Сестринские манипуляции алгоритмы в педиатрии: 404 — Материал не найден

Медицинские манипуляции и навыки в педиатрии

Год выпуска: 2015

Автор: Парамонова Н.С. и др.

Жанр: Педиатрия

Формат: PDF

Качество: OCR

Описание: Современные требования, предъявляемые к подготовке врачей, диктуют необходимость постоянного повышения уровня не только теоретических знаний, но и практических умений будущих специалистов.
В данном пособии описана техника выполнения основных медицинских манипуляций, изложены показания и противопоказания к ним, а также даны практические советы по предупреждению ошибок и осложнений, возникающих при их выполнении. Отдельный раздел посвящен работе в симуляционном центре, технике отработки отдельных практических навыков на манекенах.
Авторы считают, что учебное пособие «Медицинские манипуляции и навыки в педиатрии» не только поможет студентам овладеть практическими навыками, необходимыми для диагностики и лечения различных заболеваний во время обучения в высшем учебном заведении, но и будет полезно молодым врачам в процессе их непосредственной практической деятельности.

---

Содержание учебного пособия

Практические навыки, необходимые в ежедневной практике врача-педиатра

• Измерение длины тела
• Измерение массы тела
• Контрольное взвешивание
• Взвешивание тяжелобольного ребенка
• Измерение окружности головы
• Определение размеров большого родничка
• Подсчет частоты дыхательных движений
• Исследование пульса
• Измерение температуры тела
  • Измерение подмышечной температуры
  • Измерение ректальной температуры
• Измерение артериального давления
  • Измерение АД на плечевой артерии
  • Измерение АД на бедренной артерии

Медицинские манипуляции и навыки, необходимые в диагностике и лечении заболеваний детского возраста

• Мытье рук
  • Обработка алкогольсодержащим средством
  • Асептический метод
• Работа в процедурном кабинете
• Основные пути введения лекарственных веществ
  • Подготовка шприца для инъекции
  • Порядок выполнения внутримышечной инъекции
  • Z-методика внутримышечных инъекций
  • Внутривенное введение лекарственных средств
  • Вливание (инфузия): алгоритм проведения
  • Подкожная инъекция
  • Внутрикожный путь введения лекарственных средств
• Спинномозговая (люмбальная) пункция
• Пункция плевральной полости
• Костномозговая пункция
• Трепанобиопсия подвздошной кости
• Кислородотерапия (оксигенотерапия)
  • Подача кислорода через носовые катетеры
  • Подача кислорода через маску
  • Подача кислорода через кислородную палатку
• Промывание желудка
• Постановка газоотводной трубки

Отработка практических навыков в симуляционном центре

• Инструкция по работе с тренажером w45055 для обучения уходу за новорожденным
  • Ежедневный уход за новорожденным
  • Обработка полости носа
  • Обработка наружных слуховых проходов
  • Обработка глаз
  • Введение желудочного зонда
  • Катетеризация мочевого пузыря
  • Постановка очистительной клизмы
  • Забор капиллярной крови (укол в пятку)
  • Внутримышечные инъекции. Общие принципы
  • Внутрикостное введение жидкости
  • Обеспечение внутривенного доступа, катетеризация пупочной вены
• Инструкция по работе с тренажером новорожденного р30 для подготовки медицинской сестры
  • Ежедневный уход за новорожденным
  • Обработка полости носа
  • Обработка наружных слуховых проходов
  • Обработка глаз
  • Санация верхних дыхательных путей
  • Вспомогательная вентиляция легких с помощью мешка Амбу и маски
  • Интубация трахеи
  • Обработка культи пуповины
  • Катетеризация мочевого пузыря
  • Постановка очистительной клизмы
  • Внутримышечные инъекции. Общие принципы
  • Подкожные инъекции
• Инструкция по работе с тренажером младенца lf01193
  • Санация верхних дыхательных путей
  • Введение желудочного зонда
  • Катетеризация мочевого пузыря
  • Постановка очистительной клизмы
• Инструкция по работе с тренажером новорожденного lf01201
  • Санация верхних дыхательных путей
  • Интубация трахеи
  • Обработка культи пуповины
  • Обеспечение внутривенного доступа, катетеризация пупочной вены
  • Определение пульсации плечевой артерии
• Инструкция по работе с тренажером w19564 «рука младенца» для освоения внутривенных инъекций
• Инструкция по работе с тренажером lf00999 «голова ребенка» для освоения пункции вен
• Инструкция по работе с тренажером w45062 для обучения уходу за годовалым ребенком
  • Обработка полости носа
  • Обработка наружных слуховых проходов
  • Обработка глаз
  • Катетеризация мочевого пузыря
  • Постановка очистительной клизмы
  • Внутрикостное введение жидкости
  • Внутримышечные инъекции. Общие принципы
• Инструкция по работе с тренажером w45085 для обучения уходу за пятилетним ребенком
  • Обработка полости носа
  • Обработка наружных слуховых проходов
  • Обработка глаз
  • Катетеризация мочевого пузыря
  • Постановка очистительной клизмы
  • Внутрикостное введение жидкости
  • Внутримышечные инъекции. Общие принципы

