La fragmentación es un problema común en el sistema sanitario de Estados Unidos. En el caso de los pacientes con enfermedades complejas que requieren varios proveedores, este problema es especialmente desconcertante. Una solución que se está desarrollando, denominada Unidad de Práctica Integrada (IPU, por sus siglas en inglés), consiste en que un equipo multidisciplinar de profesionales actúe conjuntamente sobre el estado de salud de un paciente a lo largo de todo el ciclo asistencial. En este artículo, utilizamos la simulación para diseñar una UIP WorkLife que trata los problemas médicos que surgen en el lugar de trabajo, desde enfermedades leves hasta lesiones agudas no urgentes. Más concretamente, determinamos un calendario de citas de pacientes y el número de recursos necesarios para alcanzar los objetivos de rendimiento de pacientes, tiempo de cierre de la clínica y tiempo de espera de pacientes establecidos por la dirección de la UIP.
Históricamente, el sistema de prestación de asistencia sanitaria de Estados Unidos ha estado fragmentado. Así, los pacientes con afecciones médicas que requieren múltiples proveedores deben coordinar y ejecutar su propio plan de atención. Cuanto más compleja es la afección, más difícil resulta para los pacientes, especialmente para los que pertenecen a poblaciones desatendidas. Porter y Teisburg (2006) sostienen que la causa fundamental de esta fragmentación ha sido la competencia dentro del sistema en el nivel equivocado. Más concretamente, sostienen que la competencia es demasiado estrecha (por ejemplo, a nivel de un servicio concreto) o demasiado amplia (por ejemplo, a nivel de los planes de asistencia sanitaria), y que en su lugar debería "tener lugar para abordar las afecciones médicas a lo largo de todo el ciclo asistencial" (Porter y Teisburg 2006, página 44). Esto último tiene el potencial de crear un mayor valor tanto para los pacientes como para los proveedores, y de dar lugar a enfoques más integrados de la prestación de asistencia sanitaria.
Para abordar directamente esta cuestión, Porter y Lee (2013) definen el concepto de Unidad de Práctica Integrada (UIP). Una UIP es un equipo multidisciplinar de proveedores ubicados en un mismo lugar y diseñado para tratar el ciclo asistencial completo de una enfermedad específica. En una UIP, los proveedores se desplazan alrededor de los pacientes, en lugar de que éstos tengan que desplazarse para visitar a varios proveedores en diferentes lugares. La "afección médica específica" considerada en este documento son los problemas relacionados con el lugar de trabajo, desde enfermedades y dolencias leves hasta lesiones agudas no urgentes. Otras aplicaciones consideradas incluyen la atención oncológica en el MD Anderson Cancer Center de Houston, TX, una clínica de columna vertebral en el Virginia Mason Medical Center de Seattle, WA, atención cardiaca y vascular en la Cleveland Clinic de Cleveland, OH (Porter y Lee 2013), y una clínica de salud femenina y atención para una variedad de afecciones musculoesqueléticas en la Dell Medical School (DMS) de Austin, TX (Koenig et al. 2016, Morrice et al. 2018).
En este trabajo, utilizamos la simulación para ayudar en el diseño de la UIP WorkLife en DMS en la Universidad de Texas en Austin. Más específicamente, determinamos una programación de citas de pacientes y el número de recursos necesarios para alcanzar los objetivos de capacidad, tiempo de cierre de la clínica y tiempo de espera de los pacientes. Desde una perspectiva de programación, una UIP puede verse como una combinación ampliada de una tienda de flujo flexible y una tienda abierta (Pinedo 2016) con múltiples tipos de pacientes en diferentes vías de atención a través de un equipo multidisciplinar de proveedores. Con los tiempos estocásticos de llegada y servicios, junto con el enrutamiento estocástico, las formulaciones óptimas para determinar el flujo de pacientes y recursos son intratables. Otro factor que complica la situación es que la UIP se enfrenta a una mezcla de pacientes programados y sin cita previa. Por eso recurrimos a la simulación.
