Gesundheitssimulation verändert Patientenfluss in der Lehrklinik von Emory

Die Herausforderung

Einführung

Emory Healthcare ist das einzige akademische medizinische Zentrum im Bundesstaat Georgia mit einem beeindruckenden Netzwerk von zehn Krankenhäusern, über 580 Standorten und 230 Einrichtungen für die Primärversorgung im ganzen Bundesstaat. Emory gilt als das führende Gesundheitssystem in Georgia und hat sich einen hervorragenden Ruf in den Bereichen Patientenversorgung, medizinische Ausbildung und innovative Gesundheitslösungen erworben.

Zu Emorys umfangreichem Netzwerk von Einrichtungen gehört auch die Dunwoody Family Medicine Clinic, eine umfassende Lehreinrichtung, die im Oktober 2024 eröffnet wurde. Diese neu errichtete Klinik stellt eine erhebliche Verbesserung gegenüber ihrem vorherigen Standort dar, da sie von 25 auf 33 Untersuchungsräume erweitert wurde, um der wachsenden Patientennachfrage gerecht zu werden. Die Einrichtung bietet ein breites Spektrum an Leistungen, darunter Primärversorgung, Familienmedizin, Orthopädie, Wirbelsäulen- und Kardiologie sowie Bildgebung, Labordienste, ambulante Chirurgie und Physiotherapie.

Was die Klinik in Dunwoody besonders einzigartig macht, ist ihre Rolle als Lehreinrichtung. Victoria Jordan, Vizepräsidentin für Prozessoptimierung und -innovation bei Emory Healthcare, erklärt: "Die Dunwoody-Klinik für Familienmedizin ist eine von Assistenzärzten geführte Klinik. Tatsächlich sind mehr als 70 % der Ärzte in der Klinik selbst Assistenzärzte". Diese Lehrumgebung bringt besondere betriebliche Herausforderungen mit sich, die sich sowohl auf die Patientenerfahrung als auch auf die Ausbildungsanforderungen auswirken.

Mit einer Kapazität von über 350.000 Patienten pro Jahr und einer prognostizierten Zunahme von mehr als 20.000 Patienten allein im Jahr 2025 wurde die Optimierung der Abläufe in dieser Einrichtung zu einer entscheidenden Priorität. Um diese Herausforderung zu meistern, arbeitete Emory Healthcare mit Studenten des Studiengangs Industrial and Systems Engineering der Georgia Tech und Simio zusammen, um ein Simulationsmodell zu entwickeln, das dabei helfen sollte, Verbesserungsmöglichkeiten zu identifizieren.

"Wir wollten vor allem zeigen, wie wir die Simulation bei Emory Healthcare einsetzen können", erklärt Dr. Jordan. "Wir haben nicht viele Leute, die sie benutzen. Und als wir mit unserer Primärversorgungsgruppe arbeiteten, wollten sie es unbedingt sehen. Dies war also mehr eine Demonstration für den Anfang.

Die Herausforderung

Die Klinik für Familienmedizin in Dunwoody stand vor einer komplexen betrieblichen Herausforderung, die sich aus der doppelten Aufgabe ergab, einerseits eine hervorragende Patientenversorgung zu bieten und andererseits als Lehreinrichtung für Medizinstudenten zu dienen. Daraus ergaben sich besondere Anforderungen an die Arbeitsabläufe, die sich erheblich auf die Wartezeiten der Patienten und die Effizienz der Klinik insgesamt auswirkten.