Практические навыки по оказанию неотложной помощи на догоспитальном этапе

• Сердечно-легочная реанимация в педиатрии
  • Оценка состояния ребенка
  • Оценка уровня сознания
  • Оценка дыхания и неотложные мероприятия (этапы А, В)
  • Оценка кровообращения и неотложные мероприятия (этап С)
• Основные жизнеугрожающие состояния у детей
  • Лихорадка
  • Перегревание (гипертермия)
  • Переохлаясдение (гипотермия)
  • Термическая травма
• Острая обструкция дыхательных путей
  • Острый стенозирующий ларинготрахеит
  • Эпиглоттит
  • Инородные тела в дыхательных путях
  • Судорожный синдром
  • Эпилептический статус
• Носовые кровотечения
• Острые отравления
• Острые аллергические реакции
  • Анафилаксия (анафилактический шок)
  • Токсический эпидермальный некролиз (синдром Стивенса —Джонсона)
  • Аллергическая крапивница, ангионевротический отек
  • Укусы пчел, ос
  • Укусы змей
• Вегетососудистые кризы

Литература

скачать учебное пособие: «Медицинские манипуляции и навыки в педиатрии»

Новая учебная литература — ГАПОУ «Брянский медико-социальный техникум им.

ак. Н.М.Амосова»

Список новой учебной литературы 2022 год

Список новой учебной литературы 2021 год

Список новой учебной литературы 2020 год

Список новой учебной литературы 2019 год

Список новой учебной литературы 2018 год

Список новой учебной литературы 2017 год

Список новой учебной литературы 2016 год

Список новой учебной литературы 2015 год

Список новой учебной литературы 2014 год

Список новой учебной литературы 2013 год 

Список новой учебной литературы 2012 год

24.12.2010 г.

1. Тульчинская В.Д., Соколова Н.Г. Сестринское дело в педиатрии. Феникс, 2011 г.

2. Пальчун В.Т. Болезни уха, горла, носа. Гоэтар-Медиа, 2010 г.

3. Мухина С.А.Теоретические основы сестринского дела.

   2010 г.

4. Осипова В.Л. Внутрибольничная инфекция. 2009 г.

5. Никонов Е.Л. Безопасность пациента. 2010 г.

5.04.2011 г.

1. Виноградова И.А. Пишем реферат, доклад, выпускную квалификационную работу. 2010 г.

2. Основы сестринского дела. Алгоритмы. Манипуляции. 2010 г.

3. Пальчун В.Т. Болезни уха, горла, носа. Гоэтар-Медиа, 2010 г.

4. Пауков В.С., Литвицкий П.Ф. Патологическая анатомия и патологическая физиология.

5. Егоров Е.А. Глазные болезни.

6. Панфилова А.П. Теория и практика общения. 2009 г.

7. Мухина С.А.Теоретические основы сестринского дела. 2010 г.

8. Харкевич Д.А. Фармакология с общими рецептами. 2010 г.

9. Митина Л.М. Профессиональная деятельность и здоровье педагога. 2005 г.

10. Кобринский Б.А. Медицинская информатика. Академия, 2009 г.

11. Зудин Б.И. Кожные и венерические болезни.

    2009 г.

12. Бережнова Е.В., Краевский В.В. Основы учебно-исследовательской деятельности студентов. Академия, 2010 г.

13. Пастухова И.П., Тарасова Н.В. Основы учебно-исследовательской деятельности студентов. 2010 г.

14. Овчинников Ю.М. Болезни уха, горла, носа. 2010 г.

15. Петрова Н.Н. Психология для медицинских специальностей. 2008 г.

16. Бирюков А.А. Лечебный массаж. 2008 г.

7.07.11 г.

1. Бортникова С.М. Нервные и психические болезни. Ростов-наДону:»Феникс», 2009 г.

