La fragmentation est un problème courant dans le système de prestation de soins de santé des États-Unis. Pour les patients souffrant de pathologies complexes nécessitant l'intervention de plusieurs prestataires, ce problème est particulièrement déroutant. Une solution en cours d'élaboration, appelée unité de pratique intégrée (UPI), implique une équipe multidisciplinaire regroupant des prestataires qui traitent l'état de santé d'un patient sur l'ensemble du cycle de soins. Dans cet article, nous utilisons la simulation pour concevoir une unité de pratique intégrée qui traite les problèmes médicaux survenant sur le lieu de travail, des maladies mineures aux blessures aiguës non urgentes. Plus précisément, nous déterminons un calendrier de rendez-vous pour les patients et le nombre de ressources nécessaires pour atteindre les objectifs fixés par la direction de l'UPI en matière de débit de patients, d'heure de fermeture de la clinique et de temps d'attente des patients.
Historiquement, le système de prestation de soins de santé des États-Unis est fragmenté. Ainsi, les patients dont l'état de santé nécessite l'intervention de plusieurs prestataires doivent coordonner et exécuter leur propre plan de soins. Plus l'affection est complexe, plus le défi est grand pour les patients, en particulier pour ceux qui appartiennent à des populations mal desservies. Porter et Teisburg (2006) affirment que la cause première de cette fragmentation est la concurrence au sein du système au mauvais niveau. Plus précisément, ils affirment que la concurrence est soit trop étroite (par exemple, au niveau d'un service particulier), soit trop large (par exemple, au niveau des plans de soins de santé), et qu'elle devrait plutôt "avoir lieu pour traiter les conditions médicales sur l'ensemble du cycle de soins" (Porter et Teisburg 2006, page 44). Cette dernière solution est susceptible de créer une plus grande valeur pour les patients et les prestataires, et de déboucher sur des approches plus intégrées de la prestation de soins de santé.
Pour répondre directement à cette question, Porter et Lee (2013) définissent le concept d'unité de pratique intégrée (UPI). Une UPI est une équipe multidisciplinaire de prestataires installée au même endroit et conçue pour traiter l'ensemble du cycle de soins d'un problème médical spécifique. Dans une UPI, les prestataires se déplacent autour des patients, ce qui évite à ces derniers de devoir se déplacer pour consulter plusieurs prestataires dans des lieux différents. L'"état de santé spécifique" dont il est question dans le présent document concerne les problèmes liés au lieu de travail, allant des maladies et plaintes mineures aux blessures aiguës non urgentes. Parmi les autres applications envisagées, citons les soins contre le cancer au MD Anderson Cancer Center de Houston (Texas), une clinique spécialisée dans le traitement de la colonne vertébrale au Virginia Mason Medical Center de Seattle (WA), les soins cardiaques et vasculaires à la Cleveland Clinic de Cleveland (OH) (Porter et Lee 2013), ainsi qu'une clinique spécialisée dans la santé des femmes et les soins pour diverses affections musculo-squelettiques à la Dell Medical School (DMS) d'Austin (Texas) (Koenig et al. 2016, Morrice et al. 2018).
Dans cet article, nous utilisons la simulation pour aider à la conception de l'UIP WorkLife à la DMS de l'Université du Texas à Austin. Plus précisément, nous déterminons un calendrier de rendez-vous pour les patients et le nombre de ressources nécessaires pour atteindre les objectifs de capacité, de temps de fermeture de la clinique et de temps d'attente des patients. Du point de vue de l'ordonnancement, une UPI peut être considérée comme une combinaison étendue d'un atelier de flux flexible et d'un atelier ouvert (Pinedo 2016) avec plusieurs types de patients sur différents parcours de soins par le biais d'une équipe multidisciplinaire de prestataires. Avec des temps d'arrivée et de service stochastiques, ainsi qu'un routage stochastique, les formulations optimales pour déterminer les flux de patients et de ressources sont difficiles à résoudre. Un autre facteur de complication est que l'unité de soins intensifs est confrontée à un mélange de patients programmés et de patients sans rendez-vous. Nous avons donc recours à la simulation.