Als eine von Assistenzärzten geleitete Klinik arbeitet die Einrichtung nach bestimmten Ausbildungsprotokollen, die den Patientenfluss beeinflussen. Assistenzärzte in verschiedenen Stadien ihrer Ausbildung haben ein unterschiedliches Maß an Autonomie und Aufsichtspflicht:

• Assistenzärzte im ersten Jahr müssen sich in den ersten sechs Monaten in der Mitte jedes Patiententermins mit einem Präzeptor (betreuender Arzt) treffen, der mit dem Assistenzarzt in den Untersuchungsraum zurückkehrt.
• Assistenzärzte im zweiten Halbjahr treffen sich nach wie vor in der Mitte des Termins mit dem Präzeptor, der jedoch nicht mehr in den Untersuchungsraum zurückkehren muss.
• Assistenzärzte im zweiten Jahr können bis zu 2-3 Patienten "stapeln", bevor sie sich mit einem Präzeptor beraten.
• Assistenzärzte im dritten Jahr können bis zu 3-4 Patienten stapeln, bevor sie sich mit einem Präzeptor beraten.

Diese Aufsichtspflicht führte zu erheblichen Engpässen, insbesondere im Büro des Präzeptors. Da nur 2 bis 3 Präzeptoren pro Tag zur Verfügung standen, die 10 Ärzte, 3 bis 4 Krankenschwestern und 5 bis 7 Medizinstudenten beaufsichtigten, stiegen die Wartezeiten im Laufe des Tages an.

Die Datenanalyse ergab beunruhigende Muster bei den Wartezeiten der Patienten:

• 40 % der Patienten warteten länger als 10 Minuten, nur um zu Beginn ihres Termins ein Zimmer zu bekommen.
• 50 % der Patienten warteten länger als 10 Minuten, nachdem die Krankenschwester gegangen war, bis der Arzt eintraf.
• Die Patienten warteten im Durchschnitt 34 Minuten auf ihren Termin
• 61 % der Patienten kamen weniger als 15 Minuten vor dem vereinbarten Termin (obwohl sie gebeten wurden, 15 Minuten früher zu kommen)
• 19 % der Patienten kamen nach der vereinbarten Zeit an.
• 77 % der Zimmervergabe war zum Zeitpunkt des Terminbeginns noch nicht abgeschlossen.
• 93 % der Anbieter betraten die Untersuchungsräume nach der geplanten Anfangszeit des Termins
• 90 % der Termine endeten später als geplant

"Wir haben einen Rückstau im System festgestellt", erklärt eines der Teammitglieder der Georgia Tech. "Zu Beginn des Tages gibt es nur sehr geringe Wartezeiten. Im Laufe des Tages, gegen Mitte des Tages, am Ende der Vormittagssitzung und am Ende des Tages, werden die Termine immer später vergeben."

Die Komplexität des Klinikbetriebs mit seinen zahlreichen voneinander abhängigen Prozessen und dem einzigartigen Interaktionsmodell zwischen Präzeptor und Patient machte es den Mitarbeitern schwer, die Ursachen für Verzögerungen zu ermitteln und wirksame Lösungen zu entwickeln. Dieses Umfeld bot eine ideale Gelegenheit für die Anwendung von Simulationen im Gesundheitswesen, um den Patientenfluss zu visualisieren, zu analysieren und zu optimieren.

Die Lösung

Lösungsansatz: Die Kraft der Simulation im Gesundheitswesen

Um diese komplexen Herausforderungen zu bewältigen, arbeitete Emory Healthcare mit Studenten der Georgia Tech Industrial and Systems Engineering zusammen, um mit der Simulationssoftware Simio einen umfassenden digitalen Zwilling im Gesundheitswesen zu entwickeln. Auf diese Weise konnten sie die komplexen Abläufe in der Klinik für Familienmedizin in Dunwoody modellieren und potenzielle Verbesserungen testen, ohne die tatsächliche Patientenversorgung zu beeinträchtigen.

