AnyLogic Forum is moving to other platforms

This forum is now not officially supported and will be discontinued early in 2018. Registration and new topics are no longer possible.


To discuss AnyLogic-related issues, you are welcome to use LinkedIn user group and StackOverflow questions tagged with "anylogic".


Outpatient Appointment Scheduling Using Discrete Event Simulation Modeling

Problem:




Indiana University Health Arnett Hospital, consisting of a full-service acute care hospital and a multispecialty clinic, faced poor statistics because the number of no-show patients (those who don’t show up for their scheduled appointments) rose dramatically to 30%. This was primarily connected to the fact that clinic schedules were driven by individual preferences of the medical staff, which led to increased variations in scheduling rules. To eliminate the problem, the client wanted to develop a scheduling methodology that would benefit the clinic, doctors, and patients. The contractors from Texas A&M University were asked to make a predictive scheduling system to optimize doctors’ schedules and decrease the amount of no-shows. They also aimed for:

  • Increasing physician efficiency
  • Increasing facility utilization
  • Keeping down physician overtime
  • Decreasing waiting time for patients


Solution:




To address the challenge in appointment scheduling, the contractors developed a discrete event simulation model using AnyLogic software.


Hospital Scheduling Simulation

The model’s input screen was used to insert parameters, including clinic capacity, no-show rates, patient mix, and more. The following data on the clinic was entered on this screen:

  • Number of appointment requests per hour the clinic can have at each day stage.
  • No-show rate, taking variability into account.
  • Patient characteristics, including five types of patients. High priority ones were supposed to have insurance, as opposed to those of low priority.
  • Decreasing waiting time for patients:

    • Same-day sick patients (people who do not have an appointment and need to be urgently seen)
    • New patients of high priority
    • Re-check of high priority
    • New patients of low priority
    • Re-check of low priority

    • The interface showed how patients mix, depending on treatment time for patient types (it is assumed that new patients have a longer appointment time than re-check patients) and seasonal factors.

    • Sick patients’ field showed the share of patients diverted to a different doctor or nurse.
    • Doctors’ working schedule included time of availability and number of patients they were able to help per day. It was also possible to limit the amount of sick and new patients a doctor could see each day.


The user could change these capacity parameters to see what changes would help increase medical staff utilization and reduce working time for physicians and waiting time for patients.


The discrete event model showed the following sequence of operations:

  • The appearing patients are divided into the four types.
  • Once the type is preassigned, the patients waited at home for their scheduled time of visit.
  • When they arrived at the clinic on the day of the appointment, the model calculated the no-show rate based on probability specified by the input data.
  • Patients were seen by doctors or nurses, and after that they left the hospital.

Discrete Event Simulation Modeling


Output screen showed the model results and performance measures for a simulation run. Data included:

  • Number of treated patients for patient visit type.
  • Number of no-show patients for patient visit type.
  • Appointment lead time for patient visit type.
  • Doctors’ overall utilization rates in the facility and the overtime they spent in the clinic each day.
  • Proportions of discharged patients per doctor, nurse, or peer/urgent care.
  • Maximum daily clinic capacity.

Discrete Event Simulation Modeling


After the users got the results, they could adjust physicians’ schedule in the model and run it again to see how these changes could impact performance measures, including:

  • Average patient request-to-appointment time
  • Clinic utilization
  • Physician overtime for up to two years

Why AnyLogic?




The developers chose AnyLogic for several reasons. First, the AnyLogic software has multimethod modeling capabilities that allowed the developers to extend the model in the future if needed. In addition, user-friendly interface, and its engaging options, made it easy for other users to experiment with the model and change the input parameters without additional training.


Outcome:




The AnyLogic simulation model offered various ways of improving the clinic’s operational efficiency and patient satisfaction. The model did not require special skills to use and provided detailed output statistics that included:

  • Clinic’s daily capacity
  • Staff time utilization and overtime amount
  • Patients’ distribution among medical staff
  • Patient waiting time, and more

The obtained data allowed users to see how the schedule affects the clinic’s working process and provided insight to choose better staff management policies.


AnyLogic presented a method to test theories before implementing them in the clinic and gave different forecasts. For example, with the model the users could predict when the clinic would reach its maximum capacity. In addition, the existing model could be expanded with agent-based and system dynamic approaches if needed, making the model more adjustable to design a predictive appointment scheduling system in other outpatient clinics with similar settings.