Il existe un certain nombre d'études de simulation sur la prestation de soins de santé. Swisher et al. (2001) ont été parmi les premiers à construire un modèle à l'aide d'un logiciel de simulation orienté objet doté de capacités graphiques. Ils ont étudié un cabinet de médecine familiale dans le but de maximiser une combinaison de bénéfices de la clinique et de satisfaction des patients et du personnel. Les résultats étaient basés sur un plan factoriel fractionnaire qui incluait le nombre de praticiens de niveau intermédiaire, le nombre d'infirmières, le nombre d'assistants médicaux, le nombre de salles d'enregistrement, le nombre de salles d'examen et le nombre de salles spécialisées. Dans un travail étroitement lié au nôtre, White et al. (2011) ont développé une simulation d'événements discrets basée sur des données empiriques pour examiner les interactions entre les politiques de rendez-vous des patients et les politiques d'allocation des capacités (c'est-à-dire le nombre de salles d'examen disponibles) et la manière dont elles affectent conjointement l'utilisation des ressources, le temps d'attente des patients et d'autres mesures de performance. Les données ont été recueillies dans une clinique orthopédique ambulatoire avec deux types de patients différents, cinq greffiers, deux techniciens en radiologie et un seul médecin. L'une des principales distinctions de notre travail sur les UPI est la centralité du patient, les prestataires se déplaçant vers les patients plutôt que les patients se déplaçant vers différents prestataires.
Le reste du document est organisé de la manière suivante. La section 2 contient la description du problème. La section 3 décrit le modèle. La section 4 présente les résultats de notre analyse et la section 5 contient des remarques finales.
L'unité de soins intensifs WorkLife de la Dell Medical School (WorkLife 2018) fournit de multiples services. Il fonctionne comme une clinique sans rendez-vous traitant les affections médicales mineures (par exemple, les entorses et les foulures, les rhumes et les grippes) et fournit des inoculations courantes telles que les vaccins contre la grippe pour les travailleurs des entreprises voisines. L'UPI sert également de clinique de santé et d'accidents du travail, effectuant des examens médicaux et des tests de dépistage de drogues, et traitant les accidents du travail aigus et non urgents. Pour soutenir l'aspect professionnel de l'activité, Worklife fournit un soutien administratif aux patients et à leurs employeurs pour l'indemnisation des travailleurs et les accidents du travail, par exemple.
Avec de nombreux services et une approche coordonnée des soins, l'unité de soins intensifs WorkLife est dotée de plusieurs prestataires de différents niveaux et accueille cinq types de patients différents, chacun ayant son propre parcours de soins. Le personnel de base comprend un médecin, deux infirmières praticiennes, deux assistantes médicales, deux membres du personnel administratif et un radiologue. Le médecin réside dans la clinique environ 40 % du temps. Le médecin et le radiologue sont des ressources partagées avec d'autres UPI de la Dell Medical School. Les ressources comprennent également quatre salles d'examen et deux toilettes pour le dépistage des drogues.
Les patients sont classés comme suit : blessés, non blessés, non blessés nécessitant une AMM uniquement (AMM uniquement), dépistage de drogues uniquement et suivi. Le patient en suivi représente un rendez-vous de suivi d'une visite précédente pour un seul incident. Les figures 1 à 5 illustrent les parcours de soins pour tous les types de patients. Si l'on se réfère à la figure 1, après l'enregistrement, les patients souffrant de blessures peuvent avoir besoin d'un dépistage de drogues. Ils sont ensuite placés dans une chambre et font l'objet d'un triage. En fonction de la gravité de la blessure, le patient voit un médecin ou une infirmière praticienne. Une radiographie est effectuée si nécessaire, et le patient retourne chez le prestataire pour être soigné. Une fois le traitement terminé, le patient quitte la clinique. Les patients non blessés suivent un parcours très similaire, sauf qu'ils ne voient que l'infirmière praticienne (figure 2). Les patients MA Only (figure 3) ont besoin de soins mineurs et, comme leur nom l'indique, ils ne voient que le MA. Certains patients de ce parcours n'ont besoin que d'une injection (par exemple, une vaccination). Les autres suivent un parcours similaire à celui des patients blessés et non blessés. Comme l'illustre la figure 4, les patients soumis à un dépistage de drogues suivent un parcours simple. Le dépistage des drogues est effectué par l'AM. Les patients en suivi suivent un parcours similaire à celui des patients accidentés et non accidentés, sauf qu'aucun d'entre eux n'a besoin d'un dépistage de drogues car, s'il était nécessaire, il aurait été effectué lors de la visite initiale. Il est important de noter que dans une unité de soins intensifs, une fois qu'un patient est assigné à une chambre, celle-ci reste sa chambre jusqu'à ce qu'il la quitte. À l'exception du radiologue qui voit les patients dans un service de radiologie spécialisé, tous les prestataires visitent le patient dans la chambre qui lui a été attribuée.