2. Барыкина Н.В. Сестринское дело в хирургии. Ростов-на-Дону:»Феникс», 2010 г.

3. Скворцов В.В. Основы сестриского дела. Ростов-на-Дону: «Феникс», 2008

4. Чиж А.Г. Манипуляции в сестриском деле. 2010 г.

5. Щербакова Т.С. Справочник: сестринское дело. Ростов-на-Дону: «Феникс». 2008 г.

6. Самусев Р.П. Анатомия. М.: «Оникс». 2009 г.

7. Федюкович Н.

   И. Анатомия и физиология человека. М.: «Оникс». 2009 г.

8. Федько Н.А. Современная педиатрия. Ростов-на-Дону: «Феникс», 2007 г.

9. Рзянкина М.Ф. Участковый педиатр (справочник). 2006 г.

10. Белопольский Ю.А. Новейший медицинский справочник. М.: «Эксмо», 2008 г.

11. Аверьянов П.Ф. Основы общей патологии. «Медицина», 2008 г.

12. Городкова Ю.И. Латинский язык. Ростов-на-Дону: «Феникс», 2011 г.

13. Кузовлев В.П. Английский язык. 10-11 класс. 2008 г.

14. Крюкова Д.А. Здоровый человек и его окружение.Ростов-на-Дону: «Феникс». 2008 г.

15. Гуськова Н.А. Акушерство (краткий справочник). 2008 г.

16. Федюкович Н.И. Фармакология. 2009 г.

17. Гаевый М.Д. Фармакология с рецептурой. 2010 г.

18. Современные лекарственные средства. Справочник. Ростов-на-Дону: «Феникс». 2008 г.

19. Рубан Э.Д. Сестринское дело в офтальмологии. 2010 г.

20. Кнейп С.

    Водолечение.М.: «Эксмо». 2010 г.

19.09.11 г.

1. Машковский М.Д. Лекарственные средства. 2010 г.

2. Алимов Ш.А. Алгебра. 10-11 класс. М.;»Просвещение». 2011 г.

3. Погорелов А.В. Геометрия. 10-11 класс. М.: «Просвещение». 2011 г.

4. Рубан Э.Д. Глазные болезни. Ростов-на-Дону: «Феникс». 2010 г.

5. Тульчинская В.Д. Сестринское дело в педиатрии. Ростов-на-Дону: «Феникс», 2011 г.

6. Федюкович Н.И.. Фармакология для медицинских училищ и колледжей. Ростов-на-Дону: «Феникс», 2010 г.

7. Швырев А.А. Словарь медицинских терминов. 2010 г.

8. Соколова Н.Г. Физиотерапия. Ростов-на-Дону: «Феникс». 2011 г.

9. Федюкович Н.И. Анатомия и физиология человека. Ростов-на-Дону: «Феникс». 2012 г.

Подготовка к аккредитации по направлению «Сестринское дело в педиатрии» — АМО

Средний медицинский персонал

Перейти к тестам по аккредитации

Начать тестирование

Получить консультацию

Виды аккредитации по специальности «Сестринское дело в педиатрии»:

1. Первичная аккредитация

   проводится по итогам окончания среднего специального и высшего образования, включает три этапа:

   • тестирование;
   • оценка практических навыков в симулированных условиях;
   • решение ситуационных задач (этап проводится только для группы
     специальностей «Клиническая медицина»).

   Получить консультацию Забронировать место

   
   

2. Первичная специализированная

   проводится после окончания ординатуры, курсов профессиональной переподготовки у среднего и высшего медперсонала, а также для граждан, получивши образование на территории иностранного государства.

   Первичная специализированная аккредитация специалистов со средним медицинским образованием состоит из трех этапов:

   • тестирование
   • оценка практических навыков в симулированных условиях
   • решение ситуационных задач

   Получить консультацию Забронировать место

3. Периодическая аккредитация

   проводится для специалистов, которые уже получали специалисты сертификат или свидетельство об аккредитации, и им нужно получать новый допуск к медицинской деятельности.

   На данный момент имеет один этап — оценка портфолио.

   Получить консультацию Забронировать место

Требования:

Согласно предложению Минздрава, медработнику, попадающему под аккредитацию в 2021 году, достаточно будет предоставить сведения об освоении программ повышения квалификации совокупной трудоемкости не менее 144 ч. (ЗЕТ баллов), а сведений об участии в мероприятиях и освоении онлайн-курсов должно быть не менее 6 ч. (ЗЕТ баллов).