 

More Case Studies

  • Simulation eines Tunnelbaus mit Hilfe einer Tunnelbohrmaschine
    Die Kosten des Ausfalls einer Tunnelbohrmaschine für eine Stunde sind üblicherweise hoch und Projektmanager müssen ihr Bestes tun, um unnötige Verzögerungen im Bau zu verhindern. Das Ziel des Simulationsprojektes, welches durch die Ruhr-Universität Bochum in Deutschland durchgeführt wurde, war es, ein Simulationsmodell zu entwickeln, das fähig ist die Engstellen im Tunnelbauprozess zu bestimmen, um finanzielle Verluste zu minimieren.
  • Entscheidungsunterstützung im Healthcare-Bereich durch hybride Simulationsmethoden – Mobile Stroke Units
    Schlaganfall ist eine der wichtigsten Ursachen für Behinderung von Menschen und verursacht hohe Pflege- und Rehakosten. Aufgrund einer alternden Bevölkerung ist in der Zukunft außerdem mit einer steigenden Inzidenz zu rechen. Patienten verlieren viel Zeit beim Transport in das Krankenhaus und in internen Krankenhausprozessen. MSUs wurden als eine neue Innovation zu Verbesserung dieser Problematik vorgeschlagen.
  • Simulationsmodellierung basierend auf Daten der Routineversorgung im Gesundheitswesen
    Entscheidungen von Fachleuten im Gesundheitswesen erfordern Tools für Planung, Tests und die Bewertung von neuen Technologien oder Eingriffen. Die komplexen Strukturen, Interaktionen und Abläufe im Gesundheitswesen machen Veränderungen und Innovationen zu einer kontinuierlichen Herausforderung.
  • Modellierung für pharmazeutische Distributionslager
    Cardinal Health, ein Milliarden-Dollar schwerer Arzneimittelvertrieb und Logistikunternehmen, vertreibt mehrere Produkte, von markengeschützten Arzneimitteln und Generika zu frei verkäuflichen Arzneimitteln, Artikel für Gesundheits - und Schönheitspflege und die eigene Hausmarke. Sie sind mit einer Vielzahl der typischen Herausforderungen eines Distributionslagers konfrontiert, die durch die Natur der pharmazeutischen Produkte viel komplizierter ist.
  • Produktionsplanung in der Schiffsindustrie
    Die Manager einer der bedeutendsten italienischen Hersteller benötigten einen neuen, intelligenten Ansatz, um den Planungsprozess einfacher zu gestalten. Ziel war es, dem realen Produktionsplaner außergewöhnlich umfangreiche Planungsinformationen zu geben, mit denen dieser einen Plan vor seiner Umsetzung testen und verfeinern kann.
  • Modellierung des Back-Office-Systems der Banca d'Italia
    Die Banca d'Italia wickelt jedes Jahr eine bestimmte Menge an manuellen Überweisungen ab. Diese Überweisungen können nicht automatisch verarbeitet werden und erfordern zwei Abteilungen mit Angestellten im Back-Office-Bereich der Bank. Die Bank wollte feststellen, ob es von Vorteil wäre, diese beiden Abteilungen zusammen zu legen.
  • Simulation der Abläufe einer Entbindungsstation
    Das Modell simuliert die Entbindungsstation in einer Klinik, die zurzeit umgebaut wird. Ziel des Modells ist es, Diskussionen hinsichtlich der erforderlichen Ressourcen, Kapazität sowie der Arbeitsmethoden auf der neuen Station zu unterstützen. Das Projekt wurde für die Karolinska Universitätsklinik im Verwaltungsbezirk Stockholm, Schweden, ausgeführt.
  • Auswertung der Kapazität einer Klinik für stationäre Pflege
    Der Verwaltungsbezirk Stockholm in Schweden war dabei, eine neue hochspezialisierte Klinik zu bauen. Die Gesundheitsverwaltung des Verwaltungsbezirks hatte die Fragestellung, ob sie angesichts der aktuellen Investitionen und hinsichtlich verschiedener betrieblicher und strategischer Aspekte , ein akzeptables Level an Pflege erreichen würde.
  • Handling des gesamten Pflegebedarfs von Dialyse-Patienten
    Der Verwaltungsbezirk Stockholm (Schweden) ist wie jedes andere Land oder Region ständig gefordert, um die Bedürfnisse von verschiedenen Patientengruppen in der Gesundheitspflege zu bewältigen. Jede Gruppe kann als Teilkollektiv betrachtet werden, mit seinen eigenen Merkmalen, Eigenschaften und Herausforderungen.
  • Katastrophenschutz mit Hilfe der agentenbasierten Modellierung
    Battelle, weltweit die größte gemeinnützige, unabhängige Forschungs- und Entwicklungsorganisation suchte praktische operative Lösungen für Kriseninterventionen oder Einsätzen bei Naturkatastrophen und musste die Effektivität einer zum Schutz angeordneten Ausgangssperre für 48 Stunden, für das Szenario eines sogenannten Improvised Nuclear Device, d.h. einer improvisierten nuklearen Sprengvorrichtung feststellen. Ziel war die Eindämmung der Strahlendosis, die während einer unkoordinierten Massenevakuierung auf die Menschen einwirken würde; hierfür wurde die sofortige Evakuierung mit einer Ausgangssperre verglichen.