As interações complexas entre a variabilidade da carga de trabalho, as taxas de chegada incertas e crescentes e as restrições de recursos dificultam a melhoria do fluxo nos departamentos de emergência (DEs). Essa complexidade faz com que os DEs fiquem lotados, o tempo de permanência do paciente seja longo e os prestadores de serviços de saúde fiquem esgotados. Uma maneira de aumentar a eficiência e, ao mesmo tempo, manter um atendimento de alta qualidade é mudar de um departamento baseado em unidades isoladas para um projeto baseado em equipes ou sistema de pods. Este artigo procura comparar um sistema de pods com o projeto baseado em unidades no pronto-socorro do Southeastern Health usando uma simulação de eventos discretos. A robustez do modelo sob uma seleção de projetos de equipe será testada com taxas de chegada maiores e misturas variadas de gravidade para os pacientes que chegam. Por fim, será demonstrado que o sistema de módulos mantém a qualidade das métricas de atendimento e, ao mesmo tempo, aumenta a utilização de recursos, estabelecendo a prova de conceito de que um sistema de módulos otimizado pode melhorar o fluxo no pronto-socorro.
A superlotação do Departamento de Emergência (DE) devido ao longo tempo de permanência do paciente aumenta as chances de danos ao paciente e reduz sua satisfação. Os DEs lotados também reduzem a satisfação no trabalho, a produtividade e causam esgotamento (Wiler et al. 2011). As interações complexas entre a variabilidade da carga de trabalho, as taxas de chegada incertas e crescentes e as restrições de recursos dificultam a melhoria do fluxo e a redução da aglomeração. A complexidade dos DEs e a introdução de grandes volumes de dados dos registros eletrônicos de saúde sugerem que uma ferramenta de decisão baseada em evidências é vital para apoiar a liderança e as políticas dos DEs.
As previsões de aumento do uso do sistema de saúde e a diminuição dos recursos agravam o problema de risco de vida dos EDs lotados; a American Hospital Association estima que 33% dos EDs de hospitais rurais e 69% dos EDs de hospitais urbanos estão funcionando com excesso de capacidade, mas continua a haver um déficit significativo de enfermeiros registrados. Os hospitais-escola enfrentam considerações adicionais; os residentes precisam de tempo de instrução de qualidade dos preceptores e de experiência de aprendizado prático com os casos de pacientes, o que afeta a eficiência do médico e o tempo de permanência do paciente. Um método proposto para superar essas barreiras e, ao mesmo tempo, melhorar o atendimento ao paciente é redesenhar as unidades de DE em silos, transformando-as em grupos menores, porém mais integrados, baseados em equipes, que melhoram a flexibilidade de agendamento e de pessoal, com a capacidade de equilibrar a carga de trabalho do paciente entre as equipes de prestadores de cuidados.
O pronto-socorro do Southeastern Health, que atende a mais de 170 pacientes por dia, tem como objetivo melhorar os resultados dos pacientes e a experiência da equipe, reduzindo o tempo de permanência dos pacientes por meio da transição para um sistema de pods. O objetivo deste trabalho é avaliar e comparar o desempenho de um projeto de cápsula com o projeto da unidade atual usando uma simulação de evento discreto construída. O desempenho e a robustez em várias configurações de modelos de equipe (ou seja, número de enfermeiros por turno) e projetos de departamento (unidade ou pod) serão avaliados quanto à demanda esperada, ao aumento das taxas de chegada e à variação do mix de gravidade dos pacientes. As principais métricas de desempenho são o tempo de permanência (LOS) medido pelo tempo entre o registro e a alta, a utilização de recursos e o volume do pronto-socorro (ou seja, o número de pacientes no pronto-socorro em um determinado momento).
A simulação de eventos discretos (DES) é útil para experimentar novas políticas e se preparar para eventos futuros, como o aumento das taxas de chegada ou a alteração dos níveis de pessoal. Ela tem sido aplicada para identificar as melhores vias de atendimento ao paciente, alocar recursos de forma eficiente e determinar projetos de equipe (Oh et al. 2016; Augusto et al. 2018). Em particular, Oh et al. usaram a simulação para reduzir a LOS do paciente avaliando e comparando as melhorias do sistema; eles descobriram que a redução do tempo de ingestão de contraste oral na tomografia computadorizada de pacientes adultos, o aumento do uso de autoditado na radiologia e a redução da taxa de recoleta de amostras tiveram a maior influência na redução da LOS.