Existen varios estudios de simulación sobre la prestación de asistencia sanitaria. Swisher et al. (2001) fueron de los primeros en construir un modelo utilizando un paquete de simulación orientado a objetos con capacidades gráficas. Estudiaron un centro de medicina familiar con el objetivo de maximizar una combinación de beneficios de la clínica y satisfacción del paciente y del personal. Los resultados se basaron en un diseño factorial fraccional que incluía el número de médicos de nivel medio, el número de enfermeras, el número de auxiliares médicos, el número de salas de registro, el número de salas de exploración y el número de salas de especialidades. En un trabajo estrechamente relacionado con el nuestro, White et al. (2011) desarrollaron una simulación de eventos discretos con base empírica para examinar las interacciones entre las políticas de citación de pacientes y las políticas de asignación de capacidad (es decir, el número de salas de examen disponibles) y cómo afectan conjuntamente a la utilización de los recursos, el tiempo de espera de los pacientes y otras medidas de rendimiento. Se recopilaron datos de una clínica ortopédica ambulatoria con dos tipos de pacientes diferentes, cinco registradores, dos técnicos de radiología y un único médico. Una de las principales distinciones de nuestro trabajo en la UIP es la centralidad del paciente, con proveedores que se desplazan a los pacientes en lugar de pacientes que se desplazan a diferentes proveedores.
El resto del documento se organiza de la siguiente manera. La sección 2 contiene la descripción del problema. En la sección 3 se describe el modelo. La Sección 4 presenta los resultados de nuestro análisis y la Sección 5 contiene las conclusiones.
La UIP WorkLife de la Dell Medical School (WorkLife 2018) ofrece múltiples servicios. Funciona como una clínica sin cita previa que trata afecciones médicas menores (por ejemplo, esguinces y torceduras, resfriados y gripes) y proporciona inoculaciones comunes, como vacunas contra la gripe, para los trabajadores de las empresas cercanas. La UIP también funciona como clínica de salud laboral y lesiones, donde se realizan reconocimientos médicos y análisis de drogas y se tratan lesiones laborales agudas no urgentes. Para apoyar la vertiente ocupacional de la empresa, Worklife presta apoyo administrativo a los pacientes y a sus empleadores en materia de indemnización laboral y accidentes laborales, como dos ejemplos.
Con numerosos servicios y un enfoque coordinado de la atención, la UIP de WorkLife cuenta con varios proveedores de distintos niveles y atiende a cinco tipos diferentes de pacientes, cada uno con su propia vía de atención. El personal del caso base incluye un médico, dos enfermeras profesionales, dos auxiliares médicos, dos administrativos y un radiólogo. El médico reside en la clínica aproximadamente el 40% del tiempo. Tanto el médico como el radiólogo son recursos compartidos con otras UIP de la Dell Medical School. Los recursos también incluyen cuatro salas de examen y dos baños para la detección de drogas.
Los pacientes son categorizados como Lesionados, No Lesionados, No Lesionados que requieren MA solamente (MA solamente, para abreviar), Examen de Drogas solamente y Seguimiento. El paciente de seguimiento representa una cita de seguimiento de una visita anterior por un único incidente. Las figuras 1-5 muestran las vías de atención para todos los tipos de pacientes. En referencia a la figura 1, tras el registro, los pacientes con lesiones pueden requerir un análisis de drogas. A continuación, se les ubica en una sala y se les somete a un triaje. Dependiendo de la gravedad de la lesión, el paciente es atendido por un médico o un enfermero. Si es necesario, se realiza una radiografía y el paciente vuelve al proveedor para recibir tratamiento. Una vez finalizado el tratamiento, el paciente abandona la clínica. Los pacientes no lesionados siguen un proceso muy similar, salvo que sólo acuden al NP (figura 2). Los pacientes sólo MA (figura 3) requieren cuidados menores y, como su nombre indica, sólo ven al MA. Algunos pacientes de esta vía sólo necesitan una inyección (por ejemplo, una vacuna). El resto sigue una vía similar a la de los pacientes con y sin lesiones. Como ilustra la figura 4, los pacientes sometidos a pruebas de detección de drogas siguen una vía directa. El control de drogas lo realiza el AM. Los pacientes de seguimiento siguen una ruta similar a la de los pacientes con y sin lesiones, salvo que ninguno requiere un análisis de drogas, ya que, de ser necesario, se habría realizado en la visita inicial. Es importante señalar que en una UIP, una vez que a un paciente se le asigna una habitación, ésta sigue siendo su habitación hasta que se va. Salvo el radiólogo, que atiende a los pacientes en un servicio especializado de rayos X, todos los proveedores visitan al paciente en la habitación que se le ha asignado.
