Problem
Um sowohl den medizinischen als auch den ökonomischen Nutzen neuer Gesundheitstechnologien zu ermitteln, ist es notwendig, diese bereits im Vorfeld der Design- und Entwicklungsphase zu evaluieren. Aus diesem Grund wurde ein Ansatz zur Entscheidungsunterstützung mittels hybrider Simulationstechniken entwickelt und für das Beispielszenario „Mobile Stroke Units (MSUs)“ angewandt.
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. Die meisten Schlaganfälle werden durch Verengungen in den hirnversorgenden Arterien verursacht und sollten, falls möglich, durch eine sogenannte „Thrombolyse“ behandelt werden (nicht beim hämorrhagischen Schlaganfall oder nach abgelaufenen 4,5 Stunden). Patienten verlieren außerdem viel Zeit beim Transport in das Krankenhaus und in internen Krankenhausprozessen.
MSUs wurden als eine neue Innovation zu Verbesserung dieser Problematik vorgeschlagen. Sie ermöglichen es, mit der Diagnose und Therapie bereits direkt bei den Patienten zu beginnen. Somit ist das Hauptziel, die Zeit zwischen dem Anruf beim Rettungsdienst und dem Therapiebeginn zu verkürzen und damit schwerwiegende Behinderungen zu verhindern sowie die Kosten zu reduzieren.
Ziele
Das Hauptziel dieser Fallstudie ist, den medizinischen und den ökonomischen Effekt von MSUs im Vergleich zur aktuellen Situation zu bewerten. Die wichtigsten Messfaktoren sind dabei Kosten, Alarm-to-Therapy-Decision-Time, sowie weitere relevante Parameter. Einerseits soll die Innovation in einer Metropolregion (hier in Berlin) bewertet werden, andererseits in einer ländlichen Umgebung mit nur wenigen Krankenhäusern. Zusätzlich soll die geographische Verteilung der MSUs evaluiert werden.
Abbildung 1: MSU Szenario Animation Screenshot
Implementierung in AnyLogic
Die Fallstudie wurde in AnyLogic implementiert. Das Tool eignet sich besonders dafür, Modelle mittels verschiedener Simulationstechniken zu entwickeln, es ermöglicht eigenen Java-Code zu verwenden, um spezielle und individuelle Lösungsvarianten zu implementieren und es erlaubt die Erstellung illustrativer Animationen, die die Kommunikation mit Fachexperten erleichtern können.
Die Abbildung 1 zeigt ein Beispiel der MSU Animation. Die Fahrzeuge sind einer vordefinierten Startposition zugeordnet und können von der Notrufzentrale losgeschickt werden, sobald ein Schlaganfall auftritt. Falls keine freien MSUs zur Verfügung stehen, wird ein RTW (Rettungstransportwagen) eingesetzt, welcher den Patienten in das nächstgelegene Krankenhaus bringt. Fehlerhafte Entscheidungen und fälschliche MSU Einsätze (die es in der Wirklichkeit gibt) werden genauso berücksichtigt wie Kosten für verschiedene, dafür relevante Handlungen. Die Patienten werden bis zu 10 Jahre nach der Erkrankung beobachtet und ermöglichen damit eine vorausschauende Kosten-Analyse.
Excel-Tabellen mit unterschiedlichen Input-Parametern werden als Input-Dateien für verschiedene Jahre verwendet und während der Simulationsläufe dynamisch geladen. Für die Evaluierung weiterer entscheidungsunterstützender Szenarien im Gesundheitsbereich kann eine Bibliothek mit wiederverwendbaren Komponenten (z.B. Demografie) verwendet werden. Ein Positionierungstool ermöglicht es die MSUs vor einem Simulationslauf an bestimmte Orte auf einer Landkarte (durch interaktive Klicks) zu setzen. Weitere technische Details können den unten stehenden Publikationen entnommen werden.