A transição para um sistema de pods exige a reformulação da programação de pods, das atribuições da equipe e das regras de encaminhamento de pacientes. A otimização de números inteiros mistos (Sir et al. 2017), os modelos de simulação e a teoria das filas são técnicas usadas para determinar novos modelos de turnos para os prestadores de serviços de saúde e a programação de pods. Os projetos variam de equipes lideradas por médicos atribuídas a leitos específicos com pacientes atribuídos aleatoriamente a cada pod (Patel e Vinson 2005) a pods mais dedicados para atender às necessidades da população de pacientes, como pods específicos pediátricos e de baixa acuidade (Oh et al. 2016; Dinh et al. 2015). O encaminhamento de pacientes para os compartimentos é fundamental para o fluxo; Agor et al. desenvolveram uma pontuação de carga de trabalho para reduzir o tempo que o DE gastava na utilização máxima. A pontuação considerou os atributos do pod e do DE, como o número de pacientes de saúde comportamental e o comprimento da fila (Agor et al. 2016). Por fim, novas funções, como um navegador que supervisiona o fluxo de pacientes (Dinh et al. 2015) ou um técnico de enfermagem dedicado a transportar pacientes para leitos, podem ser necessárias para uma transição bem-sucedida de projetos baseados em unidades para um sistema de pods.
O atendimento baseado em equipe foi estudado observacionalmente e em modelos de DES e demonstrou reduzir o tempo até a primeira consulta do paciente com um médico, reduziu os casos de saída sem ser atendido, melhorou a satisfação do paciente e reduziu o tempo de internação, mantendo a qualidade clínica do atendimento (Patel e Vinson 2005; Oh et al. 2016; Dinh et al. 2015). Além da experiência do paciente, também foi demonstrado que o atendimento em equipe melhora a experiência dos funcionários. A formação de equipes de residentes com um único médico, todos atendendo a pacientes em comum, foi associada a melhores percepções da qualidade do ensino (Nable et al. 2014).
Os sucessos práticos de um projeto baseado em módulos no pronto-socorro, juntamente com a flexibilidade da modelagem de simulação de eventos discretos, sugerem que esse trabalho pode melhorar o fluxo do pronto-socorro e informar as configurações de pessoal e a programação da unidade no Southeastern Health.
O desempenho do projeto da unidade atual no Southeastern Health em comparação com o sistema proposto baseado em pods foi avaliado usando uma simulação de eventos discretos criada no SimioTM University Enterprise Versão 10.
As entradas e a validação para esse modelo foram inferidas a partir de mais de 88.000 visitas exclusivas, cada uma com mais de 150 variáveis, incluindo registros de data e hora, atributos da visita e resultados do paciente. Os dados de visita em nível de paciente estavam disponíveis de novembro de 2017 a abril de 2019 e foram combinados com os subprocessos de ED de exames laboratoriais, radiologia, transportadores e consultas psiquiátricas e de cuidados comunitários. As escalas de médicos e enfermeiros, juntamente com as atribuições diárias de leitos para 2018 e 2019, definiram os níveis atuais de pessoal.
Os conjuntos de dados de treinamento e teste foram particionados para entradas e validação. A análise de dados foi realizada no R (versão 3) e no JMP Pro 14. Os exames laboratoriais e as imagens radiológicas foram agrupados em 7 e 8 categorias primárias, respectivamente. As diferenças entre os registros de data e hora foram usadas como tempos de processamento para registro, triagem, transporte de e para a radiologia, coleta de amostras para laboratórios, laboratórios e imagens do momento do pedido até os resultados, decisão de disposição e tempo da decisão de disposição até a alta ou admissão no hospital. Alguns processos, como visitas individuais de enfermeiros e médicos, foram determinados a partir de entrevistas com especialistas do sistema e comparados com a literatura. A taxa de chegada por hora foi definida exclusivamente das 12h01 de segunda-feira às 12h de domingo (Figura 1). Outras proporções extraídas dos dados incluem o modo de chegada (ambulância versus porta da frente), acuidade, atribuição de unidade, disposição final e variáveis binárias de paciente de saúde comportamental, combinação de laboratórios e exames de imagem por visita e consulta de cuidados comunitários. O modelo foi calibrado até que os resultados observados (LOS, utilização de leitos) fossem validados pelo ajuste de campos de dados desconhecidos, como o número de visitas de enfermeiros por paciente e a quantidade de tempo que o enfermeiro ou médico visita um leito, dependendo do nível de acuidade do paciente.