Para la UIP WorkLife, alrededor del 40% de los pacientes necesitan un intérprete y esos pacientes pasan aproximadamente un 20% más de tiempo con cada proveedor de media. Aunque la necesidad de un intérprete no altera las vías de atención, desde el punto de vista de la modelización, sí obliga a considerar 10 tipos de pacientes. Las visitas de seguimiento constituyen alrededor del 35% de los pacientes de un día cualquiera. Por definición, se trata de citas programadas. El resto de tipos de pacientes son visitas sin cita.
La dirección de la UIP WorkLife pidió a nuestro equipo de investigación que les ayudara a diseñar una clínica con los siguientes requisitos medios. En primer lugar, querían poder atender a 55 pacientes al día. En segundo lugar, la hora de cierre de la clínica debía ser cercana a las 9 horas (o a las 5 de la tarde, ya que la clínica está programada para abrir a las 8 de la mañana) para evitar el pago de horas extraordinarias. En tercer lugar, el tiempo de espera para el registro, el alojamiento y el control de drogas debía ser inferior a cinco minutos para mejorar la experiencia del paciente. Por último, querían poder cumplir estos requisitos con un aumento mínimo de los niveles de personal del caso base.
Modelamos la UIP WorkLife utilizando Simio (Simio 2018). El modelo se muestra en la Figura 6. Dado que se trataba de un proyecto de diseño, los datos para la simulación se recopilaron a partir de diagramas de flujo de procesos planificados y una serie de reuniones con los proveedores que dotarían de personal a la clínica. A este grupo lo denominaremos panel de expertos. De las conversaciones surgieron datos sobre la mezcla de tipos de pacientes y el porcentaje de pacientes de cada tipo que necesitaban cada recurso (Tabla 1). Esto último determinó la ruta de los pacientes a través de la simulación. Nota: la designación "(I)" en la Tabla 1 (y en las siguientes) indica un tipo de paciente que necesita un intérprete. Las deliberaciones también produjeron distribuciones del tiempo de procesamiento en cada etapa del proceso para cada tipo de paciente (Tabla 2). Obsérvese que en todos los casos se utilizaron distribuciones triangulares y se solicitaron estimaciones de los parámetros mínimo, moda y máximo al panel de expertos. Estos parámetros se determinaron para los pacientes que no requerían intérprete. Para los que sí lo necesitaban, los valores de los parámetros se incrementaron en un 20%. Nuestro panel de expertos desarrolló la cifra del 20% por consenso. Las celdas en blanco de las Tablas 1 y 2 indican que el tipo de paciente no visita el escenario o el recurso.
Es importante señalar que no existían datos históricos sobre la UIP WorkLife para estimar las distribuciones del tiempo de servicio. Por lo tanto, tuvimos que basarnos en la opinión de expertos. En tales circunstancias, se ha comprobado que las distribuciones triangulares son eficaces, ya que los parámetros son comprensibles para los expertos en la materia y, por tanto, fáciles de solicitar (por ejemplo, véase Swisher et al. 2001). Además, con tres parámetros, la distribución triangular ofrece la flexibilidad de construir distribuciones sesgadas o simétricas con cualquier rango y modo deseados. Por último, el grupo de expertos contaba con decenas de años de experiencia en las distintas actividades del proceso. Por lo tanto, pudimos obtener estimaciones bastante buenas de los parámetros de distribución del tiempo de servicio gracias al acuerdo entre los expertos.
Volviendo al modelo de simulación de la Figura 6, los diez tipos diferentes de pacientes están representados por las entidades de la esquina superior izquierda de la figura. Los pacientes sin cita previa (es decir, todos los pacientes sin seguimiento) son generados por el nodo fuente etiquetado como "No programado" y los seguimientos por el nodo fuente "Programado". Dado que el objetivo es atender a una media de 55 pacientes al día, 36 son pacientes no programados y 19 programados. La dirección de la UIP considera que los pacientes sin cita previa llegan uniformemente entre las 8.00 y las 16.00 horas. Por lo tanto, el nodo fuente "No programado" genera 4,5 pacientes por hora según una distribución de Poisson. Una vez más, al no disponer de datos históricos sobre la demanda, tuvimos que basarnos en la opinión de expertos. Los expertos creían que no habría periodos de hora punta para los pacientes sin cita previa, basándose en su experiencia en otras clínicas con una demografía de pacientes similar. En el apartado 4 se ofrecen más detalles sobre el horario de los 19 pacientes de seguimiento restantes.
