In diesem Beitrag geht es um die Optimierung der Patientenplanung in einem Brustkrebszentrum für zwei Arten von Patienten: Nachsorge- und Konsultationspatienten. Nachsorge- und Konsiliarpatienten haben unterschiedliche Behandlungszeiten und folgen unterschiedlichen Behandlungspfaden. Das Ziel dieser Arbeit ist es, die Patienten so zu ordnen, dass für jeden Patiententyp eine minimale durchschnittliche Durchlaufzeit erreicht wird. Durch die Integration von MATLAB, Simio und Excel wird ein simheuristischer Rahmen entwickelt. Im Gegensatz zu bestehenden Simulationsoptimierungsansätzen (SO), die auf die Steuerung des Simulationsmodells abzielen, versucht dieses Framework, eine Datentabelle in der Simulationsumgebung zu optimieren. Dieser Ansatz der Simulationsbewertung (SE) kann iterativ eine Patiententabelle in das Simulationsmodell eingeben und erhält die erwartete Leistung des Systems als Referenz, um die nächste Lösung zu generieren. Die Ergebnisse dieses Rahmens werden durch den Vergleich von fünf heuristischen Terminplanungsmethoden weiter analysiert.
Es gibt mehrere Hindernisse für die Erreichung von Effektivität und Effizienz bei der Erbringung von Pflegeleistungen (Vahdatzad und Griffin 2016). Als Teil des Gesundheitssystems ist die Terminplanung (AS) eine der größten Herausforderungen bei der Bereitstellung eines rechtzeitigen Zugangs zu medizinischen Leistungen und der Verbesserung der Effizienz der Gesundheitsversorgung (Leaven und Qu 2011). Der rechtzeitige Zugang zu Gesundheitsleistungen erhöht die Patientenzufriedenheit und wird von vielen Faktoren beeinflusst, wie z. B. Entscheidungen über die Art der medizinischen Ausstattung, die Ausrüstung sowie die Investitionen und die Zuteilung von Ressourcen für Gesundheitseinrichtungen. Die Bandbreite dieser Faktoren ist sehr groß und AS ist ein entscheidender Faktor unter ihnen (Gupta und Denton 2008).
Die Terminplanung wird von vielen Leistungserbringern im Gesundheitswesen genutzt, um Patienten effektiv für einen Besuch einzuplanen (Nguyen 2017). Im Kontext der Primärversorgung wird die Zeit eines Leistungserbringers in Slots eingeteilt, und ein Patient wird einem Slot zugewiesen; es ist jedoch möglich, einen Patienten je nach Art des Besuchs mehr als einem Slot zuzuweisen (Oh et al. 2013).
Aufgrund der mit den Servicezeiten verbundenen Unsicherheiten ist die AS eine anspruchsvolle Aufgabe (Klassen und Rohleder 2004). Im Gegensatz zur Primärversorgung variieren die Servicezeiten für Patienten in Spezialkliniken je nach Diagnose, und die Länge der Zeitfenster wird in Abhängigkeit von der Servicezeit und der Zufälligkeit der Ankunft von Notfallpatienten bestimmt (Wu et al. 2016). In einem speziellen Versorgungsumfeld wie einer Magnetresonanztomographie-Untersuchung (MRT) ist die AS komplizierter, da die Patienten und die Anbieter Präferenzen haben und mehrere und konkurrierende Kriterien vorliegen (Erdogan und Denton 2013). Es gibt drei Arten von Zugangsregeln bei der Terminplanung für elektive chirurgische Eingriffe: (1) Blockbuchung, (2) offene Terminplanung und (3) modifizierte Blockbuchung (Gupta 2007). Bei