Um paciente chega ao pronto-socorro pela porta da frente ou de ambulância e é imediatamente registrado na recepção. Um nível de índice de gravidade de emergência (ESI) é atribuído com base na queixa principal e no número estimado e na combinação de recursos que o paciente precisará para o atendimento. Esse nível varia de 1 (mais grave) a 5 (menos grave). Os pacientes que apresentarem sintomas de alta gravidade (ESI 1) serão imediatamente colocados em um leito na unidade de cuidados intensivos e todos os outros serão enviados para a triagem para receber um exame inicial mais completo e a atribuição de unidade. No projeto atual da unidade, os pacientes são designados a uma das três unidades durante a triagem: Cuidados críticos, Emergências menores e Fast Track. No sistema de pods, os pacientes são designados a uma das seis equipes: Laranja, Roxo, Amarelo, Azul, Verde ou Cinza. Após a triagem, os pacientes esperam por um leito disponível.
No leito, os pacientes recebem atendimento por meio de uma sequência de tarefas de atendimento, incluindo visitas de enfermeiros e médicos, coletas de amostras para laboratórios, transporte para procedimentos de imagem, consultas de psiquiatria, embarque (pacientes admitidos) e consultas de atendimento à comunidade. Presume-se que os pacientes sejam admitidos no hospital ou recebam alta e saiam da instituição. O processo de atendimento e o LOS subsequente do paciente terminam depois que ele deixa o leito do pronto-socorro. O tempo que um médico ou enfermeiro passa com o paciente durante a internação depende do nível e da unidade do ESI.
A Figura 2 mostra um caminho mais detalhado do atendimento aos pacientes e a lógica das etapas (ou seja, atendimento no leito) é descrita na seção 2.4.
A Figura 3 mostra dois projetos do departamento de emergência do Southeastern Health; o da esquerda é o projeto atual baseado em unidades e o da direita é o sistema de pods proposto baseado em equipes. Em ambos os projetos, os pacientes entram pela porta da frente ou por meio de uma ambulância, registram-se, passam pela triagem e esperam por um leito livre na sala de espera (atualmente rotulada como "Triagem"). Um técnico de enfermagem transfere os pacientes da sala de espera para a triagem, onde os pacientes são atendidos por uma enfermeira de triagem e, se durante seu turno de 12 horas, por um médico assistente (PA). Após a triagem, os pacientes aguardam por um leito livre.
No projeto do DE baseado em unidades (à esquerda na Figura 3), o Fast Track (FT) tem 6 leitos e fica aberto das 10h às 22h, mas deixará de aceitar novos pacientes às 21h. O Minor Emergencies (ME) tem 26 leitos e o Critical Care (CC) tem 18 leitos, ambos abertos o tempo todo. Um prestador de serviços de nível médio cobre todos os seis leitos de atendimento rápido e trabalha durante o horário de funcionamento do FT, das 10h às 22h. Um médico cobre todos os leitos de ME e outro médico cobre todos os leitos de CC, o que dá 48 horas de cobertura médica por dia. Das 11h às 23h, supõe-se que haja 6 enfermeiros de EM e 5 enfermeiros de CC, e das 23h às 23h há 5 enfermeiros de EM e 4 de CC. Na realidade, o número de enfermeiros trabalhando pode variar devido à disponibilidade da equipe.
No projeto proposto de DE baseado em pods (Figura 3, à direita), há seis grupos de leitos, ou pods, com horários variados e cada um com equipes de provedores, enfermeiros e assistentes de enfermagem. Um médico e três enfermeiros são designados para o grupo laranja. Um médico e quatro enfermeiros são designados para o grupo Purple. Os módulos laranja e roxo permanecem abertos o tempo todo. Um assistente de enfermagem e um enfermeiro são designados para o grupo azul, que fica aberto das 11h às 23h. Um assistente de enfermagem e dois enfermeiros são designados para o módulo amarelo, que fica aberto das 9h às 21h. A sala verde funciona como o novo Fast Track e é composta por um provedor de nível médio (PA ou enfermeiro) e fica aberta das 10h às 22h. O pod Gray fica aberto o tempo todo e conta com um provedor de nível médio.
Os recursos compartilhados globalmente incluem quatro flebotomistas em turnos de 12 horas que começam sequencialmente das 4h às 7h e um flebotomista em turno noturno que trabalha das 19h às 7h. Há três transportadores das 7a às 7p e um das 7p às 7a. Por fim, para realizar consultas de saúde comportamental, um médico psiquiátrico faz rondas uma vez por dia entre 8h e 10h.
Os pacientes chegam por meio de uma taxa de chegada variável no tempo definida para cada uma das 168 horas em uma semana para levar em conta as flutuações de chegada horárias e diárias. Os atributos do paciente e da visita são atribuídos por meio de referência de linha a uma tabela de dados. O roteamento de pacientes é definido por meio de uma rede global de caminhos com rotas para triagem ou para leitos que exigem um enfermeiro ou acompanhante técnico de enfermagem.
