A fragmentação é um problema comum no sistema de prestação de serviços de saúde dos Estados Unidos. Para pacientes com condições médicas complexas que exigem vários provedores, esse problema é particularmente desconcertante. Uma solução que está sendo desenvolvida, chamada de Unidade de Prática Integrada (IPU), envolve uma equipe multidisciplinar co-localizada de provedores que abordam a condição médica de um paciente em um ciclo completo de atendimento. Neste artigo, usamos simulação para projetar uma IPU WorkLife que trata de problemas médicos que surgem no local de trabalho, desde doenças menores até lesões agudas não urgentes. Mais especificamente, determinamos a agenda de consultas de um paciente e o número de recursos necessários para atingir as metas de rendimento do paciente, tempo de fechamento da clínica e tempo de espera do paciente definidas pela gerência da UIP.
Historicamente, o sistema de prestação de serviços de saúde dos Estados Unidos tem sido fragmentado. Assim, os pacientes com condições médicas que exigem vários provedores precisam coordenar e executar seu próprio plano de atendimento. Quanto mais complexa a condição, mais desafiador é para os pacientes, especialmente para aqueles de populações carentes. Porter e Teisburg (2006) argumentam que a causa principal dessa fragmentação tem sido a concorrência dentro do sistema no nível errado. Mais especificamente, eles afirmam que a concorrência é muito restrita (por exemplo, no nível de um serviço específico) ou muito ampla (por exemplo, no nível dos planos de saúde) e, em vez disso, deveria "ocorrer para tratar de condições médicas durante todo o ciclo de atendimento" (Porter e Teisburg 2006, página 44). Esse último tem o potencial de criar maior valor para pacientes e provedores e resultar em abordagens mais integradas para a prestação de serviços de saúde.
Para abordar diretamente essa questão, Porter e Lee (2013) definem o conceito de Unidade de Prática Integrada (UPI). Uma IPU é uma equipe multidisciplinar e co-localizada de provedores projetada para tratar o ciclo completo de atendimento de uma condição médica específica. Em uma IPU, os provedores se deslocam ao redor dos pacientes, em vez de os pacientes terem que se deslocar para visitar vários provedores em locais diferentes. A "condição médica específica" considerada neste documento são problemas relacionados ao local de trabalho, desde doenças e queixas menores até lesões agudas não urgentes. Outras aplicações consideradas incluem o tratamento de câncer no MD Anderson Cancer Center em Houston, TX, uma clínica de coluna no Virginia Mason Medical Center em Seattle, WA, tratamento cardíaco e vascular na Cleveland Clinic em Cleveland, OH (Porter e Lee 2013) e uma clínica de saúde da mulher e tratamento de uma variedade de condições musculoesqueléticas na Dell Medical School (DMS) em Austin, TX (Koenig et al. 2016, Morrice et al. 2018).
Neste artigo, usamos a simulação para ajudar no projeto da WorkLife IPU na DMS da Universidade do Texas em Austin. Mais especificamente, determinamos uma agenda de consultas de pacientes e o número de recursos necessários para atingir as metas de capacidade, tempo de fechamento da clínica e tempo de espera do paciente. Do ponto de vista da programação, uma UIP pode ser vista como uma combinação estendida de uma loja de fluxo flexível e uma loja aberta (Pinedo 2016) com vários tipos de pacientes em diferentes caminhos de atendimento por meio de uma equipe multidisciplinar de provedores. Com tempos de chegada e serviços estocásticos, juntamente com roteamento estocástico, as formulações ideais para determinar o fluxo de pacientes e recursos são intratáveis. Outro fator complicador é o fato de a UIP enfrentar uma mistura de pacientes agendados e pacientes que chegam sem agendamento. Por isso, recorremos à simulação.
