Uma estrutura computacional de otimização da simulação baseada em Simulated Annealing para avaliar desempenho de Sistemas Médicos de Emergência: O caso do SAMU das cidades de Ouro Preto e Mariana

Autores

DOI:

https://doi.org/10.5585/exactaep.2022.21836

Palavras-chave:

Otimização da Simulação. Simulated Annealing. Serviços de emergência médica. Tempo de resposta. SAMU.

Resumo

O tempo de resposta de um Sistema Médico de Emergência (SME) é uma métrica preponderante de eficiência, visto que atender rapidamente as vítimas de urgência, determina a minimização de sequelas permanentes ao mesmo tempo que maximiza a taxa de sobrevida do paciente.  A aleatoriedade inerente às atividades desse tipo de sistema, torna essencial a utilização de ferramentas que apoiam o processo de tomada de decisões. Neste artigo, o desempenho de um SME brasileiro foi avaliado a partir de um sistema computacional de simulação desenvolvido em linguagem Python. Os resultados obtidos demostraram que configurações estratégicas resultariam na redução de aproximadamente 10% no tempo de resposta médio. Demonstraram ainda, a importância de se considerar outras variáveis de forma conjunta ao número de habitantes, na determinação do número de ambulâncias necessário para se atender as demandas de emergência no serviço pré-hospitalar.

Downloads

Não há dados estatísticos.

Biografia do Autor

Thaise Regina Matos de Morais, Universidade Federal de Ouro Preto

Mestre em Enganharia de Produção pela Universidade Federal de Ouro. Possui Pós graduação em Engenharia de Produção pela Pontificia Universidade Católica de Minas Gerais (PUC MINAS - 2018) e também graduação em Engenharia de Produção Universidade Presidente Antônio Carlos (2016). Atualmente atua como coordenadora de processos.

Aloísio de Castro Gomes Júnior, Universidade Federal de Ouro Preto

Doutor e Mestre em Engenharia de Produção pela UFMG. Atua desde 2006 no ensino de Engenharia de Produção, com ênfase na área de Pesquisa Operacional, tanto de graduação como de pós-graduação. É professor adjunto da UFOP.

Lasara Fabricia Rodrigues, Universidade Federal de Minas Gerais

Possui graduação em Engenharia de Produção pela Universidade Federal de Ouro Preto (2004), mestrado em Engenharia de Produção pela Universidade Federal de Minas Gerais (2006) e doutorado em Engenharia de Produção pela Universidade Federal de São Carlos (2014). Atualmente, é professora do Departamento de Engenharia de Produção (DEP) da Universidade Federal de Minas Gerais (UFMG) e dos Programas de Pós-Graduação em Engenharia de Produção da Universidade Federal de Minas Gerais (PPGEP-UFMG) e da Universidade Federal de Ouro Preto (PPGEP-UFOP). Tem experiência na área de Engenharia de Produção e suas principais linhas de pesquisa são voltadas para as áreas de Teoria de Filas, Simulação, Modelos de Localização Probabilística, Análise Envoltória de Dados e aplicações de Pesquisa Operacional em sistemas logísticos, de manufatura e de saúde.

 

Referências

Aboueljinane, L., Sahin, E., Jemai, Z., & Marty, J. (2014).

A simulation study to improve the performance of an emergency

medical service: Application to the French Val-de-Marne

department. Simulation Modelling Practice and Theory, 47, 46–

https://doi.org/10.1016/j.simpat.2014.05.007

Aringhieri, R., Carello, G., & Morale, D. (2013).

Supporting decision making to improve the performance of an

Italian Emergency Medical Service. Annals of Operations

Research, 236(1), 131–148.

https://doi.org/10.1007/s10479-013-1487-0

Bélanger, V., Lanzarone, E., Nicoletta, V., Ruiz, A., & Soriano, P. (2020).

A recursive simulation-optimization framework for the

ambulance location and dispatching problem. European Journal

of Operational Research, 286(2), 713–725.

https://doi.org/10.1016/j.ejor.2020.03.041

Blackwell, T. H., & Kaufman, J. S. (2002).

Response Time Effectiveness:Comparison of Response Time and

Survival in an Urban Emergency Medical Services System.