Datenerfassung und -analyse

Das Projekt begann mit einer umfangreichen Datenerfassung aus verschiedenen Quellen:

• Elektronische Gesundheitsakten: Das Team nutzte die robuste Datenbank von Emory, um Informationen über den Patientenfluss zu extrahieren, einschließlich der Check-in-Zeiten, der Anfangszeiten für die Unterbringung, der Dauer des Pflegedienstes und der Endzeiten der Besuche.
• Zeitstudien: Da die elektronischen Aufzeichnungen keine nicht-patientennahen Aktivitäten (insbesondere Interaktionen mit dem Präzeptor) erfassten, führte das Team vor Ort Zeitstudien durch, um Daten darüber zu sammeln, wie viel Zeit die Leistungserbringer mit dem Präzeptor und in der Warteschlange verbrachten, bis der Präzeptor verfügbar war.
• Prozess-Mapping: Das Team dokumentierte die detaillierten Arbeitsabläufe der verschiedenen Anbieter (Lehrkräfte, erfahrene Assistenzärzte und Assistenzärzte im ersten Jahr), um die besonderen Aspekte dieser Lehrklinik zu erfassen.

Anhand dieser Daten führte das Team eine statistische Analyse durch, um die wichtigsten Faktoren zu ermitteln, die sich auf die einzelnen Schritte der Patientenbehandlung auswirken. Sie entdeckten Folgendes:

• Die Erfahrung der Ärzte hat einen erheblichen Einfluss auf die Behandlungszeit, wobei weniger erfahrene Ärzte länger für die Behandlung der Patienten brauchen.
• Die Altersgruppe des Patienten und die Uhrzeit des Termins beeinflussen das Ankunftsverhalten
• Die Altersgruppe, das Geschlecht und die Art des Termins der Patienten beeinflussten die Servicezeit der Krankenschwestern.
• Die Terminarten wiesen unterschiedliche Muster auf, die für eine genauere Modellierung geclustert werden konnten.

Um eine Überanpassung zu vermeiden und das Modell zu vereinfachen, führte das Team eine Korrelationsanalyse durch, um ähnliche Attribute zu gruppieren. So wurde beispielsweise festgestellt, dass die Ankunftsmuster der Patienten in nur drei Kategorien (8 Uhr morgens, 13 Uhr nachmittags und alle anderen Stunden) gruppiert werden konnten, anstatt jede Stunde einzeln zu modellieren.

Aufbau des digitalen Zwillings

Mithilfe der Simulationssoftware Simio erstellte das Team einen detaillierten digitalen Zwilling der Dunwoody-Klinik, der die räumliche Anordnung, den Patientenfluss und die Ressourcenzuweisung visuell darstellte. Die Simulation umfasste:

• Visuelle Darstellung der vier Kliniktrakte, die jeweils 7-10 Untersuchungsräume enthalten
• Ankunft der Patienten und Check-in-Prozesse
• Unterbringung der Krankenschwestern und Erstbeurteilung
• Interaktionen zwischen Anbieter und Patient
• Konsultationsprozesse des Ausbilders
• Zusätzliche Behandlungsverfahren (Labortests, Impfungen usw.)

"Wir haben versucht, die Klinik so gut wie möglich visuell zu modellieren, um die Simulation so nützlich wie möglich zu gestalten", erklärte ein Mitglied des Georgia Tech-Teams. Die Simulation ermöglichte es dem Klinikpersonal, Patientenbewegungen zu visualisieren, Engpässe zu erkennen und zu verstehen, wie sich Verzögerungen im gesamten System ausbreiten.

Eine wichtige Innovation war die Entwicklung eines Datenvorverarbeitungstools, mit dem die Klinik tatsächliche Patientenpläne in die Simulation importieren konnte. So konnten bestimmte Tage oder Szenarien getestet werden, indem einfach ein Datum ausgewählt, das Skript ausgeführt und die daraus resultierenden CSV-Dateien in Simio importiert wurden.