Há vários estudos de simulação sobre a prestação de serviços de saúde. Swisher et al. (2001) foram um dos primeiros a criar um modelo usando um pacote de simulação orientado a objetos com recursos gráficos. Eles estudaram uma clínica familiar com o objetivo de maximizar uma combinação de lucro da clínica e satisfação do paciente e da equipe. Os resultados foram baseados em um projeto fatorial fracionário que incluía o número de profissionais de nível médio, o número de enfermeiros, o número de assistentes médicos, o número de salas de check-in, o número de salas de exames e o número de salas de especialidades. Em um trabalho estreitamente relacionado ao nosso, White et al. (2011) desenvolveram uma simulação de eventos discretos com base empírica para examinar as interações entre as políticas de agendamento de pacientes e as políticas de alocação de capacidade (ou seja, o número de salas de exame disponíveis) e como elas afetam conjuntamente a utilização de recursos, o tempo de espera do paciente e outras medidas de desempenho. Os dados foram coletados em uma clínica ortopédica ambulatorial com dois tipos diferentes de pacientes, cinco registradores, dois técnicos em radiologia e um único médico. Uma das principais diferenças em nosso trabalho de UIP é a centralidade do paciente, com os provedores se deslocando para os pacientes, em vez de os pacientes se deslocarem para diferentes provedores.
O restante do artigo está organizado da seguinte maneira. A Seção 2 contém a descrição do problema. Na Seção 3, descrevemos o modelo. A Seção 4 apresenta os resultados da nossa análise e a Seção 5 contém as observações finais.
A WorkLife IPU na Dell Medical School (WorkLife 2018) oferece vários serviços. Ela funciona como uma clínica de atendimento ambulatorial que trata de condições médicas menores (por exemplo, entorses e distensões, resfriados e gripes) e fornece vacinas comuns, como vacinas contra gripe, para trabalhadores de empresas próximas. A IPU também atua como uma clínica de saúde ocupacional e lesões, realizando exames físicos e testes de drogas e tratando lesões agudas não urgentes no local de trabalho. Para dar suporte ao lado ocupacional do negócio, a Worklife fornece suporte administrativo aos pacientes e seus empregadores para indenização de trabalhadores e acidentes de trabalho, como dois exemplos.
Com inúmeros serviços e uma abordagem coordenada de atendimento, a WorkLife IPU conta com uma equipe de vários provedores de diferentes níveis e atende a cinco tipos diferentes de pacientes, cada um com sua própria via de atendimento. A equipe do Caso Base inclui um médico, dois profissionais de enfermagem (NPs), dois assistentes médicos (MAs), dois funcionários administrativos (chamados de Admins) e um radiologista. O médico reside na clínica cerca de 40% do tempo. Tanto o médico quanto o radiologista são recursos compartilhados com outras IPUs na Dell Medical School. Os recursos também incluem quatro salas de exame e dois banheiros para triagem de drogas.
Os pacientes são categorizados como Lesionados, Não lesionados, Não lesionados que requerem apenas MA (apenas MA, para abreviar), Apenas exame de drogas e Acompanhamento. O paciente de Follow-up representa uma consulta de acompanhamento de uma visita anterior para um único incidente. As Figuras 1 a 5 mostram as vias de atendimento para todos os tipos de pacientes. Com relação à Figura 1, após o check-in, os pacientes com lesão podem precisar de um exame toxicológico. Em seguida, eles são colocados em uma sala e passam por uma triagem. Dependendo da gravidade da lesão, o paciente é atendido por um médico ou por um NP. Um raio X é realizado, se necessário, e o paciente retorna ao provedor para tratamento. Após a conclusão do tratamento, o paciente faz o check-out da clínica. Os pacientes que não sofreram lesões seguem um caminho muito semelhante, exceto pelo fato de consultarem apenas o NP (Figura 2). Pacientes MA Only (Figura 3) precisam de cuidados menores e, como o nome sugere, eles só consultam o MA. Alguns pacientes nessa via precisam apenas de uma injeção (por exemplo, uma imunização). Os demais seguem um caminho semelhante ao dos pacientes com lesões e sem lesões. Como ilustra a Figura 4, os pacientes de triagem de medicamentos seguem um caminho simples. O exame toxicológico é realizado pelo MA. Os pacientes de acompanhamento seguem um caminho semelhante ao dos pacientes com lesões e sem lesões, exceto pelo fato de que nenhum deles precisa de um exame toxicológico, pois, se necessário, ele teria sido realizado na visita inicial. É importante observar que, em uma UTIP, quando um paciente é designado para um quarto, esse quarto permanece até que ele faça o check-out. Com exceção do radiologista que atende pacientes em uma instalação especializada em raios X, todos os provedores visitam o paciente no quarto ao qual ele foi designado.