A triagem é uma sequência de tarefas em duas etapas. Primeiro, os pacientes recebem uma atribuição de unidade ou pod do enfermeiro de triagem e, em seguida, visitam o PA de triagem. No sistema baseado em unidades, os pacientes de saúde comportamental são designados para ME e todos os outros são designados para CC, ME ou FT com base na acuidade e na disponibilidade de leitos. Após o processamento, o técnico de enfermagem da triagem acompanha os pacientes até a sala de espera para aguardar um leito livre na unidade designada. Primeiro, os pacientes são designados a uma unidade com base em tendências de dados históricos e, em seguida, podem alternar entre CC e ME com base na disponibilidade variável de leitos durante a espera após a triagem.
Nos projetos de pods baseados em equipe, as três unidades são redefinidas para 6 pods e as atribuições são baseadas no equilíbrio das chegadas entre os pods disponíveis. Os pacientes são designados para o primeiro leito disponível após a triagem, sujeito às seguintes restrições. Os pacientes de saúde comportamental vão para o compartimento cinza se houver leitos disponíveis; caso contrário, são enviados para as salas de saúde comportamental nos compartimentos laranja ou roxo. Os módulos Amarelo e Azul são liderados por PAs e, portanto, não recebem pacientes de alta gravidade. Os pacientes de alta gravidade (ESI 1 ou 2) só podem receber atendimento nos módulos Roxo ou Laranja, ambos liderados por médicos do DE. O compartimento Green é dedicado a pacientes de via rápida, portanto, os pacientes com níveis ESI 4 e 5 são designados para o Green se houver leitos disponíveis. Os módulos Amarelo, Azul e Verde aceitam pacientes até 45 minutos antes de fecharem. Se todos os leitos estiverem cheios, os pacientes sentam-se na sala de espera após a triagem e aguardam em uma fila agrupada de primeiro a entrar, primeiro a sair para o primeiro leito disponível (respeitando as restrições de acuidade descritas acima).
O processamento de leitos é definido usando tabelas de dados de sequência de tarefas. As tabelas são referenciadas pela acuidade do paciente e pela operação que está sendo realizada no momento. A sequência geral de tarefas é a mesma para cada paciente (consulte a Tabela 1), mas as condições necessárias para a execução de cada tarefa e os requisitos de recursos são exclusivos para cada leito e cada paciente. Para imitar a realidade, uma enfermeira cobrirá os mesmos 3 a 5 leitos e um médico os mesmos mais de 10 leitos durante todo o turno, definidos por referência de linha no modelo. Por fim, a Tabela 1 mostra as tarefas sequenciais alterando os números inteiros, enquanto as tarefas em paralelo são indicadas pela alteração das casas decimais. As visitas individuais de enfermeiros e médicos, os procedimentos de imagem, as coletas de amostras para laboratórios e os transportes de/para os exames de imagem são sequenciais, enquanto o processamento de laboratório pode ocorrer em paralelo a esses processos.
O fim do atendimento é definido por uma decisão de disposição do médico. Se o paciente for admitido, ele aguardará a atribuição de um leito hospitalar e o transporte. Se receber alta, o paciente é "liberado" pela enfermeira e pode receber consultas de cuidados comunitários. Todos os pacientes de saúde comportamental recebem uma consulta com um psiquiatra antes da atribuição da disposição final; os pacientes admitidos esperam por um leito e os pacientes que recebem alta para uma instalação comunitária precisam esperar por um local disponível, aguardando, em média, mais três dias no pronto-socorro. Tanto os pacientes admitidos quanto os que recebem alta param no balcão de "registro de saída" e saem do sistema. Quando uma unidade ou pod fecha (ou seja, FT, Yellow, Blue e Green), os leitos "terminam o trabalho já iniciado" e não aceitam mais novos pacientes.
O modelo de simulação é executado por 4 semanas com um período de aceleração de 2 semanas. Cada execução foi replicada 10 vezes para garantir que os parâmetros de validação tivessem a amplitude desejada em torno do parâmetro verdadeiro.
As proporções de tipos de pacientes (nível de acuidade, atribuição de unidade) e o total de pacientes esperados que chegam ao sistema foram extraídos dos dados de teste e comparados com os resultados da simulação para validação, assumindo o projeto de ED baseado em unidade. O modelo é calibrado ajustando os pontos de dados desconhecidos, que incluem o número de visitas de uma enfermeira e o tempo que uma enfermeira ou médico passa com o paciente em cada visita, ajustados com base no nível de acuidade até que os resultados esperados relacionados ao LOS e ao volume do pronto-socorro sejam atendidos.