Implementierung von Standards für Simulationen im Gesundheitswesen

Um die Genauigkeit und Zuverlässigkeit des Modells zu gewährleisten, folgte das Team bei der Validierung den Standards für Simulationen im Gesundheitswesen:

• Gesichtsvalidität: Es wurde überprüft, ob die Simulationslogik mit den tatsächlichen Abläufen in der Klinik übereinstimmte, insbesondere mit den komplexen Interaktionsmustern zwischen Präzeptor und Patient.
• Validierung des Eingabemodells: Die Eingangsverteilungen der Simulation (z. B. die durchschnittliche Dienstzeit des Pflegepersonals) wurden mit den tatsächlichen Daten von Tagen verglichen, die nicht für die Modellentwicklung verwendet wurden.
• Validierung der Systeminteraktion: Sie bewerteten das Zusammenspiel der verschiedenen Komponenten, indem sie Messgrößen wie die durchschnittliche Verweildauer im System zwischen der Simulation und realen Beobachtungen verglichen.

Dieser Validierungsprozess ergab, dass zwar viele Aspekte des Modells die Realität genau widerspiegelten, aber einige Verfeinerungen erforderlich waren. Beispielsweise wurde in der Simulation eine 1:1-Zuweisung zwischen Patienten und Krankenschwestern strikt durchgesetzt, während sich die Krankenschwestern in der Realität manchmal gegenseitig halfen, wenn es zu Rückstaus kam.

Die Auswirkungen auf das Unternehmen

Ergebnisse und geschäftliche Auswirkungen

Das Simulationsprojekt im Gesundheitswesen lieferte wertvolle Erkenntnisse, die zu mehreren praktischen Empfehlungen zur Verbesserung des Klinikbetriebs führten. Durch eine Was-wäre-wenn-Analyse identifizierte das Team vier wichtige Möglichkeiten zur Optimierung des Patientenflusses:

1. Änderungen bei der Zuweisung von Präzeptoren

Die Simulation ergab, dass eine Änderung des Systems der Präzeptorenzuweisung von einer 1-zu-1-Zuordnung (bei der jeder Assistenzarzt einem bestimmten Präzeptor zugewiesen wird) zu einem Modell, bei dem derjenige zuerst kommt, der zuerst bedient wird, die Wartezeiten im Büro des Präzeptors um 31 % reduzieren könnte. Diese einfache betriebliche Änderung erforderte keine zusätzlichen Ressourcen, konnte aber den Patientenfluss erheblich verbessern.

2. Flexible Stapelbeschränkungen

Das Team entdeckte, dass die Wartezeit bei den Präzeptoren weiter reduziert werden könnte, wenn man den Assistenzärzten die Möglichkeit gäbe, verfügbare Präzeptoren opportunistisch aufzusuchen, anstatt sich strikt an die maximale Stapelung zu halten. Wenn z. B. ein Assistenzarzt im zweiten Jahr zwei Patienten behandelt hat (seine maximale Stapelung), aber ein Präzeptor verfügbar war, würde die Effizienz verbessert, wenn man ihm erlauben würde, sofort zu konsultieren, anstatt auf den zugewiesenen Präzeptor zu warten.

3. Strategische Raumzuweisung

Eine der einfachsten, aber wirkungsvollsten Erkenntnisse betraf die räumliche Aufteilung der Klinik. Die Zeitstudie ergab, dass die Assistenzärzte im ersten Jahr (die am häufigsten den Präzeptor konsultieren müssen) ihre Fahrtzeit um 60 % reduzieren könnten, wenn sie dem Raum 4 zugewiesen würden, der dem Zimmer des Präzeptors am nächsten ist.

Dr. Jordan bemerkte: "Es war interessant, dass eine der Empfehlungen des Teams darin bestand, die Assistenzärzte im ersten Jahr, die sich nach jeder Visite bei einem Präzeptor melden müssen, in den Pod zu verlegen, der dem Büro des Präzeptors am nächsten liegt. Das klingt im Nachhinein völlig einleuchtend, aber die Leiter der Klinik waren wirklich froh darüber, weil sie sagten: 'Wir sehen das jeden Tag und haben nie darüber nachgedacht.

