Controle de admissões de pacientes eletivos: uma aplicação de processos markovianos de decisão

• Main Author: Luiz Guilherme Nadal Nunes
• Other Authors: Rita de Cássia Meneses Rodrigues
• Language: Portuguese
• Published: Instituto Nacional de Pesquisas Espaciais 2010
• Online Access: http://urlib.net/sid.inpe.br/mtc-m19@80/2010/03.10.15.17

Os principais objetivos do presente trabalho são: (1) modelar o controle de admissões de pacientes eletivos como um Processo Markoviano de Decisão (PMD), (2) desenvolver uma meta-heurística capaz de solucionar PMDs com grandes dimensões, e (3) testar a aplicabilidade do modelo proposto e o desempenho do método desenvolvido. O propósito de controlar a admissão de pacientes é promover uma utilização mais eficiente dos recursos hospitalares, prevenindo-se a ociosidade ou o uso excessivo dos recursos e considerando-se as suas importâncias relativas. O modelo de controle das admissões como um PMD atinge grandes dimensões, relativas aos espaços de estados e de ações, à medida que se consideram mais especialidades de pacientes, capacidade de admissões, disponibilidade e tipos distintos de recursos. Propõe-se, para a solução de PMDs com grandes dimensões, uma meta-heurística evolutiva em horizonte de planejamento reduzido e amostrado. Este método é implementado e testado para diversas instâncias do problema de controle de admissões modelado. Aplicando-se o tradicional Algoritmo de Iteração de Valores (AIV), foi possível determinarem-se políticas de decisão ótimas (POs) através das quais se pôde manter, considerando-se os resultados experimentais teóricos relativos ao modelo em proposição, o consumo dos recursos próximo aos níveis desejados de utilização. Empregando-se a meta-heurística desenvolvida neste estudo: (1) foram obtidas políticas de decisão para o modelo em proposição, cujos desempenhos se aproximaram dos desempenhos das POs e (2) foi possível obterem-se soluções para instâncias do problema modelado maiores do que as que o AIV, por falta de espaço de memória computacional para a execução do algoritmo e pelo excessivo tempo de processamento, poderia suportar. Contudo, para instâncias do problema modelado, compatíveis com aquelas que se podem verificar habitualmente em um hospital (instâncias que atingem milhões de possíveis estados e ações), o tempo de processamento para obtenção de políticas de decisão pela meta-heurística proposta foi grande (da ordem de dias). O modelo de decisão proposto é complexo devido à sua dinâmica estocástica e à sua dimensional idade, mas possui grande potencial de aplicação, requerendo, para o seu aproveitamento prático, o desenvolvimento de novos métodos. === The main objectives of this work are: (1) to model the control of elective patients' admissions as a Markov decision process, (2) to develop a heuristic method capable of finding solutions for Markov decision processes with large dimensions, and (3) to evaluate the applicability of the proposed model and the performance of the developed method. The purpose of controlling patient admission is to promote a more efficient utilization of hospital resources, thereby preventing idleness or excessive use of these resources, while considering their relative importance. When a greater number of patient specialties, more resource types and greater availability, and additional admission capacity are considered, the Markov decision process for patient admission control reaches large dimensions concerning the state and action spaces. An evolutionary meta-heuristic approach in a sampled reduced planning horizon is presented here to solve large dimension Markov decision processes. The proposed method is implemented and tested for several instances of the admission control problem modeled. Using the traditional value iteration algorithm, it was possible to generate optimal admission control policies, which made it possible to maintain resources consumption close to the desired levels of utilization, considering the theoretical experimental results obtained for the control model in proposition. Using the meta-heuristics developed in this study: (1) decisions policies for the proposed model were obtained and their performances approached the performances of the optimal policies; and (2) it was possible to obtain decision policies for instances of the modeled problem wider than the ones obtained with the value iteration algorithm, because of the lack of computational memory and the excessive computing time to be dealt with. However, for modeled problem instances compatible with the instances that usually occur in a hospital setting (instances that reach millions of possible states and actions), the meta-heuristics running time for a decision policy was large (measured in days). The proposed decision model is complex due to its stochastic dynamics and dimensionality, but it has great potential for application, and, for its practical exploitation, the development of new methods is necessary.