Pour l'UIP WorkLife, environ 40 % des patients ont besoin d'un interprète et ces patients passent en moyenne 20 % de temps en plus avec chaque prestataire. Bien que la nécessité d'un interprète ne modifie pas les parcours de soins, du point de vue de la modélisation, il est nécessaire de prendre en compte dix types de patients. Les visites de suivi représentent environ 35 % des patients un jour donné. Par définition, il s'agit de rendez-vous programmés. Les autres types de patients sont des visites non programmées.
La direction de l'UIP WorkLife a demandé à notre équipe de recherche de l'aider à concevoir une clinique répondant aux exigences moyennes suivantes. Premièrement, ils voulaient pouvoir recevoir 55 patients par jour. Deuxièmement, l'heure de fermeture de la clinique devait être proche de 9 heures (ou 17 heures dans l'après-midi puisque la clinique est censée ouvrir à 8 heures) afin d'éviter le paiement d'heures supplémentaires. Troisièmement, le temps d'attente pour l'enregistrement, la mise en chambre et le dépistage des drogues devait être inférieur à cinq minutes pour améliorer l'expérience des patients. Enfin, la clinique devait être en mesure de répondre à ces exigences avec une augmentation minimale des effectifs de base.
Nous avons modélisé l'UIP WorkLife à l'aide de Simio (Simio 2018). Le modèle est présenté à la figure 6. Comme il s'agissait d'un projet de conception, les données pour la simulation ont été collectées à partir des diagrammes de flux de processus planifiés et d'une série de réunions avec les fournisseurs qui allaient doter la clinique. Nous appellerons ce groupe notre panel d'experts. Les discussions ont permis de recueillir des données sur les différents types de patients et le pourcentage de patients de chaque type ayant besoin de chaque ressource (tableau 1). Ces données ont permis de déterminer l'acheminement des patients dans la simulation. Remarque : la mention "(I)" dans le tableau 1 (et les tableaux suivants) indique un type de patient qui a besoin d'un interprète. Les délibérations ont également produit des distributions de temps de traitement à chaque étape du processus pour chaque type de patient (tableau 2). Il est à noter que dans tous les cas, nous avons utilisé des distributions triangulaires et demandé au groupe d'experts d'estimer les paramètres minimum, mode et maximum. Ces paramètres ont été déterminés pour les patients qui n'ont pas besoin d'un interprète. Pour ceux qui en ont besoin, les valeurs des paramètres ont été augmentées de 20 %. Notre groupe d'experts a établi le chiffre de 20 % par consensus. Les cellules vides dans les tableaux 1 et 2 indiquent que le type de patient ne se rend pas à l'étape ou à la ressource.
Il est important de noter qu'il n'existe pas de données historiques sur l'UIP WorkLife permettant d'estimer les distributions de temps de service. Nous avons donc dû nous fier à l'avis d'experts. Dans de telles circonstances, les distributions triangulaires se sont avérées efficaces, car les paramètres sont compréhensibles pour les experts du domaine et donc faciles à solliciter (voir par exemple Swisher et al. 2001). En outre, avec trois paramètres, la distribution triangulaire offre la possibilité de construire des distributions asymétriques ou symétriques avec l'intervalle et le mode souhaités. Enfin, le groupe d'experts avait collectivement des dizaines d'années d'expérience dans les différentes activités du processus. Nous avons donc pu obtenir d'assez bonnes estimations des paramètres de distribution des temps de service en obtenant l'accord des experts.