Para a WorkLife IPU, cerca de 40% dos pacientes precisam de um intérprete e esses pacientes passam aproximadamente 20% mais tempo com cada provedor, em média. Embora a necessidade de um intérprete não altere os caminhos do atendimento, do ponto de vista da modelagem, é necessário considerar 10 tipos de pacientes. As visitas de acompanhamento constituem cerca de 35% dos pacientes em um determinado dia. Por definição, são consultas agendadas. Os demais tipos de pacientes são visitas não programadas.
A gerência da WorkLife IPU pediu à nossa equipe de pesquisa que os ajudasse a projetar uma clínica com os seguintes requisitos médios. Primeiro, eles queriam poder atender 55 pacientes por dia. Em segundo lugar, o horário de fechamento da clínica precisava ser próximo de 9 horas (ou 17 horas da tarde, já que a clínica está programada para abrir às 8 horas) para evitar o pagamento de horas extras. Em terceiro lugar, o tempo de espera para o check-in, a arrumação dos quartos e o exame toxicológico deveriam ser de menos de cinco minutos para melhorar a experiência do paciente. Por fim, eles queriam conseguir atender a esses requisitos com um aumento mínimo nos níveis de pessoal do Caso Base.
Modelamos a WorkLife IPU usando o Simio (Simio 2018). O modelo é mostrado na Figura 6. Como se tratava de um projeto de design, os dados para a simulação foram coletados de diagramas de fluxo de processo planejados e de uma série de reuniões com os provedores que trabalhariam na clínica. Vamos nos referir a esse grupo como nosso painel de especialistas. As discussões produziram dados sobre a combinação de tipos de pacientes e a porcentagem de pacientes de cada tipo que precisam de cada recurso (Tabela 1). Esses últimos determinaram o roteamento dos pacientes na simulação. Observação: a designação "(I)" na Tabela 1 (e nas tabelas subsequentes) indica um tipo de paciente que precisa de um intérprete. As deliberações também produziram distribuições de tempo de processamento em cada estágio do processo para cada tipo de paciente (Tabela 2). Observe que, em todos os casos, usamos distribuições triangulares e solicitamos estimativas de parâmetros mínimos, médios e máximos ao painel de especialistas. Esses parâmetros foram determinados para pacientes que não precisam de um intérprete. Para aqueles que precisaram, os valores dos parâmetros foram aumentados em 20%. Nosso painel de especialistas desenvolveu o valor de 20% por consenso. As células em branco nas Tabelas 1 e 2 indicam que o tipo de paciente não visita o estágio ou o recurso.
É importante observar que não havia dados históricos sobre a WorkLife IPU para estimar as distribuições de tempo de atendimento. Por isso, tivemos que nos basear na opinião de especialistas. Em tais circunstâncias, as distribuições triangulares foram consideradas eficazes, porque os parâmetros são compreensíveis para os especialistas no domínio e, portanto, fáceis de solicitar (por exemplo, consulte Swisher et al. 2001). Além disso, com três parâmetros, a distribuição triangular oferece a flexibilidade de construir distribuições distorcidas ou simétricas com qualquer intervalo e modo desejados. Por fim, o painel de especialistas tinha, em conjunto, dezenas de anos de experiência com as diversas atividades do processo. Assim, conseguimos solicitar estimativas razoavelmente boas para os parâmetros de distribuição do tempo de serviço ao criar um acordo entre os especialistas.
Voltando ao modelo de simulação da Figura 6, os dez tipos diferentes de pacientes são representados pelas entidades no canto superior esquerdo da figura. Os pacientes que entram (ou seja, todos os pacientes que não fazem acompanhamento) são gerados pelo nó de origem rotulado como "Unscheduled" (não programado) e os acompanhamentos pelo nó de origem "Scheduled" (programado). Como a meta é atender, em média, 55 pacientes por dia, 36 são pacientes não agendados e 19 pacientes agendados. A gerência da UIP acredita que os walk-ins chegam uniformemente entre as 8h e as 16h. Portanto, o nó de origem "Unscheduled" gera 4,5 pacientes por hora de acordo com uma distribuição de Poisson. Novamente, como não havia dados históricos de demanda, tivemos que nos basear na opinião de especialistas. Os especialistas acreditavam que não haveria períodos de horário de pico para pacientes que entrassem, com base em sua experiência em outras clínicas com dados demográficos de pacientes semelhantes. Mais detalhes sobre a programação para os 19 pacientes de acompanhamento restantes serão fornecidos na Seção 4.
