دانلود ترجمه مقاله استراتژی برنامه ریزی منابع برای سیستم مراقبت از سلامت

1. مقدمه 2. مروری بر مقالات 3. فرمولاسیون مساله 4. تصمیم گیری داده محور با استفاده از RHP 5. ساخت درخت سناریو برای پارامترهای تصادفی چند متغیره 6. نتایج محاسباتی 7. بینش های مدیریتی 8. نتیجه گیری

چکیده – در این مقاله، استراتژی های برنامه ریزی منابع، شامل تخصیص یکپارچه منابع مراقبت سلامت و همچنین انتقال بیمار جهت بهبود پاسخ سیستم های سلامت به افزایش چشمگیر تقاضا در زمان اپیدمی ها و همه گیری ها را مورد مطالعه قرار می دهیم. مطالعه ما، انواع مختلف بیماران و منابع جهت فراهم کردن دسترسی به مراقبت بیمار با حداقل توسعه ظرفیت را مورد مطالعه قرار می دهد. افزودن منابع جدید زمان می برد که اکثر بیماران در زمان همه گیری، زمان مناسب ندارند. تعداد بیماران نیازمند به منابع مراقبت سلامت کم، غیرمشخص و غیرقطعی است و به سرعت انتشار همه گیری در یک منطقه بستگی دارد. در این مطالعه، یک برنامه احتمالاتی چند مرحله ای را برای بهینه سازی استراتژی های مختلف جهت برنامه ریزی منابع مراقبت سلامت محدود و لازم، توسعه می دهیم. همچنین، پارامترهای غیرقطعی با اجرای یک مدل احتمالاتی زمان پیوسته مبتنی بر کارگزار را شبیه سازی می کنیم و سپس این عدم قطعیت را بوسیله یک روش ساخت درخت سناریوی مستقیم، بدست می آوریم. در نهایت، یک روند افق غلطان و چرخشی مبتنی بر داده را برای تسهیل تصمیم گیری بلادرنگ پیشنهاد می کنیم که تعدادی از محدودیت های اساسی رویکردهای برنامه ریزی احتمالاتی را برطرف می کند و استراتژی های حاصل را در عمل قابل اجرا می کند. از دو مطالعه موردی مختلف مرتبط با کووید 19 استفاده می کنیم تا ابزارهای بهینه سازی و شبیه سازی مان را بوسیله نتایج محاسباتی گسترده مورد بررسی قرار دهیم. این نتایج خاطر نشان می کنند که این استراتژی ها می توانند به میزان قابل توجهی دسترسی بیمار به مراقبت در زمان همه گیری را بهبود بخشند؛ اهمیت آنها تحت شرایط مختلف، متغیر است. روش ما به محیط مطرح شده محدود نیست و در دیگر صنایع خدماتی که دسترسی فوری اهمیت دارد، قابل کاربرد است.

We study resource planning strategies, including the integrated healthcare resources’ allocation and sharing as well as patients’ transfer, to improve the response of health systems to massive increases in demand during epidemics and pandemics. Our study considers various types of patients and resources to provide access to patient care with minimum capacity extension. Adding new resources takes time that most patients don't have during pandemics. The number of patients requiring scarce healthcare resources is uncertain and dependent on the speed of the pandemic's transmission through a region. We develop a multi-stage stochastic program to optimize various strategies for planning limited and necessary healthcare resources. We simulate uncertain parameters by deploying an agent-based continuous-time stochastic model, and then capture the uncertainty by a forward scenario tree construction approach. Finally, we propose a data-driven rolling horizon procedure to facilitate decision-making in real-time, which mitigates some critical limitations of stochastic programming approaches and makes the resulting strategies implementable in practice. We use two different case studies related to COVID-19 to examine our optimization and simulation tools by extensive computational results. The results highlight these strategies can significantly improve patient access to care during pandemics; their significance will vary under different situations. Our methodology is not limited to the presented setting and can be employed in other service industries where urgent access matters.