4. Optimierung der Termindauer

Die Analyse ergab, dass die standardmäßigen 20- und 40-Minuten-Termine der Klinik nicht immer mit den tatsächlichen Servicezeiten übereinstimmten. Durch eine bessere Anpassung der Terminlängen an die typischen Servicezeiten für die verschiedenen Besuchstypen konnte die Klinik sowohl die Leerlaufzeiten der Anbieter als auch die Wartezeiten der Patienten reduzieren.

Geschäftswert und Reaktion der Interessengruppen

Die Auswirkungen des Simulationstrainings auf die Patientenversorgung bei Emory Healthcare gingen über spezifische betriebliche Empfehlungen hinaus. Das Projekt brachte mehrere allgemeinere Vorteile mit sich:

• Verbesserte Patientenzufriedenheit: Durch die Identifizierung von Möglichkeiten zur Verkürzung der Wartezeiten trug die Simulation dazu bei, einen Schlüsselfaktor für die Patientenzufriedenheit anzugehen.
• Verbesserte Qualität der Pflege: Die Verringerung von Stress und Zeitdruck beim Personal ermöglicht eine gezieltere Patientenbetreuung.
• Pädagogischer Wert: Die Simulation bot ein Instrument zur Demonstration von Konzepten zur Prozessverbesserung für Assistenzärzte und Mitarbeiter.
• Einbindung der Interessengruppen: Der visuelle Charakter der Simulation half dem Klinikpersonal, die empfohlenen Änderungen zu verstehen und zu akzeptieren.

"Das Primärversorgungsteam war von der Möglichkeit, einige der Empfehlungen des Teams umzusetzen, wirklich begeistert", erklärte Dr. Jordan. "Sie gaben uns ein sehr positives Feedback. Sie sagten, dass es wirklich hilfreich war, den Prozess mit anderen Augen zu sehen und Dinge zu erkennen, die im Nachhinein sehr offensichtlich erschienen."

Künftige Anwendungen und gewonnene Erkenntnisse

Der Erfolg dieses ersten Simulationsprojekts im Gesundheitswesen hat die Tür für weitere Anwendungen im gesamten Emory Healthcare geöffnet. Die Organisation plant bereits die nächsten Schritte, um auf dieser Grundlage aufzubauen:

Phase 2: Optimierung der Einsatzplanung von Ärzten

Die nächste Phase wird sich auf die Optimierung der Terminplanung für Assistenzärzte und Patienten konzentrieren, um sicherzustellen, dass alle Assistenzärzte die für ihre Ausbildung erforderlichen Verfahren absolvieren. "In Phase zwei geht es darum, die Terminplanung für die Assistenzärzte und Patienten zu optimieren, damit wir sicherstellen können, dass alle unsere Assistenzärzte alle Verfahren auf ihrer Checkliste abschließen", erklärt Dr. Jordan.

Emory hat bereits ein weiteres Team der Georgia Tech angefordert, um im Herbstsemester an diesem Optimierungsmodell zu arbeiten, was ihr Engagement für die Fortsetzung dieses datengesteuerten Ansatzes zur Verbesserung von Prozessen im Gesundheitswesen unterstreicht.

Breitere Implementierung im gesamten Emory-Gesundheitswesen

Über die Dunwoody-Klinik hinaus sieht Emory das Potenzial für die Anwendung ähnlicher Simulationsmodelle in seinem umfangreichen Netzwerk. "Wir haben über 300 Kliniken im Großraum Atlanta", so Dr. Jordan. "Wir suchen nach Möglichkeiten, wie wir ähnliche Modelle einsetzen können, um den Patientenfluss und die Ressourcennutzung auch in diesen Kliniken zu optimieren.

Diese Erweiterung stellt eine große Chance dar, bewährte Verfahren zu standardisieren und die Abläufe im gesamten Emory Healthcare System zu verbessern.