der Blockbuchung werden für jedes medizinische Fachgebiet bestimmte Behandlungsräume auf wiederkehrender Basis reserviert, und die Patienten werden dann von ihrem Leistungserbringer in Blöcke eingeteilt, wobei es ihm freisteht, die Patienten zuzuweisen, sofern die gesamte Behandlungszeit in dem zugewiesenen Block abgeschlossen werden kann (Berg und Denton 2012). Bei der offenen Terminplanung sollen alle Patienten berücksichtigt werden (Denton et al. 2007), und der OP-Manager stellt dem Chirurgen einen Tag vor dem Eingriff einen OP zur Verfügung. Probleme, die unter die Gruppe der Blockbuchungen fallen, werden in mehreren Schritten gelöst. Zunächst wird die den einzelnen chirurgischen Fachgebieten zugewiesene Kapazität festgelegt (d. h. eine Entscheidung auf taktischer Ebene). Zweitens werden Rahmenpläne erstellt, die die chirurgische Einheit bestimmen, die mit jedem Block verbunden ist (d. h. Entscheidung auf taktischer Ebene). Drittens werden die Abfolge der Operationen sowie die Startzeiten verbessert, um die besten Leistungswerte zu erreichen (d. h. Entscheidung auf operativer Ebene) (Gupta 2007). Trotz der sequentiellen Optimierung bei Blockplanungsproblemen werden offene Planungsprobleme auf einmal gelöst, wobei viele Einschränkungen, wie die gleichzeitige Verfügbarkeit von Anbietern und Ressourcen, berücksichtigt werden (Jerić und Figueira 2012). Daher ist das Problem der Ressourcenzuweisung typischerweise in jedes offene Terminplanungsproblem eingebettet (Jerić und Figueira 2012). Schließlich ist die modifizierte Blockbuchung eine Ergänzung der Blockbuchung, bei der nicht ausgelastete Blöcke anderen Chirurgen für die Planung von chirurgischen Fällen zugewiesen werden (Vancroonenburg et al. 2015).
Entscheidungen in der AS können in drei Ebenen kategorisiert werden, nämlich die strategische, die taktische und die operative Ebene. Entscheidungen auf der strategischen Ebene betreffen die Zugangspolitik, die Festlegung der Anzahl der Anbieter, die Politik zur Annahme von Walk-ins und die Art der Terminplanung (Ahmadi-Javid et al. 2017). Entscheidungen auf der taktischen Ebene zielen auf die mittelfristige Planung ab (Osorio et al. 2015) und beziehen sich hauptsächlich auf die Zuweisung von Kapazitäten an verschiedene Patientengruppen, Terminintervalle, Blockgröße und die Priorität von Patientengruppen (Ahmadi-Javid et al. 2017). Entscheidungen auf operativer Ebene schließlich betreffen die Zuweisung von Patienten zu Servern, die Festlegung von Termintagen und -zeiten sowie die Patientenreihenfolge (Ahmadi-Javid et al. 2017). Dieser Beitrag konzentriert sich auf die Entscheidung auf operativer Ebene, die Patientenreihenfolge in einem Brustkrebszentrum festzulegen, mit dem Ziel, die durchschnittliche Verweildauer der Patienten im System zu minimieren. Die Verweildauer (Length of Stay, LOS) oder die Durchlaufzeit der Patienten durch die Klinik wird als kostenbasiertes Maß eingestuft (Cayirli und Veral 2003) und wurde meist berücksichtigt, wenn die Patienten nach dem Prinzip "Wer zuerst kommt, mahlt zuerst" (FCFS) ankommen (Mahachek und Knabe 1984; Wang 1993, 1997).