Aunque el modelo de simulación de la Figura 6 imita la lógica de la ruta asistencial descrita en las Figuras 1 a 5, presenta algunas complejidades que requieren una explicación adicional. En primer lugar, el médico sólo reside en la UIP alrededor del 40% del tiempo, ya que sólo es necesario para un porcentaje muy pequeño de unos pocos tipos de pacientes (véase la Tabla 2). Si un paciente llega necesitando al Médico cuando éste no está presente, se le envía a ver a un Médico en una UIP Musculoesquelética (MSK) vecina. Esta lógica está representada en el modelo por las estaciones "Physician_Check", "Physician" y "MSK". Si los pacientes van a MSK, se considera que han salido del sistema actual y ya no son objeto de seguimiento, puesto que ahora están asociados a otra UIP fuera del ámbito de este estudio. Los pacientes que acuden al médico de la UIP WorkLife y necesitan una radiografía son acompañados por el MA. Esto está representado por la estación "MA_Escort_to_X-ray" con un tiempo de procesamiento de distribución Triangular(3,5,8). Por último, los proveedores deben completar la documentación después de cada paciente. Esto requiere una lógica compleja utilizando Simio Processes para garantizar que este paso se realiza antes de que el proveedor vea a otro paciente.
Los 19 pacientes de seguimiento están programados para llegar a la UIP WorkLife a lo largo del día en intervalos de 20 minutos a partir de las 8 de la mañana, sin citas programadas entre las 11:20 y las 13:00 para facilitar la pausa para comer. Por lo tanto, el último paciente programado comienza a las 15:40 horas. El horario se muestra en la Tabla 3, que se determinó mediante experimentación. En primer lugar, dado que los pacientes sin cita previa se distribuyen uniformemente a lo largo del día, tenía sentido repartir los pacientes programados a lo largo del día en lugar de agruparlos. En segundo lugar, experimentamos con diferentes intervalos de citas y descubrimos que los intervalos inferiores a 20 minutos provocaban una congestión significativamente mayor en el sistema, lo que dificultaba la consecución de los objetivos de tiempos de espera para facturación, alojamiento y análisis de drogas. En otras palabras, los intervalos de tiempo más pequeños provocaban la agrupación del número fijo de pacientes. Las franjas horarias superiores a 20 minutos dieron lugar a tiempos de cierre de la clínica significativamente más largos, lo que dificultó la consecución del objetivo de tiempo de cierre de la clínica.
Es importante señalar que el enfoque de programación que utilizamos se denomina IBFI (bloque individual/intervalo fijo). En otro trabajo de diseño de UIP (Morrice et al. 2018), consideramos IBFI y varias otras reglas de programación de la literatura de programación sanitaria (Bard et al. 2016; Cayirili et al. 2006; Milhiser et al. 2012) y descubrimos que ninguna era dominante. Entre ellas se encontraban TwoBeg (se programan dos pacientes a la hora cero y un paciente cada 15 minutos a partir de entonces), MBFI (bloque múltiple/intervalo fijo, donde se programan dos pacientes cada 30 minutos) y DOME, donde los pacientes programados a primera y última hora del día están más espaciados que los programados a mitad del día. Por lo tanto, utilizamos el IBFI por su facilidad de comprensión y aplicación.
En nuestro análisis consideramos cuatro escenarios. La tabla 4 contiene los recursos utilizados en cada escenario. Las tablas 5 y 6 presentan los resultados del análisis de simulación. Cada escenario se simula para 500 días de funcionamiento de la UIP WorkLife. Nos centramos primero en los resultados del Caso Base. Recordemos que el caso base (columna 2 de la Tabla 4) tiene un médico, dos enfermeros, dos asistentes médicos, dos administradores, un radiólogo, cuatro habitaciones y dos baños. En el cuadro 5 se ve claramente que el caso base no cumple los objetivos de la dirección. En particular, el tiempo medio de cierre de la clínica es significativamente superior a 9 horas (o 540 minutos) desde el inicio de cada día simulado, y los tiempos medios de espera de registro, habitación y análisis de drogas son todos significativamente superiores a cinco minutos, superando el doble o incluso el triple de este objetivo.
El cuadro 6 indica que la administración y la asistencia médica son, con mucho, los recursos más limitados. Esto no es del todo sorprendente, ya que, según las tablas 1 y 2, todos los pacientes deben ver al administrador a la entrada y a la salida, y cada una de estas etapas puede llevar mucho tiempo debido al papeleo que conllevan las incidencias médicas relacionadas con el lugar de trabajo. Además, el AM debe ver a todos los pacientes y los AM realizan varios pasos en el proceso. A la dirección y al equipo de investigación les sorprendió en cierto modo que ambos recursos tuvieran una utilización tan elevada y similar, ya que desempeñan funciones muy diferentes en la UIP.
