Crowding i akutmodtagelsen

Præsentationer af emnet: "Crowding i akutmodtagelsen"— Præsentationens transcript:

1 Crowding i akutmodtagelsen
Andreas Halgreen Eiset stud.med., forskningsårsstuderende

2 Den studerede akutmodtagelse: AUH Hypotese 1. Kig på modellen Metode
Indledning Materiale Den studerede akutmodtagelse: AUH Hypotese 1. Kig på modellen Metode Resultater Modellen inkl. faktorer Bias & begrænsninger Validering Perspektiver & Opsummering Sig blot: ”følger klassisk opbygning” 2

3 INDLEDNING fokus på hvorfor studiet er relevant! 3

4 DEFINITION AF CROWDING
Crowding er en situation, hvor behovet for diagnostik og behandling overstiger afdelingens kapacitet fokus på hvorfor studiet er relevant! 4

5 CROWDING I AKUTMODTAGELSER
Forklar grafer + ekstern validitet af int. forskning? fokus på hvorfor studiet er relevant! Richardson DB. Increase in patient mortality at 10 days associated with emergency department overcrowding. Medical Journal of Australia. 2006;184(5):213-6 5

6 CROWDING I DANMARK fokus på hvorfor studiet er relevant! - Medtager ikke akutmodtagelser! Madsen F, Ladelund S, Linneberg A. High levels of bed occupancy associated with increased inpatient and thirty-day hospital mortality in denmark. Health Aff (Millwood). 2014;33(7): 6

7 CROWDING I DANMARK Belægningen på de danske hospitaler er mange steder over 100 procent, viser nye tal. Det betyder en større dødelighed, advarer forsker. metroxpress, 19/08-14 fokus på hvorfor studiet er relevant! - Medtager ikke akutmodtagelser! Madsen F, Ladelund S, Linneberg A. High levels of bed occupancy associated with increased inpatient and thirty-day hospital mortality in denmark. Health Aff (Millwood). 2014;33(7): 7

8 CROWDING I AKUTMODTAGELSER
System dynamics simulering Moduleret indlæggelsesproces med fokus på forståelse af hjælpeprotokol der kan aktiveres ved crowding Række sekundære effekter også analyseret -  Bruges ikke til optimering eller prædiktion (som i discrete event), men mere som et læringsmodul over dynamikken bag en given problemstilling (her ED crowding) - Tertiært level 1 hospital i Boston -  Når denne aktiveres vil der sendes besked til stamafdelingerne om at frigøre kapacitet, som sker ved at rokere rundt på de nuværende patienter og/eller udskrive de patienter der er ’lige ved og næsten’ at skulle udskrives alligevel.Ved aktivering af protokollen øges patientflow på bekostning af en højere chance for returnerende patienter. Grænseværdierne for hvornår protokollen aktiveres var de primære parametre at opnå forståelse for. - Sekundært kiggede vi på effekten af at ændre på andre mere generiske parametre; det var 1) sengekapacitet for indlagte, 2) antal indkommende elektive patienter, 3) transfertid (ED boarders) og 4) tid til at tildele indlagt patient en seng. Sørup et al. ” Tradeoffs between alleviating emergency department crowding and return visits” 8

9 SIMULERING AF VENTETID I DANSK AKUTMODTAGELSE
fokus på hvorfor studiet er relevant! Madsen TL, Kofoed-Enevoldsen A. Five easy equations for patient flow through an emergency department. Danish medical bulletin. 2011;58(10) undersøger ”venteværelsestid” 9

10 opsummer er crowding overhovedet relevant i DK 10

11 MATERIALE går til egne undersøgelser 11

12 % AF TID MED X PATIENTER I AKUTMODTAGELSEN
Præliminær analyse 6 80% belægning 100% belægning 5 4 % af tid 3 2 brug tid!!! hvis lægger det hele sammen: udgør alle pt. på et år antal halvtimeintervaller med over 100% kapacitet = 2784 = ca. 17% antal halvtimeintervaller med over 80% kapacitet = 5021 = ca. 30% fokus på hvorfor studiet er relevant! 1 Antal patienter i akutmodtagelsen 12

13 ? På hvilket tidspunkt i patient-flowet og under hvilke omstæn-digheder opstår crowding i en dansk akutmodtagelse?