Aufgrund der schnellen Erfindung und Entwicklung der Rechenkapazität von Computern ist die Integration von Simulation und Optimierung bemerkenswert gewachsen (Dehghanimohammadabadi et al. 2017). In dieser Studie wird ein neuartiger Simulations-Optimierungs-Ansatz (SO) unter Verwendung eines metaheuristischen Algorithmus vorgeschlagen, um die Reihenfolge der Patientenankunft mit dem Ziel einer minimalen durchschnittlichen LOS zu bestimmen. Dieser simheuristische Rahmen ist eine dreifache Integration von MATLAB, Simio und Excel. Dieser Lösungsbewertungsansatz wird verwendet, um ein Tabellenexperiment in der Simulationsumgebung durchzuführen, ohne die Schwierigkeiten, die mit der Definition einer großen Anzahl von Kontrollen und der Verwendung von Black-Box-Optimierern verbunden sind. In diesem Rahmen setzt MATLAB einen Optimum-Suchalgorithmus ein, um Lösungen (Tabellen) zu generieren, und Simio schätzt die erwartete Systemleistung anhand der von MATLAB bereitgestellten Lösung. Die Interaktion zwischen der Simulation und der Suche nach einem Optimum erfolgt zyklisch, und der Datenaustausch wird über eine Excel-Datei abgewickelt. Für die vorgestellte Fallstudie im Brustkrebszentrum wird mit Hilfe von Simulationsexperimenten ein praktikables und gutes Ankunftsmuster der Patienten erreicht, indem die Ankunftsliste der Patienten geändert wird.
Der Rest der Arbeit ist wie folgt gegliedert. Abschnitt 22 enthält die einschlägige Literatur. Abschnitt 3 widmet sich den Details des vorgeschlagenen Simulations-Optimierungsansatzes. In Abschnitt 4 werden eine Fallstudie und die Berechnungsergebnisse erläutert. Schließlich werden in Abschnitt 5 Schlussfolgerungen und Ideen für künftige Forschungsarbeiten vorgestellt.
Das Problem der Patientenplanung in Ambulanzen unter Berücksichtigung von Patientenklassen (Neu- und Wiederholungspatienten), der Zeitverteilung der Patientenbedienung, Stornierungen und Nichterscheinen wurde in letzter Zeit von vielen Forschern untersucht.
Einige Forscher haben das Problem der Patientenreihenfolge in Verbindung mit der Variation von Patienten-Servicezeit-Verteilungen untersucht. So haben beispielsweise Berg et al. (Berg et al. 2014) bewiesen, dass die Reihenfolge der Patienten auf der Grundlage der ansteigenden Reihenfolge von Servicezeit und No-Show-Wahrscheinlichkeit optimal ist. Mak et al. (Mak et al. 2014) zufolge führt die Strategie der geordneten Varianz (OV), die die Patienten auf der Grundlage der zunehmenden Varianz ordnet, zu vielversprechenden Patientenreihenfolgen. In einer anderen Studie wird die OV-Strategie für heterogene Patienten empfohlen, wenn die Nichterscheinen-Wahrscheinlichkeit gegen Null geht (Erdogan et al. 2015). Mancilla und Storter (Mancilla und Storer 2012) haben einen auf Dekomposition basierenden Algorithmus entwickelt, der die OV-Strategie übertrifft, aber rechenintensiv ist.
Su und Shih (Su und Shih 2003) führten eine Simulationsstudie in einem urologischen Fachkrankenhaus in Taiwan durch, um die Auswirkungen verschiedener Planungsregeln auf die Warte- und Durchlaufzeiten der Patienten zu analysieren. Santibáñez und seine Kollegen (Santibáñez et al. 2009) untersuchten mit Hilfe von Simulationen die Auswirkungen von Betriebs-, Terminplanungs- und Ressourcenzuweisungsentscheidungen auf die Wartezeiten der Patienten und die Raumauslastung in einem Krebszentrum. In ihrer Studie werden die Patienten auf der Grundlage ihrer Besuchsart (neue Patienten, Nachsorge und Konsultationen) in verschiedene Programme (medizinische, Strahlen- und chirurgische Onkologie) und Klinikarten (Brust, Lunge usw.) eingeteilt. Lee et al. (Lee et al. 2013) untersuchten die Auswirkung einer Politik des offenen Zugangs und der Überbuchung auf die Nichterscheinen-Rate von Patienten anhand der Simulation einer Ambulanz. Offene Zeitfenster werden am Ende der Sitzung platziert (zwischen 10 % und 80 %), und es werden zwei Klassen von Patienten berücksichtigt, nämlich reguläre Patienten und solche, die am selben Tag einen Termin haben. In ihrer Studie ist die Zahl der nicht erschienenen Patienten proportional zum Zeitfenster für die Terminverschiebung, und die Leistungskennzahlen sind Überstunden, Rückstand bei den Terminen und Wartezeit der Patienten. Das Ergebnis dieser Studie zeigt, dass das Überbuchungssystem besser abschneidet als das System des offenen Zugangs.
