Automatisering af vagtplaner. Ledende Overlæge Morten Lund Christiansen SVS, Anæstesi og intensivafdelingen

Transkript

1 Automatisering af vagtplaner Ledende Overlæge Morten Lund Christiansen SVS, Anæstesi og intensivafdelingen

2 Automatiseret vagtplanlægning Produktivitetskrav på 2 pct./år Reel nul vækst Nye super sygehuse er forudsat ibrugtaget med drift forbedringer(=besparelser?) Dyr sygehusmedicin

3 Automatiseret vagtplanlægning

4

5 EPJ/FMK - Negativ produktivitetsstigning

6 DDKM Proces eller målstyring?? -Negativ produktivitetsstigning

7 Automatisk vagtplanlægning -en gratis produktivitetsstigning? Kræver en kapitalisering af personale timer ( kontor tid ) Sekundær gevinster høstes (kræver ledelse) dag aften nat

8 vagtplaner Udfordringer: Et ønske om gode/optimale løsninger Aktuelt leveres brugbar manual løsning Stort tidsforbrug 25 min./uge/medarbejder i gennemsnit på danske sygehuse (CAST). SVS 3000x25min.x52 uger= min./år = timer (ca. 45 fuldtidsstillinger).

9 Vagtplanlægning generelt Problemfelter: Forskellige kompetencer på forskellige dage og vagter Døgndækning Individuelle præferencer Ubevidst favorisering Bevidst favorisering: ex. Afd. Sygeplejerske (agent)/ ledelsen(principal) Upopulære vagter Arbejdstidsbestemmelser

10 Manuel vagtplanlægning Store matematiske problemer Eks. Hvis hver læge kan allokeres til i gennemsnit 6 funktioner pr dag, så er der i princippet 6 28 kombinationer over 4 uger (28 dage) for den enkelte læge. Er der 38 læger, på afdelingen så er det teoretiske antal muligheder : (6 28 ) 38

11 Matematisk optimering Hårde begrænsninger: de krav som skal opfyldes for enhver pris Bløde begrænsninger: de krav som er ønskværdige men kan brydes hvis det er nødvendigt for at kunne levere en brugbar løsning. Brud kan tillægges forskellige vægte afhængig af prioriteringen.

12 Matematisk optimering - tre Hårde begrænsninger Ingen overarbejde Fri efter nattevagt Læge x udfører opgave A Det grå + det hvide dataområde=alle løsninger Figur 15. LP problem med 3 begrænsninger Det hvide dataområde=de brugbare løsninger som opfylder de hårde begrænsninger

13 Matematisk optimering Hvilken løsning i det hvide dataområde er den mest optimale? Defineres via målfunktionen som definerer/måler værdier af gode løsninger fx fair fordeling af vagter maksimal opfyldelse af friønsker minimalt forbrug af vikarer

14 Matematisk kode Matematisk kode i GAMS Kombinatorisk problem løses af cplex solver (integreret i GAMS) Kommunikation til GAMS via Excel

15 Vægtning af gode vs. Dårlige vagtplaner

16 Input intensiv sypl. Kopi af EsbjergIntensiv_Nurses.xlsm

17 Input vagtplan læger læger 6701_Vagtplan+nr6.xlsm

18 Resultater - timeforbrug Automatisk skema Manuelt skema Fastansatte 5041,4 timer Fastansatte 4989,05 timer Vikarer 0 timer Vikarer 155,75 timer I alt 5041,4 timer I alt 5044,8 timer Tabel 15. Timeforbrug i marts 2012 automatiseret vagtplan vs. manuel.

19 Resultater: fordeling af timer timer 100 aut. man AF AP* AXL BDH CL FIF JB* JS KDB TH LEL BN MC MLC ASR LKH* MP PKQ RP SF CGA CJE MAS SN KE ML SVN VSM* MO TLA FO LHQ JL MAG* NEW læge Figur 27. Fordeling af timer, automatiseret vs. manuel vagtplan marts måned 2012

20 Resultater - overtimer antal overtimer aut man læge Figur 28 Overtimer marts 2012.

21 Resultater nattevagter antal AF AP* AXL BDH CL FIF JB* JS KDB TH LEL BN MC MLC ASR LKH* MP PKQ RP SF CGA CJE MAS SN KE ML SVN VSM* TLA FO LHQ JL MAG* NEW læge Figur 31. Weekend og nattevagter. marts måned 2012 aut. vs. man. (Ekcl. lægebil). Aut. Man.

22 Input Beregning Output Medarbejdere (Silkeborg Data - SD) Kompetencer (Ej registreret i dag) Ønsker (Min Tid - SD) GAMS/ vagtplanberegner Vagtplan SD Vagtbehov (ofte ikke registreret) Parametre i beregningsmodel -vægte - prioriteringer Alle forbindelseslinjer håndteres helt eller delvist manuelt i den nuværende løsning! 22

23 Grundlæggende forudsætninger for projektet på SVS SD Funktionsplanlægning skal være i drift per 1/ Integration mellem Funktionsplanlægning og GAMS 1/1 2015

24 En fuser /er det Amanda?

25 Implementeringsplan Tidsplan AOA Neurologi Ortopædkirurgi Kirurgi KDO FAM + læger i Fællesmedicin I alt Rest afdelinger estimeret Forudsat 60% effekt af rest afdelinger i 2015 Optimering? Total besparelse Kommentarer: Fuld effekt 2017 = 7,7 mdkk som er ren planlægningstid uden optimeringer

26 Projekt og drift omkostninger 2015 Kommentarer - Bess Studie medhjælpere IT (Servere + PC mv.) License(er) (USD maskinlicens) Kan stige afhænging af IT løsning - Integration med SD RSD bidrag med 100 tdkk - SD løbende drift herpå (estimeret) I alt Engangsudgifter Løbende driftomkostninger

27 Tilgang til processen på afdelingsniveau Indledende informationsmøde med relevante medarbejdere og ledelse Dataindsamling Opsætning af vagtplan OBS fremmødeprofiler Opfølgning og fejlretning

28 Automatisering og integrering Input : - Lovgivning - Overenskomst -SST -DDKM - Region - Sygehus - Efterspørgsel af ydelser -ønsker fra personalet Vagtplanssystem Bookingsystem Lønsystem Output: - Vagtplaner - Behandlings tider til patienter