En el otro extremo del espectro, el médico y el radiólogo tienen una utilización muy baja. Sin embargo, estas cifras sólo reflejan las utilizaciones en la UIP WorkLife y no sus utilizaciones en todas las UIP en las que trabajan.
Dado que la dirección quería que intentáramos mejorar el sistema con el menor número posible de recursos, consideramos los beneficios potenciales de aumentar sólo el número de administradores a 3, luego sólo el número de AM a 3 y, por último, el escenario en el que ambos se fijan en 3. En la tabla 5 se muestra cómo el aumento del número de administradores a 3 reduce significativamente el tiempo de cierre de la clínica, pero no lo suficiente como para alcanzar el objetivo de 540 minutos. En la tabla 5, el aumento del número de administradores a 3 reduce significativamente el tiempo de cierre de la clínica, pero no lo suficiente como para alcanzar el objetivo de 540 minutos. También disminuye significativamente las medidas de rendimiento secundarias de tiempo del paciente en el sistema y tiempo total de espera del paciente. El tiempo de espera para el registro de entrada disminuye drásticamente y se alcanza el objetivo de menos de cinco minutos, pero a costa de aumentar significativamente los tiempos de espera para el alojamiento y el control de drogas. Así pues, si bien la adición de un administrador adicional mejora algunas medidas de rendimiento importantes, agrava los cuellos de botella existentes asociados a la AM.
La adición de un solo administrador mejora significativamente el tiempo de cierre de la clínica (aunque no por debajo del objetivo de 540 minutos), el tiempo de permanencia de los pacientes en el sistema y el tiempo total de espera de los pacientes. También reduce enormemente los tiempos de espera para el alojamiento y el control de drogas. Desgraciadamente, pero no por ello sorprendente, no mejora en nada el tiempo de espera para el registro.
Sólo cuando ambos recursos se añaden simultáneamente el sistema alcanza todos los objetivos de gestión. Además, también se reducen drásticamente el tiempo de permanencia del paciente en el sistema y el tiempo total de espera del paciente. Por lo tanto, la estrategia ideal para la UIP WorkLife sería contratar a un Administrador adicional y a otro MA. Por un lado, es una buena noticia que los objetivos puedan alcanzarse añadiendo los recursos menos costosos. Sin embargo, no pueden alcanzarse a menos que se sumen ambos recursos, lo que resulta más caro.
En reconocimiento del deseo de la dirección de aumentar al mínimo los niveles de personal del caso base, nuestros resultados también muestran los beneficios de añadir sólo uno u otro recurso, tal vez secuencialmente a lo largo del tiempo según lo permita el presupuesto. Basándonos únicamente en las estadísticas, parece que añadir primero un AM aportaría el mayor beneficio, ya que el tiempo de espera para el alojamiento y el control de drogas disminuye drásticamente, el tiempo de espera para el registro no empeora con respecto al caso base y las otras tres medidas de rendimiento son estadísticamente indistinguibles entre los escenarios de 3 administradores y 3 AM. No obstante, añadir un administrador en primer lugar prácticamente elimina el tiempo de espera en la facturación, pero tiene efectos nocivos en las colas de alojamiento y de detección de drogas. Una vez más, el resto de las estadísticas no varían entre las situaciones de 3 administradores y 3 AM. Por supuesto, si la eliminación de las colas en la facturación es más prioritaria que en otras fases para admitir a los pacientes en el sistema más rápidamente (una razón no estadística), añadir primero un administrador podría ser una opción que la dirección podría considerar.
Por último, la tabla 6 muestra que, con 3 administradores y 3 gestores, la utilización de los cuatro recursos principales está muy equilibrada: Administradores, AM, PN y salas. Por lo tanto, es probable que la simple adición de un cuarto administrador o administrador principal aporte pocos beneficios.