Embora o modelo de simulação da Figura 6 imite a lógica do caminho do atendimento descrito nas Figuras 1 a 5, ele contém algumas complexidades que exigem explicações adicionais. Primeiro, o médico é residente na UIP apenas cerca de 40% do tempo, pois ele é necessário apenas para uma porcentagem muito pequena de alguns tipos de pacientes (consulte a Tabela 2). Se um paciente chega precisando do médico quando ele não está presente, ele é enviado para ver um médico em uma UIP vizinha de Musculoskeletal (MSK). Essa lógica é representada no modelo pelas estações "Physician_Check", "Physician" e "MSK". Se os pacientes forem para a MSK, considera-se que saíram do sistema atual e não são mais rastreados, pois agora estão associados a outra IPU fora do escopo deste estudo. Os pacientes que consultam o médico da WorkLife IPU e precisam de um raio X são acompanhados pelo MA. Isso é representado pela estação "MA_Escort_to_X-ray" com um tempo de processamento de distribuição triangular (3,5,8). Por fim, os provedores devem preencher a documentação após cada paciente. Isso requer uma lógica complexa usando o Simio Processes para garantir que essa etapa seja concluída antes que o provedor atenda outro paciente.
Os 19 pacientes de acompanhamento estão programados para chegar à WorkLife IPU durante o dia, em intervalos de 20 minutos, a partir das 8h, sem consultas programadas entre 11h20 e 13h para facilitar o intervalo para o almoço. Portanto, o último horário agendado para o paciente começa às 15h40min. A programação é mostrada na Tabela 3, que foi determinada por meio de experimentos. Primeiro, como os walk-ins são distribuídos uniformemente ao longo do dia, fazia sentido distribuir os pacientes agendados ao longo do dia em vez de agrupá-los. Em segundo lugar, experimentamos diferentes durações de intervalos de agendamento e descobrimos que intervalos menores que 20 minutos resultaram em um congestionamento significativamente maior no sistema, dificultando o cumprimento das metas de tempo de espera para check-in, acomodação em salas e triagem de medicamentos. Em outras palavras, intervalos de tempo menores levaram efetivamente ao agrupamento do número fixo de pacientes. Os intervalos maiores que 20 minutos resultaram em tempos de fechamento da clínica significativamente mais longos, dificultando o cumprimento da meta de tempo de fechamento da clínica.
É importante observar que a abordagem de agendamento que usamos é chamada de IBFI (bloco individual/intervalo fixo). Em outro trabalho de design da UIP (Morrice et al. 2018), consideramos o IBFI e várias outras regras de agendamento da literatura de agendamento de serviços de saúde (Bard et al. 2016; Cayirili et al. 2006; Milhiser et al. 2012) e descobrimos que nenhuma era dominante. Entre elas estavam a TwoBeg (dois pacientes são agendados no horário zero e um paciente a cada 15 minutos depois disso), MBFI (bloco múltiplo/intervalo fixo, em que dois pacientes são agendados a cada 30 minutos) e DOME, em que os pacientes agendados no início e no final do dia são mais espaçados entre si do que os agendados no meio do dia. Por isso, usamos o IBFI devido à sua facilidade de compreensão e implementação.
Consideramos quatro cenários em nossa análise. A Tabela 4 contém os recursos usados em cada cenário. As Tabelas 5 e 6 apresentam os resultados da análise de simulação. Cada cenário é simulado para 500 dias de operação da WorkLife IPU. Primeiro, vamos nos concentrar nos resultados do Caso Base. Lembre-se de que o Caso Base (coluna 2 na Tabela 4) tem um médico, dois NPs, dois MAs, dois administradores, um radiologista, quatro salas e dois banheiros. A Tabela 5 mostra claramente que o Caso Base não consegue atingir os objetivos da gerência. Em particular, o tempo médio de fechamento da clínica é significativamente maior do que 9 horas (ou 540 minutos) desde o início de cada dia simulado, e os tempos médios de espera para check-in, arrumação de quartos e exame toxicológico são todos significativamente maiores do que cinco minutos, ultrapassando o dobro ou até mesmo o triplo dessa meta.
A Tabela 6 indica que o Admin e o MA são, de longe, os recursos mais restritos. Isso não é totalmente surpreendente, pois, de acordo com as Tabelas 1 e 2, todos os pacientes precisam ver o administrador no check-in e no check-out e cada um desses estágios pode levar um tempo significativo devido à burocracia envolvida em incidentes médicos relacionados ao local de trabalho. Além disso, o MA deve atender a todos os pacientes e os MAs realizam várias etapas do processo. Foi um tanto surpreendente para a gerência e para a equipe de pesquisa que ambos os recursos tivessem uma utilização tão alta e semelhante, já que desempenham funções muito diferentes na UIP.
