J., & Brunner, J. O. (2015). Case mix planning in hospitals: a review and future agenda. Health Care Management Science, www.researchgate.net, retrieved November 26,2016. Hosseini, N.,& Taaffe, K. M. (2015). Allocating operating room block time using historical caseload variability. Health care management science, 18, 419-430. Imani Imanloo, M. (2016). Daily Scheduling of Surgical Operations using simulation-based Optimization Technique. Master Thesis, University of Isfahan, Isfahan. (in Persian) Jebali, A., & Diabat, A. (2017). A Chance-constrained operating room planning with elective and emergency cases under downstream capacity constraints. Computers & Industrial Engineering, 114, 329-344. Kamran, M.A., Karimi, B., & Dellaert, N. (2018). Uncertainty in Advance Scheduling Problem in Operating Room Planning. Computers & Industrial Engineering, 126, 252-268. Katebi, Y., Arshadi, S., & Donyavi, A. (2018). Presenting a mathematical model for managing the patient's treatment processes at the emergency department, 14th International Engineering Conference: Isfahan University of Science & Technology. (in Persian) Kroer, L.R., Foverskov, K., Vilhelmsen, C., Hansen, A.S., & Larsen, J. (2018). Planning and scheduling operating rooms for elective and emergency surgeries with uncertain duration, Operations Research for Health Care, 19, 107-119. Latorre-Núñez, G., Lüer-Villagra, A., Marianov, V., Obreque, C., Ramis, F., & Neriz, L. (2016). Scheduling operating rooms with consideration of all resources, post anesthesia beds and emergency surgeries. Computers & Industrial Engineering, 97, 248–257. Li, Y., Zhang, Y., Kong, N., & Lawley, M. (2016). Capacity Planning for Long-Term Care Networks. IIE Transactions, www.tandfonline.com , retrieved August 19,2017. Ma, G., & Demeulemeester, E. (2013). A multilevel integrative approach to hospital case mix and capacity planning. Computers & Operations Research, 40, 2198–2207. Ma, G., Beliën, J., Demeulemeester, E., & Wang, L. (2011). Solving the strategic case mix problem optimally by using branch-and-price algorithms. www.researchgate.net, retrieved November 23,2016. Mahmoodian, N., Ketabi, S., & Atighehchian ,A. (2018). Operating room scheduling for elective surgery consideriing downstream care units using goal planning. Journal of Industrial Engineering, 52(1), 103-112. (in Persian) Menin, O.H., & Bauch, C.T. (2018). Solving the patient zero inverse problem by using generalized simulated annealing. Physica A: Statistical Mechanics and its Applications, 490, 1513–1521. Min, D., & Yih, Y. (2010). An elective surgery scheduling problem considering patient priority. Computers & Operations Research, 37, 1091–1099. Penn, M. L. (2014). Developing a Multi-Methodological Approach to Hospital Operating Theatre Scheduling. (Doctoral dissertatio), University of Southampton. Razmi, J., Yousefi, M. S., & Barati, M. (2015). A stochastic model for operating room unique equipment planning under uncertainty. International Federation of Automatic Cotrol, 48(3), 1796–1801. Rezaei Nik, A. & Molavi, F. (2015). Multi-Objective Project Selection and Scheduling Under Uncertainty (Case Study: Danesh Bonyan Paya Fannavaran Ferdowsi Company). Industrial Management, 7 (3), 469-488. Rezaei, N., & Bagheri, M. (2014). Study and Analysis of Operation Room Planning and Scheduling Problems: Eighth International Management and Industrial Engineering Conference. Tehran: IRIB International Conference Center. (in Persian) Riise, A., Mannino, C., & Burke, E. K. (2016). Modelling and solving generalized operational surgery scheduling problems. Computers & Operations Research, 66, 1-11. Sajadi, A. S. (2017). Developing an Integrated Model and Solving Procedure to Determine the Optimal Surgical Case-Mix and Capacity Allocation for Surgical Services. Master Thesis, University of Isfahan, Isfahan. (in Persian) Salimifard, K., Ghasemiyeh, R., & Pasban, S. (2017). Vertical Balancing in Multi-sided Assembly Lines Using Simulated Annealing Algorithm. Journal of Production and Operations Management, 14(1), 21-44. (in Persian) Samudra, M., Van Riet, C., Demeulemeester, E., Cardoen, B.Vansteenkiste, N., & Rademakers, F. (2016). Scheduling operating rooms: achievements,challenges and pitfalls. Journal of scheduling, 19(5), 493-525. Turhan, A. M., & Bilgen, B. (2017). Mixed integer programming based heuristics for the Patient Admission Scheduling problem. Computers and Operations Research, 80, 38-49. Yahia, Z., Eltawil, A. B., & Harraz, N. A. (2015). The operating room case-mix problem under uncertainty and nurses capacity constraints. Health care management science, 19(4), 383-394. | ||
|
آمار تعداد مشاهده مقاله: 789 تعداد دریافت فایل اصل مقاله: 588 |
||