En este artículo hemos utilizado la simulación para diseñar una clínica ambulatoria compleja y multidisciplinar que atiende a muchos tipos diferentes de pacientes, denominada Unidad de Práctica Integrada. En un sentido más general, la UIP puede considerarse como un taller de flujo flexible híbrido ampliado y un taller abierto con requisitos complejos de programación de trabajos (o pacientes). El problema planteado en este documento para una UIP de WorkLife era especialmente complicado porque los pacientes de seguimiento programado debían intercalarse con los pacientes sin cita previa. Como los pacientes sin cita se distribuían uniformemente a lo largo del día, lo mejor era adoptar un horario que distribuyera también a lo largo del día a los pacientes programados. Esto nos permitió centrarnos en conseguir una duración del intervalo de citas que lograra el equilibrio adecuado entre la congestión del sistema y la hora de cierre de la clínica.
La duración de los intervalos era la adecuada para lograr un equilibrio entre la congestión del sistema y la hora de cierre de la clínica. Nuestro análisis de escenarios mostró que para alcanzar los objetivos de la dirección en determinadas medidas de rendimiento, la UIP WorkLife tendría que añadir dos recursos adicionales al mismo tiempo: un administrador adicional y otro MA. Esto habría sido difícil de determinar sin un estudio de simulación, ya que los administradores y los asesores realizan múltiples y diferentes funciones en la clínica. La dirección de la UIP de WorkLife se mostró muy satisfecha con estos datos, así como con el calendario y el rendimiento que mostramos que la UIP podría alcanzar. Los proveedores opinaban que habrían tenido que descubrir lo que pudimos mostrar a través de la simulación mediante ensayo y error en el sistema real, pero esto último habría sido mucho más costoso y perturbador durante la puesta en marcha de la nueva clínica.
No obstante, el presente estudio tiene tres limitaciones principales. En primer lugar, la falta de datos históricos nos obliga a basarnos en gran medida en la opinión de expertos, que puede estar sesgada. Sin embargo, esta es la naturaleza del diseño "green field". El trabajo en curso consiste en adaptar el modelo de simulación para apoyar la toma de decisiones una vez que la clínica esté plenamente operativa. En otras palabras, el modelo de simulación se modificará para que sirva de apoyo a las operaciones en curso de la clínica y no al diseño de la misma. Con una clínica plenamente operativa, podremos recopilar datos, estimar distribuciones y hacer ajustes basándonos en estos datos actualizados.
En segundo lugar, sólo hemos considerado la simulación de un conjunto finito de escenarios relativamente pequeño. En futuros trabajos, seguiremos trabajando para mejorar la programación de citas de pacientes de la UIP utilizando otras técnicas de simulación y optimización. Por último, con los recursos compartidos entre las UIP de WorkLife y MSK, sería mejor simular estas dos clínicas simultáneamente para comprender sus interacciones. Esto también forma parte de nuestros planes de investigación futuros.
Nos gustaría agradecer al Sr. Pete Cardenas y al personal de la clínica WorkLife de la Universidad de Texas en Austin su orientación y apoyo en este proyecto. También hemos contado con la ayuda de una subvención institucional para la licencia de software académico de Simio.
DOUGLAS J. MORRICE es profesor de Cadena de Suministro y Gestión de Operaciones en la Universidad de Texas en Austin. Es titular de la cátedra Bobbie and Coulter R. Sublett Centennial Professorship in Business y Senior Research Fellow en el Centro de Excelencia de Gestión de la Cadena de Suministro de la Universidad de Texas. Tiene un doctorado ORIE por la Universidad de Cornell. Sus intereses de investigación incluyen el diseño, modelado y análisis de simulaciones, la gestión de la prestación de asistencia sanitaria y la gestión de riesgos de la cadena de suministro. El Dr. Morrice fue Coeditor de las Actas de la Conferencia de Simulación de Invierno de 1996 y Presidente del Programa de la Conferencia de Simulación de Invierno de 2003. Fue representante de la INFORMS Simulation Society en la Junta Directiva de la Winter Simulation Conference de 2004 a 2012. Su dirección de correo electrónico es douglas.morrice@mccombs.utexas.edu.
JONATHAN F. BARD es profesor de Investigación Operativa e Ingeniería Industrial en el Departamento de Ingeniería Mecánica de la Universidad de Texas en Austin. Es titular de la Industrial Properties Corporation Endowed Faculty Fellowship y Director Asociado del Centro de Gestión de Operaciones y Logística. Es Doctor en Investigación Operativa por la Universidad George Washington y ha impartido clases en la Universidad de California - Berkeley y en la Universidad Northeastern. Sus intereses de investigación se centran en el diseño y análisis de sistemas de fabricación, programación de personal, prestación de asistencia sanitaria y algoritmos para programas enteros a gran escala. Es miembro del IIE y de INFORMS, e ingeniero profesional registrado en el Estado de Texas. Su dirección de correo electrónico es jbard@utexas.edu.
