Health care engineering Ingénierie des systèmes de production de soins

Présentation au sujet: "Health care engineering Ingénierie des systèmes de production de soins"— Transcription de la présentation:

1 Health care engineering Ingénierie des systèmes de production de soins
Prof. Xiaolan XIE École Nationale Supérieure des Mines de Saint-Etienne Centre Ingénierie & Santé - Dépt. Génie industriel hospitalier CNRS UMR 6158 LIMOS - ROGI SFR IFRESIS, Cancéropôle CLARA, cluster éco. I-Care

2 Health care in the world
Rising health expenditures (16% in USA, 11.2% in France for 2008) Rising health care demand (chronic diseases due to aging population) Better diagnosis and better treatment thanks to the progress of medicine Shift from offer-driven to patient-centered health care with more active role of patients in health care and better informed patients Growing concern of health care safety and quality -> Need of traceability of health care delivery Arrivals of new ICT technologies (delivery robots, RFID, telemedicine, HIS, ) Government responses: reforms of health systems (referee physician, T2A, carte vitale, personal health record, new governance, ...) Hospital responses : merging, reorganization, lean health care, home health care, ...

3 What is health care engineering?
bed requirement Outpatient queue, 6h AM,11/15/2011

4 Research initiatives The 2005 "Building A Better Delivery System " report of American Academy of Science for the contribution of systems engineering (industrial engineering, operations research, ICT, …) "Optimizing health care delivery" is one of the three priorities of EU's health research program FP7 Emergence of new health care engineering research centers CIS (Centre for Health Engineering) - ENSMSE in 2004 Regenstrief center - Purdue Centre for Health Care Management- UBC NSF I / UCRC for health organization transformationh (A&M, Georgia Tech, ...) Centre for Health Care Engineering - SJTU ORAHS (operational research for health services) : active Euro working group since nearly 40 years

5 Department of Heath Care Engineering
A group created in 2005 with 3 faculty members and 6-7 PhD/Post- docs Develop quantitative methods for modeling, simulation and optimization of health care systems & health services Explore the integration of medical knowledge and patient health condition data in operations management of health care systems in close collaboration with French hospitals Top-ranking (A+) in 2010 national AERES research lab assessment (affiliated to LIMOS CNRS UMR-6158 since 01/01/2012)

6 Theme I : Engineering health care systems & services
Goal : develop scientific methods for performance evaluation and design of health care delivery systems and new health services. Theses: Vincent Augusto, Modeling, analysis and control of flows in health care with UML and Petri nets, 2008, (Operating theatre, Merging pharmacies, LoS of stroke patients) Sylvain Housseman (Mistral project), Impact of RFID on hospital supply chains, 2011 H. Baalbaki (FP6-IWARD), Health care logistics with service robots, 2011. Carlos Rodriguez (OSAD project) : Integrated care chain optimization from hospital to patient's home, 10/2009 - Canan Pehlivan (Périnatal 92), Modeling and simulation of health care networks, 10/2010 -

7 Traceability in biobanks
Inventory error Info errors Research questions Performance evaluation of traceability technologies Design supply chains of drugs and medical devices with RFID New operation management problems (re-warehousing of bio-banks, skill/quality monitoring, ...) Current situation Samples stored in nitrogen tanks (77°K)  “Cold Chain” constraints  Resistance of the tags? Hand-made inventories, data-base updates, cryotube numbering or label edition… Problems: Error probabilities (Hand-copy, inventory, picking, computerization…) Impacts of Radio-Identification on Cryo-Conservation Centers, TOMACS, 2011.

8 Theme II: Planning and logistics of health care delivery
Goal: develop optimization-based methods for operations management of health care delivery and its supply chains. Theses: Mehdi Lamiri, Planning operating theatres subject to uncertainties, 09/2007 Na GENG (with SJTU, China) : Combinatorial optimization and Markov decision process for planning MRI examinations, 29/04/2010 (CHU-SE) Alexandre Mazier, Stochastic optimization for hospital bed allocation, 06/12/2010 (CHPL, Hôpital de Firminy) Abdellah Sadki (with Frank Chauvin), Operation management of oncology cares (hôpital de jour de ICL) , defense in 05/2012 Rabeh Redjem (with Eric Marcon), Home health care planning, 11/2009 - Edgar Alfonso, Blood collection optimization (EFS), 01/2010 - Zheng Zhang (SJTU), Optimization of operating theatres, 09/2010 - Theses to start : Labex IMOBS3, ANR-TECSAN HOST, Région Rhone-Alpes ARC2

9 Optimization of outpatient chemotherapy
ICL Loire Cancer Institute Large variation in bed capacity requirement in actual planning bed requirement 20% reduction of peak bed requirement in the optimized planning Major challenges of further research: Integration of decisions different levels and different time scales (medical planning, patient assignment, appointment scheduling) Modeling treatment protocols with rich medical knowledge Modeling the dynamics of health conditions based on rich patient data High uncertainties of patient flow and patient's health care requirement Planning oncologists of ambulatory care units. Decision Support Systems. (To appear)

10 Capacity planning of diagnostic equipment (MRI)
MRI examination of stroke patients Expensive (over 1 million $) -> high utilization Demand uncertainties and demand diversity (both elective and emergency) Goal: Reduce waiting time for stroke patients without degrading MRI utilization Actual waiting times of days for MRI examination days with the optimized reservation and control strategy。 Monte Carlo optimization and dynamic programming approach for managing MRI examinations of stroke patients. IEEE Transactions on Automatic Control, 2011