Die Literatur zu AS-Studien, in denen Simulation und Optimierung kombiniert wurden, ist spärlich. Klassen und Yoogalingam (Klassen und Yoogalingam 2009) haben die Simulation in eine Optimierungsheuristik eingebettet, um zu versuchen, die Wartezeit der Patienten, die Leerlaufzeit des Arztes, die Überstunden und die Sitzungsendzeit für den Arzt in einer Klinik für Primärversorgung zu minimieren. Die Entscheidungsvariablen in ihrer Studie sind die Anfangszeiten der Patiententermine. Sie fanden heraus, dass eine Plateau-Dome-Planungsregel bei allen Leistungskennzahlen robust ist. Die Ergebnisse ihrer Studie werden mit fünf Terminplanungsregeln verglichen, die in anderen Simulationsstudien untersucht wurden: (1) feste Intervalle, (2) zwei Patienten werden zur gleichen Zeit eingeplant, (3) zwei Patienten werden in das erste Zeitfenster und ein Patient in das zweite Zeitfenster gesetzt usw., (4) vier Patienten werden in das erste Zeitfenster und ein Patient in das zweite Zeitfenster gesetzt usw., (5) Offset-Regel, bei der frühere Zeitfenster kürzer als die durchschnittliche Servicezeit und spätere Zeitfenster länger als die durchschnittliche Servicezeit waren.
Saremi et al. (Saremi et al. 2013) modellierten die Terminplanung für ambulante Operationen. Sie bezogen unsichere Voroperations-, Operations- und Erholungszeiten in ihr Planungsproblem ein. Außerdem gingen sie von Einschränkungen bei der Ressourcenverfügbarkeit und der Kompatibilität der Patienten mit dem Anbieter aus. Das Ziel dieser Untersuchung ist es, die Wartezeit der Patienten, die Fertigstellungszeit und die Anzahl der Stornierungen aufgrund der Nichtverfügbarkeit der Ressourcen zu minimieren. Ganzzahlige Programmierung (IP) wird mit erweiterter simulationsbasierter Tabu-Suche (STS) kombiniert, um eine bessere anfängliche Lösungsnachbarschaft für die Tabu-Suche (TS) in STS zu konstruieren. IP unterteilt den Zeithorizont in Zeitschlitze und erstellt einen Zeitplan, der versucht, die Wartezeit und die Fertigstellungszeit unter Berücksichtigung deterministischer Falldauern zu minimieren. Ausgehend von dieser Ausgangslösung beginnt STS, den Zeitplan für eine stochastische Variante des Problems zu verbessern. Bei jedem Simulationslauf werden einige benachbarte Lösungen bewertet und die beste Lösung wird für die nächste Iteration von TS aktualisiert. Es ist zu erwähnen, dass bei jedem Simulationslauf die Lösungen nicht vollständig ausgewertet werden, sondern auf der Grundlage eines deterministischen Zeitplanmoduls sortiert werden. Optimierungs- und Simulationsansätze wurden von Liang et al. (Liang et al. 2015) verwendet, um die Terminplanung für den Fluss von Chemotherapiepatienten in einer onkologischen Klinik zu verbessern. In ihrer Untersuchung wurden die Patienten gleichmäßig auf Zeitfenster verteilt, um die Arbeitsbelastung mithilfe eines mathematischen Modells auszugleichen, und es wurde eine Wahrscheinlichkeitsmatrix entwickelt, um den Benutzer über die Wahrscheinlichkeit zu informieren, mit der Patienten auf der Grundlage ihrer Behandlungsart den Zeitfenstern zugewiesen werden. Mehrere Szenarien wurden unter Berücksichtigung von Verspätungen bei der Ankunft, Patiententypen, Schwankungen der Behandlungszeit, Stornierungen und Zusatzleistungen bewertet. Sie kamen zu dem Schluss, dass eine ausgewogene Auslastung die Wartezeit der Patienten und die Arbeitszeit des Personals verringert.