No outro extremo do espectro, o médico e o radiologista têm utilizações muito baixas. No entanto, esses números refletem apenas as utilizações na UIP WorkLife e não as utilizações em todas as UIPs em que eles trabalham.
Como a gerência queria que tentássemos melhorar o sistema com o mínimo de recursos possível, consideramos os possíveis benefícios de aumentar apenas o número de Admins para 3, depois apenas o número de MAs para 3 e, finalmente, o cenário em que ambos são definidos como 3. De acordo com a Tabela 5, aumentar o número de Admins para 3 reduz significativamente o tempo de fechamento da clínica, mas não o suficiente para atingir a meta de 540 minutos. Também diminui significativamente as medidas de desempenho secundário do tempo do paciente no sistema e o tempo total de espera do paciente. O tempo de espera para o check-in diminui drasticamente e atinge a meta de menos de cinco minutos, mas às custas de um aumento significativo nos tempos de espera para o alojamento e o exame toxicológico. Portanto, embora o acréscimo de um administrador adicional melhore algumas medidas importantes de desempenho, ele exacerba os gargalos existentes associados ao MA.
O acréscimo de apenas um administrador melhora significativamente o tempo de fechamento da clínica (embora não seja inferior à meta de 540 minutos), o tempo do paciente no sistema e o tempo total de espera do paciente. Isso também reduz tremendamente o tempo de espera para a acomodação e o exame toxicológico. Infelizmente, mas não surpreendentemente, não faz nada em relação ao tempo de espera para o check-in.
Somente quando os dois recursos são adicionados simultaneamente é que o sistema atinge todas as metas de gerenciamento. Além disso, também há reduções drásticas no tempo do paciente no sistema e no tempo total de espera do paciente. Portanto, a estratégia ideal para a UIP do WorkLife seria contratar mais um administrador e outro MA. Por um lado, é uma boa notícia o fato de que as metas podem ser atingidas com a adição dos recursos mais baratos. Entretanto, elas não podem ser atingidas a menos que ambos os recursos sejam somados, o que é uma proposta mais cara.
Reconhecendo o desejo da gerência de um aumento mínimo nos níveis de pessoal do Caso Base, nossos resultados também mostram os benefícios de adicionar apenas um ou outro recurso, talvez sequencialmente ao longo do tempo, conforme o orçamento permitir. Com base puramente nas estatísticas, parece que adicionar um MA primeiro traria o maior benefício, pois o tempo de espera para o alojamento e o exame toxicológico diminuem drasticamente, o tempo de espera para o check-in não piora em relação ao Caso Base e as outras três medidas de desempenho são estatisticamente indistinguíveis entre os cenários de 3 administradores e 3 MAs. No entanto, adicionar um administrador primeiro praticamente elimina o tempo de espera no check-in, mas causa efeitos deletérios nas filas de alojamento e de exame toxicológico. Novamente, todas as outras estatísticas são iguais entre os cenários de 3 administradores e 3 MAs. É claro que, se a eliminação da fila no check-in for uma prioridade maior do que em outros estágios, a fim de admitir pacientes no sistema mais rapidamente (um motivo não estatístico), adicionar um Administrador primeiro pode ser uma opção a ser considerada pela gerência.
Por fim, a Tabela 6 mostra que, com 3 administradores e 3 MAs, as utilizações são amplamente equilibradas entre os quatro recursos principais: Administradores, MAs, NPs e salas. Portanto, é provável que haja pouco benefício com a simples adição de um quarto administrador e/ou MA.
Neste artigo, usamos a simulação para o projeto de um ambulatório complexo e multidisciplinar que atende a muitos tipos diferentes de pacientes, chamado de Unidade de Prática Integrada. Em um sentido mais geral, a IPU pode ser vista como uma loja de fluxo flexível híbrida estendida e uma loja aberta com requisitos complexos de programação de trabalho (ou paciente). O problema considerado neste documento para uma IPU WorkLife foi particularmente desafiador porque os pacientes de acompanhamento agendados devem ser intercalados com os pacientes que chegam. Descobrimos que, como os pacientes que chegam eram distribuídos uniformemente ao longo do dia, era melhor adotar uma programação que também distribuísse os pacientes agendados ao longo do dia. Isso nos permitiu focar na obtenção de uma duração de intervalo de agendamento que atingisse o equilíbrio certo entre o congestionamento do sistema e o horário de fechamento da clínica.