Pour revenir au modèle de simulation de la figure 6, les dix différents types de patients sont représentés par les entités dans le coin supérieur gauche de la figure. Les consultations sans rendez-vous (c'est-à-dire tous les patients qui ne font pas l'objet d'un suivi) sont générées par le nœud source intitulé "Unscheduled" et les suivis par le nœud source "Scheduled". L'objectif étant de voir 55 patients par jour en moyenne, 36 sont des patients non programmés et 19 des patients programmés. La direction de l'UIP estime que les patients sans rendez-vous arrivent uniformément entre 8 heures et 16 heures. Par conséquent, le nœud source " Non programmé " génère 4,5 patients par heure selon une distribution de Poisson. Là encore, en l'absence de données historiques sur la demande, nous avons dû nous appuyer sur l'avis d'experts. Les experts ont estimé qu'il n'y aurait pas de périodes d'affluence pour les patients sans rendez-vous, sur la base de leur expérience dans d'autres cliniques ayant des caractéristiques démographiques similaires. De plus amples détails sur l'emploi du temps des 19 patients de suivi restants seront donnés dans la section 4.
Bien que le modèle de simulation de la figure 6 reproduise la logique du parcours de soins décrite dans les figures 1 à 5, il présente quelques complexités qui nécessitent des explications supplémentaires. Tout d'abord, le médecin ne réside dans l'USI qu'environ 40 % du temps, car il n'est requis que pour un très faible pourcentage de quelques types de patients (voir le tableau 2). Si une patiente arrive pour consulter le médecin alors qu'il n'est pas présent, elle est envoyée voir un médecin de l'unité de soins intensifs musculo-squelettiques (MSK) voisine. Cette logique est représentée dans le modèle par les stations "Physician_Check", "Physician" et "MSK". Si les patients se rendent à l'unité MSK, on considère qu'ils sont sortis du système actuel et qu'ils ne sont plus suivis puisqu'ils sont désormais associés à une autre unité de soins intensifs qui dépasse le cadre de cette étude. Les patients qui consultent le médecin de l'UIP WorkLife et qui ont besoin d'une radiographie sont escortés par l'assistant médical. Ceci est représenté par la station "MA_Escort_to_X-ray" avec une distribution triangulaire (3,5,8) du temps de traitement. Enfin, les prestataires doivent compléter la documentation après chaque patient. Cela nécessite une logique complexe utilisant Simio Processes pour s'assurer que cette étape est effectuée avant que le prestataire ne voie un autre patient.
Les 19 patients de suivi sont programmés pour arriver à l'UIP WorkLife au cours de la journée à des intervalles de 20 minutes à partir de 8 heures, sans rendez-vous programmés entre 11 h 20 et 13 heures pour faciliter la pause déjeuner. Ainsi, le dernier créneau programmé pour les patients commence à 15 h 40. L'horaire est indiqué dans le tableau 3, qui a été déterminé par expérimentation. Tout d'abord, étant donné que les consultations sans rendez-vous sont uniformément réparties tout au long de la journée, il était logique de répartir les patients programmés tout au long de la journée plutôt que de les regrouper. Deuxièmement, nous avons expérimenté différentes longueurs d'intervalles de rendez-vous et avons constaté que les intervalles inférieurs à 20 minutes entraînaient un encombrement nettement plus important du système, ce qui rendait difficile la réalisation des objectifs en matière de temps d'attente pour l'enregistrement, la réservation de chambres et le dépistage de drogues. En d'autres termes, des intervalles de temps plus courts ont effectivement conduit à un regroupement du nombre fixe de patients. Les créneaux de plus de 20 minutes ont entraîné des temps de fermeture des cliniques beaucoup plus longs, ce qui a rendu difficile la réalisation de l'objectif de temps de fermeture des cliniques.
