Van Reactieve naar Proactieve Planning van Ambulance Diensten Prof.dr. Rob van der Mei Hoofd onderzoekscluster Probability, Networks and Algorithms op het CWI Hoogleraar Toegepaste Wiskunde aan de Vrije Universiteit A dam met dank aan Melania Calinescu en Martin van Buuren
Van Reactieve naar Proactieve Planning van Ambulance Diensten ( REPRO ) Agenda: 1. Recente ontwikkelingen in de sector 2. Forecasting en personeelsplanning 3. Dynamisch Ambulance Management 4. Outlook en uitdagingen
Ontwikkelingen Invoering Wet op Ambulancezorg ( WAZ ): Ambulancezorg georganiseerd via 25 Regionale Ambulance Voorzieningen (RAVs) Samenwerking meerdere ambulance providers in RAVs Toekomst: licensie-systeem en concurrentie Belang van kosten-efficiëntie cruciaal
Ontwikkelingen Referentiekader Spreiding en Beschikbaarheid 2008: Binnen de regio heeft elke RAV de vrijheid de ambulancevoorziening naar eigen inzicht te optimaliseren (RIVMrapport) Dit opent de deur naar efficiency-verbetering Prestatie-eisen: A1-calls: aanrijtijd maximaal 15 minuten A2-calls: aanrijtijd maximaal 30 minuten
Bedekkingsgebieden Typische vragen: Welke locaties zijn binnen x minuten te bereiken? Door hoeveel ambulances is locatie y bedekt? Probleem: veel onzekere factoren rijtijden, beschikbaarheid ambulance, service tijd
Typische vragen Typische vragen: Hoeveel calls van type A1/A2/B kunnen we verwachten? Waar komen calls vandaan (geografische spreiding)? Hoeveel ambulancekoppels zijn minimaal nodig? Wat zijn optimale locaties voor standplaatsen? Hoeveel ambulances per standplaats nodig? Wat zijn verwachte aanrijtijden en kortste paden?
Dataset Call-detail records van aantal jaren Schattingen call-volume, source/destination Schattingen rijtijden, % naar ziekenhuis,
140 120 100 80 60 40 20 0 Initiële Data-Analyse number of A1 calls per day (1st half year of 2007) Koninginnedag Nieuwjaarsdag gemiddelde 22/12/2006 29/12/2006 05/01/2007 12/01/2007 19/01/2007 26/01/2007 02/02/2007 09/02/2007 16/02/2007 23/02/2007 02/03/2007 09/03/2007 16/03/2007 23/03/2007 30/03/2007 06/04/2007 13/04/2007 20/04/2007 27/04/2007 04/05/2007 11/05/2007 18/05/2007 25/05/2007 time 15/12/2006 08/12/2006 01/12/2006 call volume
Initiële Data-Analyse ma di wo do vr za zo gemiddelde Observaties: maandag t/m donderdag redelijk hetzelfde op vrijdag en zaterdag significant meer calls dan andere dagen
De Theorie en de Praktijk probability that number of calls is k 14% 12% 10% 8% 6% 4% 2% 0% 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 call volume (k) mean = 10 mean = 20 Poisson distribution fit 0 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81 86 91 96 Theorie: aantal calls heeft Poisson-verdeling 0.07 0.06 0.05 0.04 0.03 0.02 0.01 number of calls Praktijk: aantal calls per dag blijkt inderdaad een Poisson verdeling te hebben (bij benadering) relative frequency Empirical distribution Poisson
Analyse Seizoensinvloeden totaal aantal calls over periode van 3 jaar trendlijn ( moving average ) jan nov apr jun jul aug sep nov jan Observaties: geen duidelijke trend, wel duidelijke seizoensinvloeden apr jul jun aug sep nov jan apr
Voorspellingsmodel Voorspellingen van gemiddelde beste wat je kunt doen Vanwege factor onzekerheid inbouwen veiligheidsmarge In 95% van de gevallen aantal calls kleiner dan µ µ + 2
Staffing uit de vorige eeuw A Hoeveel lijnen? C New York D B Aannamen: 1. aantal calls per minuut = λ 2. gemiddelde gesprekduur = β 3. aantal lijnen = N Vraag: wat is de blokkeringskans? Chicago Rob van der Mei
Staffing van Ambulances Aannamen: 1. aantal calls per minuut = λ(t) 2. gemiddelde service-tijd = β(t) 3. aantal ambulance = N(t) Typische vragen: Wat is de kans alle ambulances bezet? Hoeveel ambulances nodig zo dan kans klein genoeg?
de Erlang blokkeringsformule blokkeringskans = 1+ ( λβ ) 1! 1 + ( λβ ) N! ( λβ ) 2! 2 N +... + ( λβ ) N! N Agner Krarup Erlang (1878-1929)
Efficiency-verbetering in Staffing efficiency gain schatting call volumes schatting travel times simpel Erlang-B model 2010: onze planning gebruikt als schaduwplanning aanzienlijke aanscherping van personeelsplanning 2011: ontwikkeling forecasting based planning tool
Dynamisch Ambulance Management ( DAM ) Hulls variëren over de tijd: vorm en omvang Typische vragen: Hoe kunnen we bedekking in real time realiseren? Toewijzing ambulances: dichtsbijzijnde ambulance? Wat is dichtsbijzijnde? Kun je ambu laten afbuigen? Hoe zit het met real-time traffic informatie? Kun je die voorspellen? En hoe ga je daarmee om?
Dynamisch Ambulance Management ( DAM ) Hulls variëren over de tijd: vorm en omvang Typische vragen: Wat doen we met voorwaarde-scheppende ritten? Weerstand tegen dummy ritten, niet te vaak doen Momentum: DAM veel belovend, maar hoe implementeren? En hoe wat zijn optimale beslissingen? Decision support tools nodig voor DAM-planning
Initiële DAM Analyse Simulatietool TIFAR ) Testing Interface For Ambulance Research What-if scenario s Opstap naar optimalisatie
DAM Onderzoek Idee en doelen: Ontwikkeling modellen en optimalisatie DAM Technieken: approximate DP, learning GIS-tool implementatie Betrokken partijen: AmbulanceZorg Nederland, 6 ambulance providers, CityGIS, RIVM, TomTom, zorgverzekeraars, Onderzoek en Statistiek, CWI, VU, TU Delft
Uitdaging: Conclusie Introductie Wet of Ambulancezorg (WAZ): Scherpe prijs-kwaliteit verhouding cruciaal Kosten-efficient operatie steeds belangrijker Aanpak: Proactieve prediction-based planning i.p.v. reactief Uitnutten mogelijkheden van Dynamisch Ambulance Management Samenwerking zorgsector en kennisinstellingen Contact: Rob van der Mei E-mail: mei@cwi.nl of mei@few.vu.nl Telefoon: 06-134 92229