Duas configurações de ED são consideradas: 1) sistema baseado em unidade [atual] e 2) projeto baseado em pod. As programações de equipe e de pods são variadas em cada configuração e o desempenho é comparado com a demanda esperada, o aumento da taxa de chegada e o aumento do número de pacientes de saúde comportamental. A Tabela 2 lista cada configuração de ED e modelo de equipe (para unidades) ou programação (para pods). Observe que, ao fazer a triagem de pacientes para o sistema de pods, esses experimentos pressupõem que o paciente seja atribuído ao primeiro leito disponível em qualquer pod para o qual o paciente seja elegível (a seção Lógica de Programação descreve as regras de elegibilidade com base no ESI).
O desempenho de cada configuração na Tabela 2 é avaliado em três cenários: demanda esperada, aumento da taxa de chegada e aumento da proporção de pacientes de saúde comportamental. O primeiro cenário é o ambiente de demanda atual do pronto-socorro do Southeastern Health. Um aumento de 10% na taxa de chegada é testado para avaliar cada configuração sob a demanda futura em potencial. Por fim, um aumento de 10% na proporção de pacientes de saúde comportamental (supondo a taxa de chegada padrão) é testado para simular o ambiente após desastres como o furacão Florence. Cada cenário de demanda testa a robustez das configurações de pessoal e unidade.
As três principais métricas de desempenho avaliadas aqui são a LOS do paciente, a utilização de leitos e o volume do pronto-socorro. A LOS é avaliada em cada nível de gravidade do paciente (ESI 1-5). A utilização de leitos é considerada individualmente para cada unidade ou grupo. O volume do pronto-socorro é a média do número de pacientes em todo o pronto-socorro em um determinado momento.
Com a demanda esperada, as configurações são avaliadas com base na média de LOS para cada grupo de gravidade de pacientes (ou seja, nível ESI). A Figura 4 mostra a alteração percentual na média de LOS entre o sistema atual ("Unidade") e a configuração listada. Os melhores modelos têm as mudanças mais negativas. Usando o projeto da unidade atual, a adição de um enfermeiro CC reduz o tempo de permanência em mais de 10% para todos os níveis de acuidade do paciente, enquanto o "Pod:YB24" tem o melhor desempenho em termos de tempo de permanência para pacientes com níveis ESI 1-4.
Também é possível inferir da Figura 4 que ter apenas os pods Azul ou Amarelo abertos 24 horas por dia, 7 dias por semana (ou seja, Amarelo ou Azul estão abertos apenas 12 horas por dia, respectivamente) não é capacidade suficiente para a demanda desse DE. Isso é visto no alto aumento percentual na média de LOS, afetando mais severamente os pacientes de menor acuidade.
Em seguida, consideramos o desempenho sob demanda inesperada (Figura 5(a) e 5(b)). Primeiro, considere um aumento de 10% na taxa de chegada (Figura 5(a)). No projeto da unidade, a configuração com melhor desempenho foi uma enfermeira adicional em CC e ME. Para o projeto do pod, a configuração de melhor desempenho foi manter os pods Amarelo e Azul abertos 24 horas. Com o aumento da taxa de chegada, o sistema atual (Unidade) tem uma LOS média de 264 minutos para todos os pacientes. As configurações de melhor desempenho reduziram a LOS média; a Unit:CCME teve uma LOS média de 235 minutos, enquanto o Pod:YB24 teve uma LOS média de 206 minutos. Analisando cada nível individual de ESI, o sistema baseado em unidade tende a ter uma LOS mais curta para os pacientes menos graves no ESI 5, enquanto o sistema de pods tem uma LOS mais curta para os pacientes mais graves no ESI 1, 2 e 3. A configuração de pods com pods amarelos e azuis abertos 24 horas por dia, 7 dias por semana, superou o desempenho do sistema baseado em unidades com o aumento de chegadas. O outro cenário inesperado explorado é um aumento de 10% nos pacientes de saúde comportamental (Figura 5(b)). Aqui, as configurações de melhor desempenho foram Pod:YB24 e CC2, sendo que a configuração de pods com pods amarelos e azuis abertos 24 horas por dia, 7 dias por semana, superou o desempenho geral das outras configurações. De interesse especial aqui é o ESI 2, que é o nível de gravidade em que os pacientes de saúde comportamental são classificados. Novamente, o PodYB24 supera ligeiramente o CC2 nesse nível de acuidade. Em ambas as condições inesperadas, a Unidade:CC2 e o Pod:YB24 reduziram a média de LOS em todos os níveis de acuidade em comparação com a configuração atual da equipe. A maior mudança entre os projetos de pod e de unidade pode ser vista nos pacientes mais graves; o sistema de pod e sua meta de equilibrar a carga de trabalho resultam em um LOS médio mais baixo para os pacientes ESI 1.