Il est important de noter que l'approche d'ordonnancement que nous avons utilisée est appelée IBFI (bloc individuel/intervalle fixe). Dans d'autres travaux de conception de l'UIP (Morrice et al. 2018), nous avons examiné l'IBFI et plusieurs autres règles d'ordonnancement issues de la littérature sur l'ordonnancement des soins de santé (Bard et al. 2016 ; Cayirili et al. 2006 ; Milhiser et al. 2012) et nous avons constaté qu'aucune n'était dominante. Ces règles comprenaient TwoBeg (deux patients sont programmés à l'heure zéro et un patient toutes les 15 minutes par la suite), MBFI (bloc multiple/intervalle fixe, où deux patients sont programmés toutes les 30 minutes) et DOME, où les patients programmés en début et en fin de journée sont plus rapprochés que ceux programmés en milieu de journée. Nous avons donc utilisé l'IBFI en raison de sa facilité de compréhension et de mise en œuvre.
Nous considérons quatre scénarios dans notre analyse. Le tableau 4 indique les ressources utilisées dans chaque scénario. Les tableaux 5 et 6 présentent les résultats de l'analyse de simulation. Chaque scénario est simulé pour 500 jours de fonctionnement de l'UIP WorkLife. Nous nous concentrons d'abord sur les résultats du scénario de base. Rappelons que le scénario de base (colonne 2 du tableau 4) comprend un médecin, deux infirmières praticiennes, deux assistantes médicales, deux administrateurs, un radiologue, quatre chambres et deux toilettes. Le tableau 5 montre clairement que le scénario de base ne permet pas d'atteindre les objectifs de la direction. En particulier, l'heure moyenne de fermeture de la clinique est nettement supérieure à 9 heures (ou 540 minutes) à compter du début de chaque journée simulée, et les temps d'attente moyens pour l'enregistrement, la répartition des chambres et le dépistage des drogues sont tous nettement supérieurs à cinq minutes, dépassant le double, voire le triple de cet objectif.
Le tableau 6 indique que les ressources Admin et MA sont de loin les plus contraintes. Ce n'est pas tout à fait surprenant puisque, d'après les tableaux 1 et 2, tous les patients doivent voir l'administrateur au moment de l'enregistrement et du départ et que chacune de ces étapes peut prendre beaucoup de temps en raison des formalités administratives liées aux incidents médicaux survenant sur le lieu de travail. En outre, l'assistant médical doit voir tous les patients et les assistants médicaux effectuent plusieurs étapes du processus. La direction et l'équipe de recherche ont été quelque peu surprises de constater que les deux ressources étaient utilisées de manière aussi élevée et similaire, car elles remplissent des fonctions très différentes au sein de l'UPI.
À l'autre extrémité du spectre, le médecin et le radiologue sont très peu utilisés. Toutefois, ces chiffres ne reflètent que les utilisations dans l'UIP WorkLife et non leurs utilisations dans toutes les UIP dans lesquelles ils travaillent.
Comme la direction souhaitait que nous essayions d'améliorer le système avec le moins de ressources possible, nous avons examiné les avantages potentiels de l'augmentation du nombre d'administrateurs à 3, puis du nombre d'assistants médicaux à 3 et enfin du scénario dans lequel les deux sont fixés à 3. En se référant au tableau 5, l'augmentation du nombre d'administrateurs à 3 réduit de manière significative le temps de fermeture de la clinique, mais pas suffisamment pour atteindre l'objectif de 540 minutes. Elle réduit également de manière significative les mesures de performance secondaires que sont le temps d'attente des patients dans le système et le temps d'attente total des patients. Le temps d'attente pour l'enregistrement diminue considérablement et permet d'atteindre l'objectif de moins de cinq minutes, mais au prix d'une augmentation significative des temps d'attente pour l'hébergement et le dépistage des drogues. Ainsi, bien que l'ajout d'un Admin supplémentaire améliore certaines mesures de performance importantes, il exacerbe les goulets d'étranglement existants associés à l'AMM.