In diesem Abschnitt werden die Hauptelemente und die Struktur des vorgeschlagenen simheuristischen Modells beschrieben. Anschließend werden die Implementierungsschritte aufgezeigt und die zur Erstellung des Modells verwendeten Softwarepakete vorgestellt. Außerdem wird ein Beispiel für die Lösungsstruktur gegeben, um den in dieser Studie verwendeten Lösungsgenerierungsansatz zu verdeutlichen.
In bestehenden kommerziellen Simulationssoftwarepaketen ist die Durchführung von Tabellenexperimenten nicht trivial oder vielleicht sogar unmöglich. Um dieses Problem zu lösen, haben wir ein SO-Framework entwickelt, mit dem Simulationsexperimente einfach durch die Änderung einer Variablentabelle durchgeführt werden können. Anstatt Schwierigkeiten bei der Definition eines großen Satzes von Steuerelementen und der Verwendung von Black-Box-Optimierern wie OptQuest zu haben, kann der vorgeschlagene Rahmen effizient Tabellenexperimente ohne wesentliche Änderung der Simulationsmodellstruktur durchführen. Wie in Abbildung 1 dargestellt, ändert in diesem Rahmen ein externer Optimierer iterativ die Tabellenparameter, die im Simulationsmodell angewendet werden, und versucht, die beste oder eine gute Konfiguration der Tabelleneingabe zu finden. Die Optimierungs- und Simulationsmanager arbeiten so lange iterativ zusammen, bis die Abbruchkriterien des Optimierungsalgorithmus erfüllt sind. Im folgenden Abschnitt werden die Implementierungsaspekte dieses Rahmens beschrieben.
Zur Implementierung eines solchen Frameworks wurde ein integrierter Ansatz gewählt, bei dem MATLAB, Simio und Excel kombiniert wurden. Wie in Abbildung 2 dargestellt, ist MATLAB der Hauptmanager, in dem sich ein Optimierungsalgorithmus zur Lösung des Problems befindet. Bei dem in dieser Studie verwendeten metaheuristischen Algorithmus handelt es sich um Simulated Annealing (SA), das bereits bei zahlreichen Optimierungsproblemen erfolgreich eingesetzt wurde. SA leitet sich von einem Verfahren ab, das eingesetzt wird, um durch allmähliches Abkühlen von geschmolzenen Metallen einen perfekten Kristall zu erhalten (Saruhan 2014). Wir verweisen den Leser für Details zu SA auf Miki, Hiwa und Hiroyasu (Miki et al. 2006). Bei jeder Iteration wird die vom Optimierer gelieferte Lösung im Simulationsmodell über eine Excel-Datei angepasst. SimioTM wird aufgrund seiner Simulationsfähigkeiten (Dehghanimohammadabadi 2016; Dehghanimohammadabadi und Keyser 2015) und seiner Fähigkeit zur Interaktion mit MATLAB und Excel als Simulationsmanager verwendet.