Duração do intervalo que atingiu o equilíbrio certo entre o congestionamento do sistema e o horário de fechamento da clínica. Nossa análise de cenário mostrou que, para atingir as metas da gerência para determinadas medidas de desempenho, a WorkLife IPU teria de acrescentar dois recursos adicionais ao mesmo tempo: um administrador adicional e outro MA. Teria sido difícil determinar isso sem um estudo de simulação, pois os administradores e os MAs desempenham funções múltiplas e diferentes na clínica. A gerência da WorkLife IPU ficou muito satisfeita com essas percepções, juntamente com o cronograma e o rendimento que mostramos que a IPU poderia esperar alcançar. Os provedores foram da opinião de que teriam que descobrir o que pudemos mostrar por meio de simulação usando tentativa e erro no sistema real, mas isso teria sido muito mais caro e perturbador durante o início das atividades da nova clínica.
No entanto, o estudo atual tem três limitações principais. Primeiro, a falta de dados históricos significa que tivemos que nos basear muito na opinião de especialistas, que poderia ser tendenciosa. Entretanto, essa é a natureza do projeto de "campo verde". O trabalho em andamento envolve a adaptação do modelo de simulação para apoiar a tomada de decisões quando a clínica estiver totalmente operacional. Em outras palavras, o modelo de simulação será modificado para dar suporte às operações clínicas em andamento e não ao projeto da clínica. Com uma clínica totalmente operacional, poderemos coletar dados, estimar distribuições e fazer ajustes com base nesses dados atualizados.
Em segundo lugar, consideramos apenas a simulação de um conjunto finito e relativamente pequeno de cenários. Em trabalhos futuros, continuaremos a trabalhar para aprimorar o agendamento de consultas de pacientes da UIP usando outras técnicas de simulação e otimização. Por fim, com recursos compartilhados entre as IPUs do WorkLife e do MSK, seria melhor simular essas duas clínicas simultaneamente para entender suas interações. Isso também faz parte dos nossos planos de pesquisa futuros.
Gostaríamos de agradecer ao Sr. Pete Cardenas e à equipe da WorkLife Clinic da Universidade do Texas em Austin por sua orientação e apoio neste projeto. O apoio adicional foi fornecido por uma concessão da Simio Academic Software License Institution Grant.
DOUGLAS J. MORRICE é professor de Supply Chain and Operations Management na Universidade do Texas em Austin. É professor do Centennial Professorship in Business de Bobbie e Coulter R. Sublett e pesquisador sênior do Centro de Excelência em Gestão da Cadeia de Suprimentos da Universidade do Texas. Ele tem um Ph.D. em ORIE pela Cornell University. Seus interesses de pesquisa incluem design, modelagem e análise de simulação, gerenciamento de prestação de serviços de saúde e gerenciamento de riscos da cadeia de suprimentos. O Dr. Morrice foi coeditor dos Anais da Conferência de Simulação de Inverno de 1996 e presidente do programa da Conferência de Simulação de Inverno de 2003. Ele atuou como representante da INFORMS Simulation Society no Conselho de Administração da Winter Simulation Conference de 2004 a 2012. Seu endereço de e-mail é douglas.morrice@mccombs.utexas.edu.
JONATHAN F. BARD é professor de Pesquisa Operacional e Engenharia Industrial no Departamento de Engenharia Mecânica da Universidade do Texas em Austin. É titular da Industrial Properties Corporation Endowed Faculty Fellowship e atua como Diretor Associado do Center for the Management of Operations and Logistics. Ele recebeu um D.Sc. em Pesquisa Operacional da The George Washington University e lecionou anteriormente na University of California - Berkeley e na Northeastern University. Seus interesses de pesquisa são o projeto e a análise de sistemas de fabricação, programação de pessoal, prestação de serviços de saúde e algoritmos para programas inteiros de grande escala. Ele é membro do IIE e do INFORMS e engenheiro profissional registrado no Estado do Texas. Seu endereço de e-mail é jbard@utexas.edu.