L'ajout d'une seule AMM améliore de manière significative le temps de fermeture de la clinique (bien qu'il ne soit pas inférieur à l'objectif de 540 minutes), le temps d'attente des patients dans le système et le temps d'attente total des patients. Elle réduit également considérablement les temps d'attente pour la mise en chambre et le dépistage des drogues. Malheureusement, mais ce n'est pas surprenant, cela ne change rien au temps d'attente pour l'enregistrement.
Ce n'est que lorsque les deux ressources sont ajoutées simultanément que le système atteint tous les objectifs de gestion. En outre, le temps passé par les patients dans le système et le temps d'attente total des patients sont considérablement réduits. Par conséquent, la stratégie idéale pour l'UIP WorkLife serait d'engager un administrateur supplémentaire et une autre assistante médicale. D'une part, c'est une bonne nouvelle que les objectifs puissent être atteints en ajoutant les ressources les moins coûteuses. Cependant, ils ne peuvent être atteints que si les deux ressources sont ajoutées ensemble, ce qui est une proposition plus coûteuse.
Compte tenu du souhait de la direction d'augmenter le moins possible les effectifs du scénario de base, nos résultats montrent également les avantages qu'il y a à n'ajouter que l'une ou l'autre ressource, peut-être de manière séquentielle au fil du temps, si le budget le permet. En se basant uniquement sur les statistiques, il apparaît que l'ajout d'une AM en premier lieu apporterait le plus d'avantages, car le temps d'attente pour la mise en chambre et le dépistage des drogues diminue considérablement, le temps d'attente pour l'enregistrement ne se détériore pas par rapport au cas de base, et les trois autres mesures de performance sont statistiquement indiscernables entre les scénarios 3 Admins et 3 AMs. Néanmoins, l'ajout d'un administrateur en premier élimine pratiquement le temps d'attente à l'enregistrement, mais a des effets délétères sur les files d'attente pour l'hébergement et le dépistage des drogues. Là encore, toutes les autres statistiques sont identiques dans les scénarios 3 administrateurs et 3 agents de maîtrise. Bien entendu, si l'élimination de la file d'attente à l'enregistrement est une priorité plus importante qu'aux autres étapes afin d'admettre les patients dans le système plus rapidement (une raison non statistique), l'ajout d'un administrateur en premier pourrait être une option que la direction pourrait envisager.
Enfin, le tableau 6 montre qu'en ayant 3 administrateurs et 3 assistants médicaux, les utilisations sont largement équilibrées entre les quatre ressources principales : Admins, MAs, NP et salles. Par conséquent, l'ajout d'un quatrième administrateur et/ou d'une assistante médicale ne présente que peu d'avantages.
Dans cet article, nous avons utilisé la simulation pour la conception d'une clinique ambulatoire complexe et multidisciplinaire desservant de nombreux types de patients différents, appelée unité de pratique intégrée. Dans un sens plus général, l'UPI peut être considérée comme un hybride étendu d'atelier de production flexible et d'atelier ouvert avec des exigences complexes en matière d'ordonnancement des tâches (ou des patients). Le problème examiné dans cet article pour une unité de pratique intégrée WorkLife s'est avéré particulièrement difficile car les patients de suivi programmés doivent être intercalés avec les patients sans rendez-vous. Nous avons constaté qu'étant donné que les patients sans rendez-vous étaient uniformément répartis sur la journée, il était préférable d'adopter un horaire qui répartissait également les patients programmés sur la journée. Cela nous a permis de nous concentrer sur la longueur de l'intervalle entre les rendez-vous, afin de trouver un juste équilibre entre l'encombrement du système et l'heure de fermeture de la clinique.