Para avaliar o uso eficiente dos recursos, foi calculada uma média ponderada de utilização por pod ou por unidade para levar em conta o número variável de leitos em cada unidade. Conforme descrito acima, nas configurações de pod, o número de leitos varia de 10 (Roxo e Laranja) a 4 (Azul), enquanto na configuração de unidade o ME tem 26 e o FT tem 6. Para cada configuração na Figura 6, a barra exibe a soma da utilização de cada pod ou unidade multiplicada pelo número de leitos naquele pod ou unidade.
A configuração de pod com o Azul aberto 24 horas por dia tem a maior utilização ponderada, enquanto a configuração de pod com o Amarelo e o Azul abertos 24 horas por dia tem a menor utilização ponderada. Além disso, a Figura 6 mostra que a utilização não muda drasticamente entre as configurações de unidade com níveis variados de pessoal. O mais interessante aqui é entender como a utilização de leitos se relaciona com o tempo de permanência do paciente no pronto-socorro. Comparando a configuração Pod:YB24 nas Figuras 4-6, uma utilização de leitos com menor peso está relacionada a um menor LOS para pacientes do pronto-socorro.
A métrica final considerada para o desempenho é um instantâneo do número de pacientes no pronto-socorro em um determinado momento. Em 10 replicações, o volume médio de pacientes no pronto-socorro e seu intervalo de confiança de 95% foram calculados para cada configuração e estão resumidos na Tabela 3.
Os intervalos de confiança fornecem informações sobre o intervalo de volumes que podem ocorrer no pronto-socorro durante o período de simulação de quatro semanas. Por exemplo, a Unidade:CC2 tem um intervalo de confiança ligeiramente menor e um desvio padrão ligeiramente menor no volume de pacientes em comparação com a configuração atual da unidade. Além disso, o projeto de pod com Amarelo e Azul abertos 24 horas tem o menor intervalo de confiança e desvio padrão de todos os projetos de pod. Pode-se inferir que quanto menores forem as larguras do intervalo de confiança e os desvios padrão, mais essa configuração incentiva um fluxo consistente de pacientes pelo departamento e evita tempos de espera desnecessários para os pacientes. Em geral, as configurações de unidade têm volumes de pacientes menores no ED em comparação com as configurações de pod, mas, conforme exibido nas figuras anteriores, o sistema de pod tende a superar a configuração de unidade em termos de LOS de pacientes.
As configurações de unidade e de casulo são avaliadas de diferentes perspectivas nas Figuras 4-6 e na Tabela 3. Somente avaliando cada projeto de equipe em todas as métricas é que podemos entender como ele afetará os pacientes e a equipe no pronto-socorro.
A variabilidade da carga de trabalho, as chegadas incertas e as restrições de recursos levam a DEs superlotadas, à insatisfação dos pacientes e ao esgotamento dos profissionais. Aqui, as melhorias no fluxo de pacientes em um pronto-socorro foram avaliadas usando uma simulação de eventos discretos para comparar um sistema de pods baseado em equipe com o sistema atual. O desempenho de cada sistema foi medido usando o tempo de permanência do paciente, o volume do pronto-socorro e a eficiência dos recursos. O aplicativo de simulação e os resultados projetados foram demonstrados para o pronto-socorro do Southeastern Health.
Sob a demanda atual esperada, a configuração de pods com pods Amarelo e Azul abertos 24 horas reduziu significativamente a LOS para pacientes de níveis de gravidade ESI 1-4. Essa configuração também tem um bom desempenho em termos de volume de pacientes do pronto-socorro (Tabela 3), com o Pod:YB24 tendo volumes iguais aos do projeto da unidade atual. Por outro lado, essa configuração teve a menor média ponderada de utilização de leitos, sugerindo que poderia haver uma programação que utilizasse os leitos de forma mais otimizada para atender à demanda esperada.