11 Some projects ANR-TECSAN project HOST on management of winter epidemics (grippes, bronchites, castroentérites, ...) (1 thesis) LABEX IMOBS3 Home health care planning and logistics (1 thesis + 1 post- doc) Ambulance location & routing Regional projects OSAD & ARC2 on home health care (2 theses) CLARA – Procan : organization of cancer care delivery & chemotherapy at home FP6-IST6-IWARD on mobile & reconfigurable robots for hospital logistics (1 thesis)

12 Some projects Health care engineering center / Shanghai Jiao Tong University 5 Mio CNY for lab setup NSF China project on resource optimisation and planning in health care, (2,36 Mio CNY) Health care resource planning and optimization Joint patient diagnostic scheduling and equipment maintenance Collaborative resource planning Hospital emergency plan management, scheduling and simulation Purdue GRPI project on Engineering Smarter Health System Solutions with Emerging e-Health Technologies

13 Building an experimentation platform Hôptal Virtuel
Organization component Cloud Computing Information component Communication component Database App server PC Simulation Optimization Health care Living lab for new ICT technologies RFID tags Health care information system hub

14 Optimisation du planning médical d’un hôpital de jour en cancérologie
A. Sadki, Xiaolan Xie Centre Ingénierie et Santé Ecole Nationale Supérieure des Mines de Saint Etienne Franck Chauvin Institut de Cancérologie de la Loire

15 Plan Contexte Problématique du planning médical
Formulation mathématique Résultats numériques Perspectives

16 Contexte L’axe IV du CLARA s’attaque à l’ingénierie de la production de soins en cancérologie et étudie la transférabilité des outils de gestion industrielle pour améliorer l’efficience de la production de soins. Une collaboration s’établit entre CIS-ENSM.SE et ICL sur l’optimisation de production de soins en cancérologie dans le cadre du CLARA mais aussi dans le cadre de l’IFR 143 – INSERM en Sciences, Ingénierie et Santé. Une thèse de doctorat (Abdellah Sadki) a démarrée depuis oct sous la direction de Franck Chauvin et Xiaolan Xie

17 Contexte Objectif de la thèse: développer des méthodes scientifiques pour l’optimisation de production des soins en cancérologie comme par exemple la gestion des traitements chimiothérapies et radiothérapies. Verrous scientifiques: la complexité des protocoles de soins, importantes aléas, la nécessité de prise en compte de l’état de santé du patient. Le problème central est l’optimisation de la qualité du service rendu aux patients tout en respectant les protocoles de traitement, les disponibilités des médecins et des ressources matérielles. Pré-étude: optimisation du planning médical de l’hôpital de jour.

18 Hôpital de jour à ICL Hôpital de jour
Les patients viennent en cure, reçoivent un ou plusieurs soins et puis rentrent chez eux. Parcours patient simple en HDJ: Enregistrement à l’accueil Consultation médicale (OK chimio) Préparation de la chimiothérapie à la pharmacie Installation du patient dans un lit Injection

19 Hôpital de jour à ICL Protocoles de chimiothérapie
Un composé cytotoxique (-> durée d’injection) Une fréquence de répétition Une durée de répétition (environ 6 mois) Forte variabilité des temps d’injection (0,5 à 7h) pour une ouverture HDJ de 9h Chimio Semaine 1 Semaine 2 Semaine 3 Semaine 4 Avastin 1 Cisplatin Rituximab Vinorelbin

20 Hôpital de jour à ICL Observations
Une croissance de flux de patient à HDJ Flux de patients n’est pas maîtrisé Répartition des charges journalières très erratiques Utilisation des ressources non optimale Forte pression sur les lits en HDJ Object de la pré-étude: Optimiser l’utilisation des lits en HDJ à travers un réaménagement du planning médical

21 Formulation mathématique
Variables de décision: Planning médical : yjt = 1/0 si médecin j consulte la période t (AM / PM) Affectation des patients: xit = 1/0 si patient i vient la période t (le même jour durant tout le traitement) Travail de l’interne: Zjwt = Nb patients délégués par médecin j en période t de semaine w

22 Formulation mathématique
Représentation des données du problèmes Protocole de chimiothérapie en tenant compte de l’arrivée du patient : aiw = 1/0 si patient i vient la semaine w Chimio week1 week2 week3 week4 week5 week6 Patient1-Avastin 1 Patient2-Cisplatin Patient3-Rituximab Patient4-Vinorelbin

23 Formulation mathématique
Données du problèmes Pj : les patients du médecin j di : durée d’injection du patient i Nt : nombre maximal de consultation d’un médecin dans la période t BOXt: nombre de box de consultations de la période t BEDt: charge-lit maximum de la période t

24 Formulation mathématique
Modèle de programmation linéaire en nb mixtes Equilibrage de charge journalière Sous contraintes : Charge-lit max de l’après-midi(1) Charge-lit max journalière(2) Charge-lit min journalière(3) Nb max patients de médecin j(4) Nombre max de box(5) Charge max de l’interne(6) Venue des patients en présence du médecin(7)

25 Résultats numériques Résultats numériques sur les données des deux premiers trimestres de ICL Modèle mathématique résolu avec le solveur commercial ILOG-CPLEX

26 Résultats numériques Charge-lit maximal journalière théorique des 18 lits en oncologie (9h/lit) = 162h Gain de pic de charges journalières d’environ 30h sur 18 lits

27 Résultats numériques

28 Perspectives Développement des algorithmes d’optimisation efficaces pour réduire le temps de calcul (passer de >3h à <10 min). Solutions en cours de test: génération de colonnes, méthodes hiérarchisées, relaxation Lagrangienne, … Enrichissement du modèle de planning médical pour la prise en compte des contraintes des médecins et des patients Développement de stratégies optimales d’affectation des patients Optimisation de la prise des RdV des patients Etude des impactes sur les unités hospitalières