Wichtige Lehren aus dem Projekt

Aus dieser Initiative zur Simulation des Gesundheitswesens haben sich mehrere wertvolle Lehren ergeben:

• Die Einbindung der Beteiligten ist entscheidend: Der Erfolg des Projekts hing von der engen Zusammenarbeit zwischen dem Georgia Tech-Team, den Simio-Beratern und den Mitarbeitern von Emory Healthcare ab. Wie ein Teammitglied bemerkte: "Emory war eine große Hilfe. Ich glaube nicht, dass wir in der Lage gewesen wären, dieses Projekt ohne ihre Hilfe zu Ende zu bringen."
• Visuelle Simulation verbessert das Verständnis: Die visuelle Natur des Simio-Modells half dem klinischen Personal, komplexe betriebliche Dynamiken zu verstehen, die in ihrer täglichen Arbeit nicht offensichtlich waren.
• Datengestützte Entscheidungen schaffen Vertrauen: Die Fähigkeit der Simulation, die Auswirkungen der vorgeschlagenen Änderungen zu quantifizieren, trug dazu bei, Vertrauen in die Empfehlungen zu schaffen.
• Akademische und industrielle Partnerschaften schaffen Mehrwert: Die Zusammenarbeit zwischen Emory Healthcare, Georgia Tech und Simio zeigte, wie akademische Einrichtungen und Industriepartner zusammenarbeiten können, um reale Herausforderungen im Gesundheitswesen zu lösen.

Fazit

Das Gesundheitssimulationsprojekt in der Emory-Klinik für Familienmedizin in Dunwoody zeigt, welch großen Einfluss die digitale Modellierung auf die Abläufe im Gesundheitswesen haben kann, insbesondere in komplexen Lehrumgebungen. Durch die Erstellung eines detaillierten digitalen Zwillings der Klinik war das Team in der Lage, spezifische, umsetzbare Verbesserungen zu identifizieren, die die Wartezeiten der Patienten erheblich verkürzen und sowohl die Ausbildung der Assistenzärzte als auch die Betreuung der Patienten verbessern könnten.

Dr. Jordan fasst zusammen: "Bei diesem Projekt hat das Team der Georgia Tech zusammen mit der Unterstützung von Simio hervorragende Arbeit geleistet, um einen ersten digitalen Zwilling in Simio zu erstellen. Damit haben wir ein solides vorläufiges Modell, auf dem wir aufbauen werden."

Der Erfolg dieses Projekts unterstreicht die wachsende Bedeutung der Simulation im Gesundheitswesen, da die Organisationen bestrebt sind, ihre Ressourcen zu optimieren, die Erfahrungen der Patienten zu verbessern und die Qualität der Ausbildung in Lehreinrichtungen aufrechtzuerhalten. Durch die Einhaltung von Simulationsstandards im Gesundheitswesen und die Nutzung fortschrittlicher Modellierungsmöglichkeiten hat Emory Healthcare eine Grundlage für kontinuierliche Verbesserungen geschaffen, die auf das gesamte System ausgeweitet werden kann.

"Wir möchten Simio ausdrücklich für die Arbeit danken, die sie geleistet haben, um uns dabei zu helfen, dies auf die Beine zu stellen", so Dr. Jordan abschließend. "Greer und ihr Team haben uns dabei geholfen, ein konsistentes System zwischen der Software, die wir intern verwenden, und der Software, die die Studenten nutzen, zu schaffen. Sie halfen uns auch mit Schulungen und Beratungsleistungen, die für unsere Bemühungen von unschätzbarem Wert waren."

Diese Fallstudie veranschaulicht, wie die Simulation im Gesundheitswesen die Abläufe so verändern kann, dass alle Beteiligten - Patienten, Leistungserbringer, Assistenzärzte und das Gesundheitssystem als Ganzes - davon profitieren, und bietet gleichzeitig einen Fahrplan für andere Organisationen, die vor ähnlichen Herausforderungen stehen.