Wie oben erwähnt und in Abschnitt 4 dargestellt, besteht der Zweck dieses Frameworks darin, die Durchführung von Tabellenexperimenten für die Ankunft von Patienten in einem Brustkrebszentrum zu ermöglichen. In jeder Iteration liefert der SA-Algorithmus in MATLAB eine neue Lösung, die die Ankunftszeiten der Patienten enthält. Anschließend wird die generierte Lösung in einer Excel-Datei gespeichert, die von Simio als Eingabe verwendet werden kann. Die Ausgabe von Simio wird als Kostenfunktion von SA betrachtet und zur Simulation des Klinikmodells mit der neuen Patiententabelle aufgerufen. Schließlich wird das Ergebnis des Simulationsmodells an MATLAB übertragen und von SA zur Generierung der nächsten Lösung verwendet. Diese Interaktion zwischen MATLAB und Simio wiederholt sich, bis die Abbruchkriterien des Optimierungsalgorithmus erfüllt sind.
In dieser Studie stellt die vom Optimierungsalgorithmus generierte Lösung eine Tabelle mit den Ankunftszeiten der Patienten dar. Um zu verdeutlichen, wie diese Lösung strukturiert ist und in Simio eingebettet wird, ist in Abbildung 3 eine Instanz der Lösung dargestellt, die sechs Terminslots für sechs Patienten berücksichtigt. In der untersuchten Klinik gibt es zwei verschiedene Arten von Patienten, darunter Nachsorge- und Konsultationspatienten, mit einem Verhältnis von 2 zu 1. Bei sechs eingehenden Patienten sind zum Beispiel vier Patienten Nachsorgepatienten (
Die von SA generierte Lösung stellt eine Reihe von Zahlen mit einer Permutation von sechs für sechs Patienten dar. Wenn die generierte Zahl kleiner oder gleich
Das Ziel des Optimierungsalgorithmus besteht also darin, die beste Ankunftszeit der Patienten zu finden, während gleichzeitig versucht wird, die Leistungskennzahlen der Klinik zu optimieren. Sobald der Solver (SA) eine neue Lösung (Ankunftsplan der Patienten) generiert hat, müssen seine Auswirkungen auf die Klinik mit Hilfe des Simulationsmodells bewertet werden.
Der Umgang mit Ungewissheit ist der Bereich, in dem Simulations- und Optimierungsmodelle am besten geeignet sind (Dehghanimohammadabadi 2016). Die Anwendbarkeit des vorgeschlagenen Simulations- und Optimierungsansatzes wird anhand einer Fallstudie in einem Brustkrebszentrum im Bundesstaat New York getestet. Die Studie befasst sich mit zwei Arten von Patienten: Nachsorge- und Konsultationspatienten. Die Zahl der Krebspatienten, die in diesem Zentrum behandelt wurden, lag 2014 bei 914 und 2015 bei 1.654. Es gibt einen Arzt und zwei Arzthelferinnen (MOAs). Das Zentrum verfügt über insgesamt fünf Räume, darunter zwei Räume für die Aufnahme, einen Raum für die Nachsorge, einen Raum für die Beratung und einen Raum für die stereotaktische Biopsie. Vor dem Aufbau des Simulationsmodells wurde der Prozess sorgfältig überwacht, und das Diagramm der Schwimmspuren ist in Abbildung 4 dargestellt.
Sowohl die Nachsorge- als auch die Konsultationspatienten melden sich bei der Rezeption an und gehen zum Aufnahmeprozess über, wenn einer der beiden Aufnahmeräume frei ist. Sobald die Nachsorge- und Beratungsräume verfügbar sind, werden die Nachsorge- und Beratungspatienten zu den Nachsorge- bzw. Beratungsräumen geleitet. Nachsorgepatienten verlassen das System nach dem Besuch, während Konsiliarpatienten in den Biopsieraum gebracht werden. Die Verteilung der Servicezeiten in den einzelnen Phasen des Schwimmspurdiagramms wird wie in Tabelle 1 aufgeführt ermittelt. Die gesammelten Daten aus Beobachtungen werden zur Parametrisierung der statistischen Verteilungen des Simulationsmodells verwendet. Zur Erleichterung der Interpretation und Validierung durch das Krankenhauspersonal (Vahdatzad et al. 2017) wird die Dreiecksverteilung gegebenenfalls an die Daten der Bearbeitungszeiten angepasst.