HARSHIT MEHTA es estudiante de posgrado en la Universidad de Texas en Austin, con especialización en Investigación Operativa e Ingeniería Industrial. Ha trabajado como becario de ciencia de datos en Nexstar Digital. Es licenciado en Ingeniería Mecánica por la Universidad Tecnológica de Delhi (India). Su dirección de correo electrónico es harshit.mehta@utexas.edu.
SWARUP SAHOO es estudiante de Máster en Investigación Operativa e Ingeniería Industrial en la Universidad de Texas en Austin. También es becario de investigación en el MD Anderson Cancer Center en Revenue Cycle Analytics. Es licenciado en Ingeniería Mecánica por el Instituto Nacional de Tecnología de Rourkela (India). Sus intereses de investigación incluyen la analítica en la atención sanitaria y la gestión de la cadena de suministro, la simulación y el aprendizaje automático. Su dirección de correo electrónico es swarupsahoo@utexas.edu.
NATESH BABU ARUNACHALAM es estudiante de posgrado en UT Austin y se especializa en ORIE. Sus intereses de investigación incluyen la econometría, el análisis de datos y el aprendizaje automático. Actualmente investiga la modelización estadística de los precios del crudo. Su dirección de correo electrónico es natesh@utexas.edu.
PRASHANTH VENKATRAMANes estudiante de posgrado del programa de Investigación Operativa e Ingeniería Industrial de la Universidad de Texas en Austin. Es ayudante de investigación en la Cockrell School of Engineering. Es licenciado en Ingeniería de Producción por el Instituto Nacional de Tecnología de Tiruchirappalli (India). Sus intereses de investigación incluyen el diseño de redes de transporte, los sistemas de transporte inteligentes, el aprendizaje automático y la optimización. Su dirección de correo electrónico es prashv92@utexas.edu.
Bard, J.F., Z. Shu, D.J. Morrice, D. Wang, R. Poursani y L. Leykum. 2016. "Mejora del flujo de pacientes en una clínica de salud familiar". Ciencia de la gestión de la atención sanitaria 19(2): 170-191.
Cayirili, T., E. Veral, y H. Rosen. 2006. "Designing Appointment Scheduling Systems for Ambulatory Care Services (Diseño de sistemas de programación de citas para servicios de atención ambulatoria). Health Care Management Science 9: 47-58.
Koenig, K.M. y K.J. Bozic. 2015. "Atención sanitaria ortopédica en todo el mundo: El papel de la estandarización en la mejora de los resultados". Ortopedia clínica e investigación relacionada 473(11): 3360-3363.
Millhiser, W.P., E.A. Veral, y B.C. Valenti. 2012. "Evaluación del rendimiento operativo de los sistemas de citas con objetivos políticos". IIE Transactions on Healthcare Systems Engineering 2: 274-289.
Morrice, D.J., J.F. Bard, y K.M. Koenig. 2018. "Diseño y programación de una unidad de práctica integrada multiproveedor para la atención centrada en el paciente". (Presentado para su publicación.) Pinedo, M.L. 2016. Programación: Teoría, Algoritmos y Sistemas. 5ª Editi
Porter, M.E. y E. Olmsted-Teisberg. 2006. Redefining Healthcare Delivery: Creating Value-Based Competition on Results. Boston, MA: Harvard Business School Press.
Porter, M.E. y T.H. Lee. 2013. "La estrategia que arreglará la sanidad". Harvard Business Review octubre de 2013: 50-70.
Swisher, J.R., S.H. Jacobson, J.B. Jun y O. Balci. 2001. "Modeling and Analyzing a Physician Clinic Environment Using Discrete-Event (Visual) Simulation". Computers & Operations Research, 28(2): 105-125.
White, D.L., C.M. Froehle, y K.J. Klassen. 2011. "El efecto de las políticas integradas de programación y capacidad en la eficiencia clínica". Gestión de la producción y las operaciones, 20(2): 442-455.
WorkLife. 2018. WorkLife Clinic UT Health Austin, https://uthealthaustin.org/worklife, consultado el 4 de abril de 2018.
Simio. 2018. Simio Simulation Software, https://www.simio.com/software/, consultado el 4 de abril de 2018.