14 HYPOTESE Hypotese Det er muligt at lave en simuleringsmodel af patientflowet i en dansk akutmodtagelse Ved en simuleringsmodel kan omstæn-dighederne for at crowding opstår identificeres Ved en simuleringsmodel kan tidspunk-terne i et patientforløb hvor crowding opstår identificeres. 14

15 1. KIG PÅ MODELLEN Ankomst Q1 Q2 Q3 Q4 Triage 1. TOKS Sidste TOKS Forladt Multilevel kømodel for en dansk akutmodtagelse med diskret simulering af patientflow Ikke en ”standard-kø” => simulering Brug lidt længere tid: uddyb lidt om ikke-standard-kø: Mange ting spiller ind – fx ankomst fordelingen 15

16 DØGNVARIATION HVERDAGE
Day Monday Tuesday Wednesday Thursday Friday 00:00 23:59 1 2 0,5 1,5 Mean number of arrivals Brug lidt længere tid: uddyb lidt om ikke-standard-kø Day, 30-min. intervals 16

17 DØGNVARIATION HVERDAGE
Day Monday Tuesday Wednesday Thursday Friday 1 2 0,5 1,5 Mean number of arrivals Brug lidt længere tid: uddyb lidt om ikke-standard-kø 00:00 23:59 Day, 30-min. intervals 17

18 DØGNVARIATION WEEKEND
00:00 23:59 1 1,4 Day Saturday Sunday Mean number of arrivals Brug lidt længere tid: uddyb lidt om ikke-standard-kø 0,6 Day, 30-min. intervals 18

19 DØGNVARIATION WEEKEND
00:00 23:59 1 1,4 Day Saturday Sunday Mean number of arrivals Brug lidt længere tid: uddyb lidt om ikke-standard-kø 0,6 Day, 30-min. intervals 19

20 Mean number of arrivals
DØGNVARIATION, SAMLET 00:00 23:59 2 Day Monday Tuesday Wednesday Thursday Friday Saturday Sunday 1,5 Mean number of arrivals 1 Brug lidt længere tid: uddyb lidt om ikke-standard-kø - Én regressionslinje for hver dag! 0,5 Day, 30-min. intervals 20

21 METODE ”vha. en nøje beskrevet simulationsmodel er det muligt at få et overblik over et system – og de systemer som måtte være i den komplicerede ende” 21

22 KOMPLICEREDE PATIENTFLOW
- skal ikke forstå figur blot at det er kompliceret 22

23 FORSIMPLET MODEL Ankomst Q1 Q2 Q3 Q4 Triage 1. TOKS Sidste TOKS Forladt Forudsætninger Samme relation mellem tidspunkter for alle patientforløb. Klinisk meningsfuldt. Forudsætninger: ”Det vigtige for os var i dette projekt at identificere tidspunktet i patientflow ift. crowding. Derfor nødvendigt at simplificere”. Kølængder Responsvariablerne inddeler patientforløbet i køer Skal gælde at alle patienter konkurrerer om samme ressourcer – dog: igen der er ikke tale om FIFO-kø Beregnes til bestemt tidspunkt! (ikke som et gennemsnit over en tidsperiode, aka dynamisk modellering) Fortæl i datid (som historie) Kølængder Ankomster og ekspeditioner akkummuleres over 30-min tidsinterval. Q(t+1) = Q(t) + A(t) – E(t) 23

24 Q1 Q1 Q1 Q2 Q3 Q4 triage rød triage blå 24 Ankomst Triage 1. TOKS
Sidste TOKS Forladt triage rød Q1 Ankomst Triage Fortæl i datid (som historie) triage blå 24

25 Q2 Q2 Q1 Q2 Q3 Q4 triage rød triage blå … 25 Ankomst Triage 1. TOKS
Sidste TOKS Forladt triage rød Triage Q2 Fortæl i datid (som historie) 1. TOKS triage blå … 25

26 Q3 Q3 Q1 Q2 Q3 Q4 triage rød 26 Ankomst Triage 1. TOKS Sidste TOKS
Forladt triage rød Fortæl i datid (som historie) Sidste TOKS Q3 1. TOKS 26