Academic Emergency Medicine, 9(4), 288–295.

https://doi.org/10.1197/aemj.9.4.288

Byrne, J. P., Mann, N. C., Dai, M., Mason, S. A., Karanicolas, P., Rizoli, S., & Nathens, A. B. (2019).

Association Between Emergency Medical Service Response Time

and Motor Vehicle Crash Mortality in the United States. JAMA

Surgery, 154(4), 286–293.

https://doi.org/10.1001/jamasurg.2018.5097

Fukushima, F., & Moriya, T. (2021).

Objective evaluation study on the shortest time interval from

fire department departure to hospital arrival in emergency

medical services using a global positioning system ― potential

for time savings during ambulance running. IATSS Research,

(2), 182–189. https://doi.org/10.1016/j.iatssr.2020.08.001

Golabian, H., Arkat, J., Farughi, H., & Tavakkoli-Moghaddam, R. (2021).

A simulation-optimization algorithm for return strategies in

emergency medical systems. SIMULATION, 97(9), 565–588.

https://doi.org/10.1177/00375497211006175

Gonzalez, R. P., Cummings, G. R., Phelan, H. A., Mulekar, M. S., & Rodning, C. B. (2009).

Does increased emergency medical services prehospital time

affect patient mortality in rural motor vehicle crashes? A

statewide analysis. The American Journal of Surgery, 197(1),

–34. https://doi.org/10.1016/j.amjsurg.2007.11.018

Hakimi, S. L. (1964).

Optimum Locations of Switching Centers and the Absolute

Centers and Medians of a Graph. Operations Research, 12(3),

–459. https://doi.org/10.1287/opre.12.3.450

Instituto Brasileiro de Geografia e Estatística (2022).

https://cidades.ibge.gov.br/brasil/panorama.

Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983).

Optimization by Simulated Annealing. Science, 220(4598), 671–

https://doi.org/10.1126/science.220.4598.671

McCormack, R., & Coates, G. (2015).

A simulation model to enable the optimization of ambulance

fleet allocation and base station location for increased patient

survival. European Journal of Operational Research, 247(1),

–309. https://doi.org/10.1016/j.ejor.2015.05.040

Nair, R., & Miller-Hooks, E. (2009).

Evaluation of Relocation Strategies for Emergency Medical

Service Vehicles. Transportation Research Record: Journal of the

Transportation Research Board, 2137(1), 63–73.

https://doi.org/10.3141/2137-08

Nogueira, L. C., Pinto, L. R., & Silva, P. M. S. (2014).

Reducing Emergency Medical Service response time via the

reallocation of ambulance bases. Health Care Management

Science, 19(1), 31–42. https://doi.org/10.1007/s10729-014-

-4

Pell, J. P. (2001).

Effect of reducing ambulance response times on deaths from out

of hospital cardiac arrest: cohort study. BMJ, 322(7299), 1385–

https://doi.org/10.1136/bmj.322.7299.1385

Pons, P. T., & Markovchick, V. J. (2002).

Eight minutes or less: does the ambulance response time

guideline impact trauma patient outcome? The Journal of

Emergency Medicine, 23(1), 43–48.

https://doi.org/10.1016/s0736-4679(02)00460-2

Zaffar, M. A., Rajagopalan, H. K., Saydam, C., Mayorga, M., & Sharer, E. (2016).

Coverage, survivability or response time: A comparative study of

performance statistics used in ambulance location models via

simulation–optimization. Operations Research for Health Care,

, 1–12. https://doi.org/10.1016/j.orhc.2016.08.001

Zhen, L., Wang, K., Hu, H., & Chang, D. (2014).

A simulation optimization framework for ambulance deployment

and relocation problems. Computers & Industrial Engineering,

, 12–23. https://doi.org/10.1016/j.cie.2014.03.008

Downloads

Publicado

13.10.2022

Como Citar

Morais, T. R. M. de, Gomes Júnior, A. de C., & Rodrigues, L. F. (2022). Uma estrutura computacional de otimização da simulação baseada em Simulated Annealing para avaliar desempenho de Sistemas Médicos de Emergência: O caso do SAMU das cidades de Ouro Preto e Mariana. Exacta. https://doi.org/10.5585/exactaep.2022.21836

Edição

Seção

Artigos