Das Brustkrebszentrum in dieser Studie nimmt Patientinnen sieben Stunden lang mit 20-minütigen Terminslots auf. Daher wird ein praktisches und gutes Terminmuster benötigt, um 21 Patienten für einen Tag zu planen. Zunächst haben wir in dieser Studie den vorgeschlagenen simheuristischen Rahmen verwendet, um einen optimalen oder zumindest guten Ankunftsplan für die Patienten zu finden. Um die Effektivität des vorgeschlagenen Rahmens zu bewerten, wird die erhaltene Lösung des Modells dann mit fünf heuristischen Ansätzen verglichen, die vom Klinikpersonal vorgeschlagen wurden. Bei der ersten Heuristik (H-1) werden zuerst die Folgepatienten eingeplant und danach die Konsultationen, während H-2 genau das Gegenteil tut. Die Heuristiken 3 bis 5 berücksichtigen das Verhältnis der Patienten (2 zu 1) und planen eine Kombination aus zwei Nachuntersuchungen und einer Konsultation für jede Stunde des Tages. Die auf der Grundlage dieser Methoden erstellten Muster sind in Abbildung 5 dargestellt.
Die mit all diesen Methoden erzielten Lösungen werden mit Simio mit 30 Replikationen simuliert, um ihre Auswirkungen auf die LOS der Patienten zu bewerten. Um die Genauigkeit der Simulationsergebnisse zu gewährleisten, wird die halbe Breite des Konfidenzintervalls für den Mittelwert berücksichtigt, um die Anzahl der Wiederholungen zu bestimmen. Wie Abbildung 6 zeigt, weisen die Ergebnisse darauf hin, dass das simheuristische Modell im Vergleich zu den anderen Methoden einen niedrigeren Durchschnittswert für die LOS aufweist. Darüber hinaus wird ein Simio Add-In namens "Select Best Scenario using KN" eingesetzt, um das beste Szenario zu finden. Dieses Tool implementiert das von Kim und Nelson (Kim und Nelson 2001) entwickelte Verfahren und nimmt eine anfängliche Reihe von Szenarien und führt zusätzliche Replikationen durch, bis es zuversichtlich ist, dass ein bestimmtes Szenario das beste ist oder innerhalb eines bestimmten Bereichs des besten (Indifferenzzone genannt) liegt (Simio 2011). Mit einem Konfidenzniveau von 95 % wählt dieses Tool die Simheuristik für alle definierten Indifferenzzonenwerte konsequent als bestes Szenario aus.
In dieser Studie haben wir einen simheuristischen Rahmen entwickelt, um Tabellenexperimente für ein Simulationsmodell eines Brustkrebszentrums durchzuführen. In diesem neuen hybriden Ansatz generiert ein in MATLAB programmierter SA-Algorithmus Lösungen und ruft Simio als Kostenfunktion auf, um diese zu bewerten. Die ersten Ergebnisse dieser Studie zeigen, dass das bestehende Modell besser abschneidet als heuristische Ansätze, aber der Unterschied ist statistisch nicht signifikant. In der zukünftigen Arbeit soll die Dauer der Terminblöcke als Entscheidungsvariable berücksichtigt werden. Derzeit sind alle Terminblöcke auf 20 Minuten festgelegt, aber sie könnten je nach Patiententyp unterschiedlich sein. Außerdem wäre es wünschenswert, mehrere Leistungskennzahlen wie die Wartezeit der Patienten hinzuzufügen. Darüber hinaus könnte das Simulationsmodell um weitere Umgebungsfaktoren wie das Nichterscheinen von Patienten und die Pünktlichkeit von Patienten und Anbietern ergänzt werden.