O projeto do pod baseado em equipe tende a ser mais robusto do que o projeto da unidade em ambientes de demanda variável. Se as chegadas ao pronto-socorro aumentarem em 10%, estima-se que um projeto de casulo tenha um tempo médio de permanência do paciente uma hora a menos do que o projeto de equipe atual no Southeastern Health (Figura 5(a)). O sistema de casulos tem o maior impacto sobre os pacientes de alta gravidade, com uma média de tempo de espera significativamente menor até mesmo do que a configuração de unidade com melhor desempenho. Também foi considerado um aumento na proporção de pacientes de saúde comportamental, uma população que afeta significativamente o fluxo de pacientes no pronto-socorro, pois eles permanecem no mínimo 24 horas no pronto-socorro. O projeto do módulo baseado em equipe foi mais eficaz para absorver essa mudança na demanda e manter um baixo tempo médio de permanência do paciente. Especificamente, o projeto de casulo tem uma média de LOS significativamente menor para pacientes ESI 2, o nível de gravidade atribuído a pacientes de saúde comportamental, em comparação com as configurações de unidade, o que tem um efeito cascata na redução de LOS para outros níveis de gravidade.
Este trabalho é o primeiro passo para simplificar o redesenho do atendimento do pronto-socorro do Southeastern Health para um projeto baseado em cápsulas. As compensações entre as métricas de desempenho do atendimento ao paciente, como a LOS e o volume do pronto-socorro, e as métricas financeiras da programação do horário de funcionamento dos módulos e da equipe são de especial interesse. Ainda há trabalho a ser feito na análise do desempenho das configurações de unidades e de módulos usando métricas alternativas, como o número de pacientes "deixados sem serem atendidos", o tempo de espera por um leito no pronto-socorro e a utilização de enfermeiros e prestadores de serviços. Outros experimentos a serem considerados são regras alternativas de roteamento para pods e a inclusão de residentes como recurso. Por fim, o modelo pode continuar a ser aprimorado com o acréscimo de detalhes, como a identificação de pacientes com trauma e a inclusão de consultas de atendimento comunitário. À medida que o sistema de pods se desenvolve no Southeastern Health, outros experimentos com a atribuição de pods podem ser realizados para melhorar o equilíbrio da carga de trabalho e diminuir ainda mais os tempos de espera. Além disso, a exploração da programação de pods e da equipe ajudará a informar as operações do DE no Southeastern Health.
Como os departamentos de emergência de todo o país estão observando um aumento nas taxas de chegada e uma possível redução nos orçamentos e na equipe, é necessário melhorar a eficiência do atendimento sem aumentar os requisitos de recursos. O modelo de simulação desenvolvido aqui sugere que os DEs podem melhorar o fluxo de pacientes e, ao mesmo tempo, utilizar os recursos de forma mais eficiente, mudando para um projeto de atendimento baseado em equipe. Além das métricas de desempenho, descobriu-se que os modelos de atendimento em equipe no pronto-socorro aumentam a satisfação do paciente, melhoram o ambiente de aprendizado para os médicos residentes e diminuem o esgotamento dos profissionais. O aprimoramento desse modelo e o teste de novos experimentos de pessoal e encaminhamento de pacientes informarão os formuladores de políticas hospitalares e os capacitarão a tomar decisões baseadas em evidências; em última análise, oferecerão atendimento eficiente e de alta qualidade aos pacientes usando modelos de pessoal robustos o suficiente para resistir a um futuro incerto.
Os autores gostariam de fazer um agradecimento especial a Katy Smith por ser um recurso constante do Simio e uma solucionadora de problemas insubstituível. Além disso, este projeto não teria sido possível sem Donna Coleman, Kyle Collins, Jason Cox e toda a equipe de ED da Southeastern Health.
BREANNA SWAN é estudante de doutorado no Departamento de Engenharia Industrial e de Sistemas de Edward P. Fitts da Universidade Estadual da Carolina do Norte. Ela tem mestrado em Matemática pela Universidade de Wisconsin - Milwaukee. Seus interesses de pesquisa são o uso eficaz de big data em tempo real por meio de simulações, análise preditiva e modelos de otimização, especificamente no que se refere à área de saúde. Seu endereço de e-mail ébpswan@ncsu.edu.
OSMAN Y. ÖZALTIN é professor assistente do Edward P. Fitts Department of Industrial and Systems Engineering e membro do Personalized Medicine Faculty Cluster da North Carolina State University. Recebeu seus diplomas de mestrado e doutorado em engenharia industrial pela Universidade de Pittsburgh. Seus interesses de pesquisa abrangem aspectos teóricos, computacionais e aplicados da programação matemática, com foco em problemas de otimização que surgem na saúde pública, na medicina personalizada e na prestação de serviços de saúde. Seus métodos incluem programação inteira, programação estocástica e programação de dois níveis. Seu e-mail éoyozalti@ncsu.edu.
