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

Thaise Regina Matos de Morais; Aloísio de Castro Gomes Júnior; Lasara Fabricia Rodrigues

doi:10.5585/exactaep.2022.21836

Autores

Thaise Regina Matos de Morais Universidade Federal de Ouro Preto / Ouro Preto, Minas Gerais - Brasil https://orcid.org/0000-0002-9819-547X
Aloísio de Castro Gomes Júnior Universidade Federal de Ouro Preto / Ouro Preto, Minas Gerais - Brasil https://orcid.org/0000-0003-1206-1209
Lasara Fabricia Rodrigues Universidade Federal de Minas Gerais / Belo Horizonte - MG, Brasil https://orcid.org/0000-0001-5427-7919

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 prestar atendimento rápido as vítimas de urgência, determina a minimização de sequelas permanentes ao mesmo tempo que maximiza a taxa de sobrevida do paciente. Neste artigo, propomos um modelo de simulação via otimização, desenvolvido em linguagem Python, capaz de avaliar o desempenho de SME’s. Aplicamos ao método proposto, os dados reais de um SME brasileiro e verificamos, a partir dos resultados obtidos, que configurações estratégicas resultariam na redução de aproximadamente 10% no tempo de resposta médio. Além disso, foi verificada 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 / Ouro Preto, Minas Gerais - Brasil

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 / Ouro Preto, Minas Gerais - Brasil

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 / Belo Horizonte - MG, Brasil

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, 46–59. 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

Carson, Y., & Maria, A. (1997). Simulation optimization. Proceedings of the 29th Conference on Winter Simulation - WSC ’97. https://doi.org/10.1145/268437.268460

Coelho, G. F., & Pinto, L. R. (2018). Kriging-based simulation optimization: An emergency medical system application. Journal of the Operational Research Society, 69(12), 2006–2020. https://doi.org/10.1080/01605682.2017.1418149

Da Silva, G. F., Frazzon, E. M., & Casarotto Filho, N. (2016). Proposta de método de otimização-simulação para apoiar a tomada de decisão em internalização de processos produtivos. Exacta, 13(3), 155–166. https://doi.org/10.5585/exactaep.v13n3.5967

Felix, J. C., Peixoto, C. S., & Edwige, C. A. (2021). O planejamento de suprimentos utilizando-se a teoria de filas e simulação computacional em uma oficina de recuperação de componentes de vagões. Exacta. https://doi.org/10.5585/exactaep.2021.19577

Filho, V. H. dos S., Silva, L. de O., & Júnior, J. da S. F. (2019). Simulação a eventos discretos em uma empresa Brasileira prestadora de serviços imobiliários no Sudoeste Mineiro. Exacta, 17(2), 29–45. https://doi.org/10.5585/exactaep.v17n2.8034

Fisher, M. L. (2004). The Lagrangian Relaxation Method for Solving Integer Programming Problems. Management Science, 50(12_supplement), 1861–1871. https://doi.org/10.1287/mnsc.1040.0263

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, 45(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), 30–34. 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), 450–459. https://doi.org/10.1287/opre.12.3.450

Instituto Brasileiro de Geografia e Estatística (2022). https://cidades.ibge.gov.br/brasil/panorama.

Junges, V. D. C., Romio, A. M., Simonetto, E. D. O., Campos, S. A. P. de, & Bobsin, D. (2021). Simulação baseada em dinâmica de sistemas: avaliação de cenários em uma associação de reciclagem. Exacta. https://doi.org/10.5585/exactaep.2021.17058

Kirkpatrick, S., Gelatt, C. D., & Vecchi, M. P. (1983). Optimization by Simulated Annealing. Science, 220(4598), 671–680. 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), 294–309.

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

Moraes, D. G. de, & Silva, A. M. da. (2021). Simulação discreta aplicada à gestão de filas no varejo. Exacta, 19(3), 659–677. https://doi.org/10.5585/exactaep.2021.14842

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/s10729-014-9280-4

Pell, J. P. (2001). Effect of reducing ambulance response times on deaths from out of hospital cardiac arrest: cohort study. BMJ,

(7299), 1385–1388. 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, 11, 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, 72, 12–23. https://doi.org/10.1016/j.cie.2014.03.008