La longueur de l'intervalle a permis de trouver un juste équilibre entre l'encombrement du système et l'heure de fermeture de la clinique. Notre analyse de scénario a montré que pour atteindre les objectifs de la direction pour certaines mesures de performance, l'UIP WorkLife devrait ajouter deux ressources supplémentaires en même temps : un administrateur supplémentaire et une autre AM. Il aurait été difficile de s'en assurer sans une étude de simulation, étant donné que les administrateurs et les agents de maîtrise remplissent des fonctions multiples et différentes au sein de la clinique. La direction de l'UPI WorkLife a été très satisfaite de ces informations, ainsi que du calendrier et du débit que nous avons montré que l'UPI pouvait espérer atteindre. Les prestataires étaient d'avis qu'ils auraient dû découvrir ce que nous avons pu montrer par simulation en procédant par essais et erreurs dans le système réel, ce qui aurait été beaucoup plus coûteux et perturbateur pendant le démarrage de la nouvelle clinique.
Néanmoins, l'étude actuelle présente trois limites principales. Tout d'abord, le manque de données historiques signifie que nous avons dû nous appuyer fortement sur l'opinion d'experts, qui pourrait être biaisée. Cependant, c'est la nature même de la conception d'un "champ vert". Le travail en cours consiste à adapter le modèle de simulation pour faciliter la prise de décision une fois que la clinique sera pleinement opérationnelle. En d'autres termes, le modèle de simulation sera modifié pour soutenir les opérations courantes de la clinique plutôt que sa conception. Avec une clinique pleinement opérationnelle, nous serons en mesure de collecter des données, d'estimer les distributions et de procéder à des ajustements sur la base de ces données actualisées.
Deuxièmement, nous n'avons envisagé de simuler qu'un ensemble relativement restreint de scénarios. Dans nos travaux futurs, nous continuerons à travailler sur l'amélioration de la prise de rendez-vous des patients de l'UPI en utilisant d'autres techniques de simulation et d'optimisation. Enfin, compte tenu des ressources partagées entre les UIP de WorkLife et de MSK, il serait préférable de simuler ces deux cliniques simultanément afin de comprendre leurs interactions. Cela fait également partie de nos futurs plans de recherche.
Nous tenons à remercier M. Pete Cardenas et le personnel de la clinique WorkLife de l'Université du Texas à Austin pour leurs conseils et leur soutien dans le cadre de ce projet. Un soutien supplémentaire a été apporté par une licence de logiciel académique Simio (Simio Academic Software License Institution Grant).
DOUGLAS J. MORRICE est professeur de gestion de la chaîne d'approvisionnement et des opérations à l'université du Texas à Austin. Il est titulaire du Bobbie and Coulter R. Sublett Centennial Professorship in Business et est Senior Research Fellow au sein du Centre d'excellence en gestion de la chaîne d'approvisionnement de l'Université du Texas. Il est titulaire d'un doctorat ORIE de l'université de Cornell. Ses recherches portent sur la conception, la modélisation et l'analyse de simulations, la gestion des soins de santé et la gestion des risques liés à la chaîne d'approvisionnement. M. Morrice a été corédacteur des comptes rendus de la conférence d'hiver sur la simulation de 1996 et président du programme de la conférence d'hiver sur la simulation de 2003. Il a représenté la société de simulation INFORMS au conseil d'administration de la Winter Simulation Conference de 2004 à 2012. Son adresse électronique est la suivante : douglas.morrice@mccombs.utexas.edu.
JONATHAN F. BARD est professeur de recherche opérationnelle et d'ingénierie industrielle au département d'ingénierie mécanique de l'université du Texas à Austin. Il est titulaire de l'Industrial Properties Corporation Endowed Faculty Fellowship et est directeur associé du Center for the Management of Operations and Logistics (Centre de gestion des opérations et de la logistique). Il a obtenu un doctorat en recherche opérationnelle à l'université George Washington et a enseigné auparavant à l'université de Californie - Berkeley et à l'université Northeastern. Ses recherches portent sur la conception et l'analyse des systèmes de fabrication, l'ordonnancement du personnel, la prestation de soins de santé et les algorithmes pour les programmes en nombres entiers à grande échelle. Il est membre de l'IIE et de l'INFORMS, et ingénieur agréé dans l'État du Texas. Son adresse électronique est la suivante : jbard@utexas.edu.