27 Q4 Q4 Q1 Q2 Q3 Q4 triage rød 27 Ankomst Triage 1. TOKS Sidste TOKS
Forladt triage rød Sidste TOKS Interessant pga. internationale fund Eksterne validitet af int. fund Fortæl i datid (som historie) Forladt Q4 27

28 FREKVENS AF ANTAL ANKOMSTER PR. 30 MIN.
lav om! Summer Winter Shift Day Evening Night Weekday Weekend Frequency Arrivals per 30-min. Fortæl i datid (som historie) 28

29 RESULTATER 29

30 MODELLEN INKL. FAKTORER
Ankomst Q1 Q2 Q3 Q4 Triage 1. TOKS Sidste TOKS Forladt Faktorer Hverdag/weekend Vagt Triagering Antal sygeplejersker Antal sengepladser Kort fortæl om, hvad vi forventer at se for hver af de andre faktorer Fortæl i datid (som historie) 30

31 BIAS & BEGRÆNSNINGER Bias Validitet af tidsstempler: pålidelighed af registre-rede tidspunkter for de valgte responsvariabler Validitet af model for patientflow: rimeligheden af forsimplingen Kapacitetsmålet: mange ting spiller ind Begrænsninger Mange andre faktorer kan forventes at spille ind Ekstern validitet: andre danske akutmodtagelser end den observerede Intern validitet: konstante forandringer i organise-ringen af akutmodtagelsen 31

32 VALIDERING, EKSPLICITERING & EKSPERIMENTERING
1. Validation Sammenligne empiri med simulation 2. Explication Analysere under hvilke omstændigheder og hvor i patientflowet der er risiko for crowding 3. Experimentation Undersøge hvad ændringer i kapacitet betyder for crowding 32

33 PERSPEKTIVER & OPSUMMERING
33

34 PERSPEKTIVER Indblik i komplicerede patientflows Hypotesegenererende
1 Indblik i komplicerede patientflows 2 Hypotesegenererende 3 Muligheder for at eksperimentere i ”sikkert” miljø => bedre tilrettelæggelse af ressourcer 34

35 OPSUMMERING Crowding forekommer også i danske akutmodtagelser
1 Crowding forekommer også i danske akutmodtagelser 2 Crowding kan analyseres vha. simulerings-modeller af et (forsimplet) patientflow En sådan model kan give detaljeret indsigt i det system som den simulerer samt give mulighed for at eksperimentere 3 35

36 TAK TIL & SAMARBEJDSPARTNERE
Anders Brøns Møllekær Julie Mackenhauer Jonas Rosendal Bager-Elsborg Lars Knudsen Hans Kirkegaard Mogens Erlandsen - I samarbejde med disse gode folk Fonden af 1870 36

37 TAK FOR OPMÆRKSOMHEDEN
37

38 HVORFOR ENDNU EN MODEL FOR CROWDING?
Denne model kan give et detaljeret indblik i crowding ift. patientflow og omstændigheder der påvirker Responsvariablerne kan justeres, tilpasses og udvides ift. spørgsmålet der ønskes belyst Faktorer kan tilføjes eller fjernes som passende 38

39 ANDRE EFFEKTER AF CROWDING
Hoot NR, Aronsky D. Systematic review of emergency department crowding: causes, effects, and solutions. Annals of emergency medicine. 2008;52(2): evt. slet; fokus på hvorfor studiet er relevant! 3939

40 KARAKTERISTIK AF PATIENTGRUNDLAGET
Triage Kvinde Mand 1 309 379 2 2560 2596 3 3105 3166 4 1984 1814 5 286 332 NA 14787 17352 5 = blå! 40

41 L = W “the average length of a queue, in steady state, will be equal to the arrival rate into the queue times the average wait in the queue”

42 “this relationship is not influenced by the arrival process distribution, the service distribution, the service order, or practically anything else. Nor does it depend on the structure of the queueing system: “Little’s Law” holds not just at the individual queue level but also at the system level” L = W Simchi-Levi D, Trick MA. Introduction to “Little's Law as Viewed on Its 50th Anniversary”. Operations Research. 2011;59(3):535-.