HARSHIT MEHTA é estudante de pós-graduação da Universidade do Texas em Austin, com especialização em Pesquisa Operacional e Engenharia Industrial. Trabalhou como estagiário de ciência de dados na Nexstar Digital. É bacharel em Engenharia Mecânica pela Universidade Tecnológica de Delhi (Índia). Seu endereço de e-mail é harshit.mehta@utexas.edu.
SWARUP SAHOO é estudante de mestrado em Pesquisa Operacional e Engenharia Industrial na Universidade do Texas em Austin. Ele também é estagiário de pesquisa no MD Anderson Cancer Center em Revenue Cycle Analytics. Ele é bacharel em Engenharia Mecânica pelo Instituto Nacional de Tecnologia de Rourkela, na Índia. Seus interesses de pesquisa incluem análise em saúde e gerenciamento de cadeia de suprimentos, simulação e aprendizado de máquina. Seu endereço de e-mail é swarupsahoo@utexas.edu.
NATESH BABU ARUNACHALAM é estudante de pós-graduação na UT Austin, com especialização em ORIE. Seus interesses de pesquisa incluem econometria, análise de dados e aprendizado de máquina. Ele está pesquisando sobre modelagem estatística de preços de petróleo bruto. Seu endereço de e-mail é natesh@utexas.edu.
PRASHANTH VENKATRAMANé aluno de pós-graduação do programa de Pesquisa Operacional e Engenharia Industrial da Universidade do Texas em Austin. Ele é assistente de pesquisa de pós-graduação na Cockrell School of Engineering. Ele é bacharel em Engenharia de Produção pelo Instituto Nacional de Tecnologia, Tiruchirappalli (Índia). Seus interesses de pesquisa incluem projeto de redes de transporte, sistemas inteligentes de transporte, aprendizado de máquina e otimização. Seu endereço de e-mail é prashv92@utexas.edu.
Bard, J.F., Z. Shu, D.J. Morrice, D. Wang, R. Poursani e L. Leykum. 2016. "Improving Patient Flow at a Family Health Clinic" (Melhorando o fluxo de pacientes em uma clínica de saúde da família). Health Care Management Science 19(2): 170-191.
Cayirili, T., E. Veral e H. Rosen. 2006. "Designing Appointment Scheduling Systems for Ambulatory Care Services" (Projetando sistemas de agendamento de consultas para serviços de atendimento ambulatorial). Health Care Management Science 9: 47-58.
Koenig, K.M. e K.J. Bozic. 2015. "Orthopaedic Healthcare Worldwide: The Role Of Standardization in Improving Outcomes" (O papel da padronização na melhoria dos resultados). Clinical Orthopaedics and Related Research 473(11): 3360-3363.
Millhiser, W.P., E.A. Veral e B.C. Valenti. 2012. "Assessing Appointment Systems' Operational Performance with Policy Targets" (Avaliando o desempenho operacional dos sistemas de indicação com metas de política). IIE Transactions on Healthcare Systems Engineering 2: 274-289.
Morrice, D.J., J.F. Bard e K.M. Koenig. 2018. "Designing and Scheduling a Multi-provider Integrated Practice Unit for Patient-Centered Care" (Projeto e programação de uma unidade de prática integrada de vários prestadores para atendimento centrado no paciente). (Enviado para publicação.) Pinedo, M.L. 2016. Agendamento: Theory, Algorithms, and Systems. 5ª Editi
Porter, M.E. e E. Olmsted-Teisberg. 2006. Redefining Healthcare Delivery: Creating Value-Based Competition on Results [Redefinindo a prestação de serviços de saúde: criando uma concorrência baseada em valor e resultados]. Boston, MA: Harvard Business School Press.
Porter, M.E. e T.H. Lee. 2013. "The Strategy That Will Fix Health Care" [A estratégia que consertará o sistema de saúde]. Harvard Business Review, outubro de 2013: 50-70.
Swisher, J.R., S.H. Jacobson, J.B. Jun e 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 e K.J. Klassen. 2011. "The Effect of Integrated Scheduling and Capacity Policies on Clinical Efficiency" [O efeito da programação integrada e das políticas de capacidade na eficiência clínica]. Production and Operations Management, 20(2): 442-455.
WorkLife. 2018. WorkLife Clinic UT Health Austin, https://uthealthaustin.org/worklife, acessado em 4 de abril de 2018.
Simio. 2018. Simio Simulation Software, https://www.simio.com/software/, acessado em 4 de abril de 2018.