HARSHIT MEHTA est un étudiant diplômé de l'Université du Texas à Austin, spécialisé dans la recherche opérationnelle et l'ingénierie industrielle. Il a travaillé comme stagiaire en science des données chez Nexstar Digital. Il est titulaire d'une licence en génie mécanique de l'université technologique de Delhi (Inde). Son adresse électronique est harshit.mehta@utexas.edu.
SWARUP SAHOO est étudiant en master de recherche opérationnelle et d'ingénierie industrielle à l'université du Texas à Austin. Il est également stagiaire en recherche au MD Anderson Cancer Center dans le domaine de l'analyse du cycle des recettes. Il est titulaire d'une licence en génie mécanique de l'Institut national de technologie de Rourkela, en Inde. Ses recherches portent sur l'analyse des soins de santé et la gestion de la chaîne d'approvisionnement, la simulation et l'apprentissage automatique. Son adresse électronique est la suivante : swarupsahoo@utexas.edu.
NATESH BABU ARUNACHALAM est un étudiant diplômé de l'UT Austin, spécialisé dans l'ORIE. Ses recherches portent sur l'économétrie, l'analyse des données et l'apprentissage automatique. Il poursuit ses recherches sur la modélisation statistique des prix du pétrole brut. Son adresse électronique est natesh@utexas.edu.
PRASHANTH VENKATRAMANest un étudiant diplômé du programme de recherche opérationnelle et d'ingénierie industrielle de l'Université du Texas à Austin. Il est assistant de recherche diplômé à la Cockrell School of Engineering. Il est titulaire d'un B.Tech en ingénierie de la production du National Institute of Technology, Tiruchirappalli (Inde). Ses recherches portent sur la conception de réseaux de transport, les systèmes de transport intelligents, l'apprentissage automatique et l'optimisation. Son adresse électronique est la suivante : prashv92@utexas.edu.
Bard, J.F., Z. Shu, D.J. Morrice, D. Wang, R. Poursani, et L. Leykum. 2016. "Improving Patient Flow at a Family Health Clinic" (Améliorer le flux de patients dans un centre de santé familiale). Health Care Management Science 19(2) : 170-191.
Cayirili, T., E. Veral, et H. Rosen. 2006. "Designing Appointment Scheduling Systems for Ambulatory Care Services". Health Care Management Science 9 : 47-58.
Koenig, K.M. et K.J. Bozic. 2015. "Orthopaedic Healthcare Worldwide : The Role Of Standardization in Improving Outcomes". Clinical Orthopaedics and Related Research 473(11) : 3360-3363.
Millhiser, W.P., E.A. Veral, et B.C. Valenti. 2012. "Assessing Appointment Systems' Operational Performance with Policy Targets". IIE Transactions on Healthcare Systems Engineering 2 : 274-289.
Morrice, D.J., J.F. Bard, et K.M. Koenig. 2018. "Conception et programmation d'une unité de pratique intégrée multi-fournisseurs pour des soins centrés sur le patient". (Soumis pour publication.) Pinedo, M.L. 2016. Scheduling : Theory, Algorithms, and Systems. 5th Editi
Porter, M.E. et E. Olmsted-Teisberg. 2006. Redefining Healthcare Delivery : Creating Value-Based Competition on Results. Boston, MA : Harvard Business School Press.
Porter, M.E. et T.H. Lee. 2013. "The Strategy That Will Fix Health Care". Harvard Business Review, octobre 2013 : 50-70.
Swisher, J.R., S.H. Jacobson, J.B. Jun et 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, et K.J. Klassen. 2011. "The Effect of Integrated Scheduling and Capacity Policies on Clinical Efficiency" (L'effet de l'ordonnancement intégré et des politiques de capacité sur l'efficacité clinique). Production and Operations Management, 20(2) : 442-455.
WorkLife. 2018. WorkLife Clinic UT Health Austin, https://uthealthaustin.org/worklife, consulté le 4 avril 2018.
Simio. 2018. Logiciel de simulation Simio, https://www.simio.com/software/, consulté le 4 avril 2018.