Modellierungsansatz
Im Gesundheitsbereich und insbesondere bei entscheidungsunterstützenden Prozessen werden in der Regel sowohl Simulationen mit einer detaillierten Modellierungsstrategie, als auch die Makrosimulation eingesetzt. In solchen Fällen eignet sich die hybride Simulation besonders gut. System Dynamics kann dabei für die Modellierung aus einer „Vogelperspektive“ auf höherer Ebene verwendet werden. Die diskrete Ereignissimulation und der agentenbasierte Ansatz sind jedoch eher auf der individuellen Modellierungsebene relevant. Agenten repräsentieren dabei in den meisten Fällen Patienten. Arbeitsabläufe können in System Dynamics, bzw. Prozessmodellen eingebettet werden. Die zu evaluierende Technologie kann durch quantitative Parameter berücksichtigt werden.
Abbildung 2: Agent-Based, Discrete-Event and System Dynamics Model examples
Ergebnisse
Eines der wichtigsten Erkenntnisse aus diesem Beispiel ist, dass die MSU nicht automatisch zu mehr lysierten Patienten führt. Allerdings werden diejenigen, die überhaupt lysiert wurden können, früher behandelt. Dadurch wird die Wahrscheinlichkeit für Behinderungen vermindert. Außerdem konnte gezeigt werden, dass eine breitere Verteilung der Fahrzeuge zu besseren Ergebnissen führt als eine Zentralisierung auf wenige Positionen (z.B. Station, Krankenhaus). Des Weiteren führt der Einsatz der MSUs nicht direkt zu einer Verbesserung im ländlichen Gebiet, da in solchen oftmals nur wenige Fälle auftreten und der größte Teil der Bevölkerung in Ballungszentren mit einem Krankenhaus lebt. Allerdings könnte sich dies für Regionen mit einer anderen Struktur unterscheiden..
Fazit
AnyLogic ermöglicht es, detaillierte Modelle im Kontext der Entscheidungsunterstützung zu erstellen. Das konfigurierbare MSU Simulationsmodell konnte die wesentlichen medizinischen und ökonomischen Effekte aufzeigen. Die Ergebnisse könnten von Regulierungsbehörden, Medizintechnikunternehmen, Wissenschaftlern und weiteren Entscheidungsträgern dazu genutzt werden, eine Einführung von MSUs in unterschiedlichen Regionen zu optimieren und damit die Schlaganfallbehandlung zu verbessern. Der Vergleich der langfristigen Kosten kann außerdem bei der Investitionsentscheidung und der Ermittlung von relevanten Kostenträgern behilflich sein. Diese Arbeit wurde im Rahmen eines gemeinschaftlichen Projektes „Prospective HTA“ (finanziert durch das Bundesministerium für Bildung und Forschung) zusammen mit industriellen Partnern, Ärzten, Ingenieuren, sowie Gesundheitsökonomen durchgeführt.
Die Simulation großer und komplexer Systeme (z.B. für Healthcare, Automotive, Industrie und Energie) ist eines der wichtigsten Arbeitsgebiete des Lehrstuhls für Rechnernetze und Kommunikationssysteme der Friedrich-Alexander Universität Erlangen-Nürnberg. Bei weiteren Fragen wenden Sie sich bitte direkt an uns.
Ausgewählte Publikationen
- Djanatliev A. and German R. “Prospective Healthcare Decision-Making by Combined System Dynamics, Discrete-Event and Agent-Based Simulation”. Proceedings of the 2013 Winter Simulation Conference, Editors: R. Pasupathy, S.H. Kim, A. Tolk, R. Hill, M. Kuhl. Washington D.C./USA. December 8th – 11th, 2013, p. 270-281.
- Djanatliev A., Kolominsky-Rabas P., Hofmann B. M., Aisenbrey A., German R. “System Dynamics and Agent-Based Simulation for Prospective Health Technology Assessments”. Simulation and Modeling Methodologies, Technologies and Applications - Advances in Intelligent Systems and Computing. Edited by Obaidat, Mohammad; Filipe, Joaquim; Kacprzyk, Janusz; Pina, Nuno (Eds.). Volume 256, 2014, pp 85-96.
- Djanatliev A., German R. “Large Scale Healthcare Modeling by Hybrid Simulation Techniques using AnyLogic”. Proceedings of the 6th International ICST Conference on Simulation Tools and Techniques. Cannes/French Riviera. March 5th – 7th, 2013, p. 248-257.