SONJA HILBURN é diretora de serviços de emergência da Southeastern Health. Ela recebeu seu BSN da University of North Carolina-Wilmington e seu MSN da Western Governors University. Seus interesses de pesquisa são reduzir o tempo de permanência e melhorar a experiência do paciente no pronto-socorro; seu trabalho foi reconhecido no Atrium Health's 2018 Touchstone Awards, que é concedido a projetos de alto desempenho que demonstram as melhores práticas em segurança do paciente e resultados clínicos. Seu e-mail éhilbur01@srmc.org.
ELIZABETH GIGNAC, DO, atua como Diretora Associada e Diretora do Programa de Residência em Medicina de Emergência na Southeastern Health em Lumberton, NC. A Dra. Gignac fundou o primeiro programa de residência em medicina de emergência osteopática do estado com a Campbell University School of Osteopathic Medicine, onde continua a atuar como membro do corpo docente. Ela cursou a faculdade de medicina na Michigan State University College of Osteopathic Medicine e concluiu sua residência em EM na Metro Health em Grand Rapids, MI. Seu e-mail égignac01@srmc.org.
GEORGE MCCAMMON JR., DO, atua como Diretor Médico de Emergência, Diretor Médico Assistente de EMS, Especialista em Contato Médico Epic e Diretor Associado do Programa de Residência em Medicina de Emergência na Southeastern Health em Lumberton, NC. Ele também é membro do corpo docente de Medicina de Emergência da Escola de Medicina Osteopática da Universidade Campbell. Seus interesses de pesquisa incluem o desempenho da medicina em situações inesperadas, como os furacões Matthew e Florence. Ele cursou a faculdade de medicina na WV School of Osteopathic Medicine e sua residência em EM no Metro Health Hospital em Grand Rapids, MI. Seu e-mail émccamm01@srmc.org.
Agor, J., K. McKenzie, M. Mayorga, O. Ozaltin, R. Parikh e J. Huddleston. 2018. "Simulating Triage of Patients into an Internal Medicine Department to Validate the Use of an Optimization-Based Workload Score" (Simulação de triagem de pacientes em um departamento de medicina interna para validar o uso de uma pontuação de carga de trabalho baseada em otimização). Em Proceedings of the Winter Simulation Conference, editado por W. K. V. Chan, A. D'Ambrogio, G. Zacharewicz, N. Mustafee, G. Wainer e E. Page, 2881-2892.
Augusto, V., M. Murgier e A. Viallon. 2018 . "Estrutura de modelagem e simulação para controle inteligente de unidades de emergência em caso de crise grave". Em Proceedings of the 2018 Winter Simulation Conference, editado por M. Rabe, A.A. Juan, N. Mustafee, A. Skoogh, S. Jain e B. Johansson, 2495-2506.
Dinh, M. M., T. C. Green, K. J. Bein, S. Lo, A. Jones e T. Johnson. 2015. "Emergency Department Clinical Redesign, Team-Based Care and Improvements in Hospital Performance: A Time Series Analysis". Emergency Medicine Australasia 27(4):317-22.
Nable, J., J. C. Greenwood, M. K. Abraham, M. C. Bond e M. E. Winters. 2014. "Implementation of a Team-Based Physician Staffing Model at an Academic Emergency Department" (Implementação de um modelo de equipe de médicos em um departamento de emergência acadêmico). Western Journal of Emergency Medicine 15(6):682-686.
Oh, C., A. M. Novotny, P. L. Carter, R. K. Ready, D. D. Campbell e M. C. Leckie. 2016. "Use of a Simulation-Based Decision Support Tool to Improve Emergency Department Throughput" [Uso de uma ferramenta de apoio à decisão baseada em simulação para melhorar o rendimento do departamento de emergência]. Operations Research for Health Care 9:29-39.
Patel, P. B. e D. R. Vinson. 2005. "Sistema de atribuição de equipes: Expediting Emergency Department Care". Annals of Emergency Medicine 46(6):499-506.
Sir, M. Y., D. Nestler, T. Hellmich, D. Das, M. J. Laughlin Jr., M. C. Dohlman e K. Pasupathy. 2017. "Optimization of Staffing Improves Patient Experience at Mayo Clinic" (Otimização da equipe melhora a experiência do paciente na Clínica Mayo). Interface 47(5):369-471.
Wiler, J. L., R. T. Griffey e T. Olsen. 2011. "Review of Modeling Approaches for Emergency Department Patient Flow and Crowding Research". Academic Emergency Medicine 18(12):1371-79.