Обратите внимание!

В Академии Медицинского Образования есть:

Повышение квалификации по «Сестринское дело в педиатрии» от 144 часа Семинары по «Сестринское дело в педиатрии»

Этапы первичной и вторичной аккредитации

Процедура аккредитации включает в себя три последовательных этапа. Главная их особенность — соблюдение строгой линейности. Иными словами, аккредитуемый не сможет приступить к следующему этапу, если не сдаст предыдущий.

1. Тестирование

   Первый этап, который проводится с использованием тестовых заданий. Каждый аккредитуемый получает вопросы, которые соответствуют его профилю деятельности. Одно тестирование включает в себя вопросы с четырьмя вариантами ответов, среди которых только один правильный. На решение заданий отводится 60 минут.

2. Оценка практических навыков

   Второй этап аккредитации, который предполагает, что аккредитуемый в симулированных условиях, используя специального оборудование, выполнить специально разработанные практические задания.

3. Ситуационные задачи

   В рамках третьего этапа слушателю необходимо в течение 60 минут необходимо решить кейсы, обозначив свой алгоритм действий в той или иной ситуации.

Услуги академии

Помощь в подготовке к аккредитации

• Прохождение тестирования, аналогичному тому, что ожидает специалиста на первом этапе аккредитации. Тестовые задания подготовлены для каждой специальности. Работа над ними поможет проверить уровень подготовки к аккредитации, а также выявить возможные пробелы в знаниях.
• По каждому направлению представлено несколько тестов, в каждом задании следует выбрать один верный вариант ответа. На прохождение одного тестирования дается 60 минут.
• Результаты каждого теста будут доступны слушателю для ознакомления и работы над ошибками. Если слушатель не наберет необходимое количество правильных ответов (минимум 70%), он сможет пройти тест повторно.

Самое сложное — второй этап.

Почти все врачи, прошедшие аккредитацию, сошлись во мнении, что самое сложное – это именно второй этап. Ведь работа на станции по чек-листу предполагает не просто теоретические знания о последовательности проведения той или иной процедуры, но и практические навыки. И у многих специалистов просто нет возможности те или иные приемы оказания помощи отработать на специальных манекенах.

Комплексное сопровождение на аккредитацию

Данная услуга включает:

• Заполнение заявки на аккредитацию;
• Подачу заявки в аккредитационный центр;
• Предоставление перечня станций объективного структурированного клинического экзамена.

Набор баллов НМО.

В рамках пятилетних циклов обеспечим необходимым количеством баллов НМО для
успешного прохождения аккредитации.

Получить услугу

Тесты для подготовки к аккредитации

Первый этап, который проводится с использованием тестовых заданий. Каждый аккредитуемый получает вопросы, которые соответствуют его профилю деятельности. Одно тестирование включает в себя вопросы с четырьмя вариантами ответов, среди которых только один правильный. На решение заданий отводится 60 минут.

Перейти к тестам

Реестр ВУЗов на базе которых сдается аккредитационный экзамен

	федеральное государственное бюджетное образовательное учреждение высшего образования «Алтайский государственный медицинский университет» Министерства здравоохранения Российской Федерации Алтайский край Министерство здравоохранения Российской Федерации
	федеральное государственное бюджетное образовательное учреждение высшего образования «Амурская государственная медицинская академия» Министерства здравоохранения Российской Федерации Амурская область Министерство здравоохранения Российской Федерации
	федеральное государственное бюджетное образовательное учреждение высшего образования «Астраханский государственный медицинский университет» Министерства здравоохранения Российской Федерации Астраханская область Министерство здравоохранения Российской Федерации
	федеральное государственное автономное образовательное учреждение высшего образования «Балтийский федеральный университет имени Иммануила Канта» Калиниградская область Министерство образования и науки Российской Федерации
	федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный медицинский университет» Министерства здравоохранения Российской Федерации Республика Башкортостан Министерство здравоохранения Российской Федерации

Смотреть PDF со всеми ВУЗами

Искусственный интеллект входит в педиатрическую практику

Искусственный интеллект (ИИ) отвечает за управление автономными транспортными средствами, питание интеллектуальных помощников, таких как Alexa и Siri, и размещение раздражающей рекламы на веб-страницах. ИИ также улучшил многие аспекты педиатрической медицины и сыграл важную роль в борьбе с пандемией COVID-19.

ИИ в медицине

Программное обеспечение для распознавания голоса/диктовки является примером ИИ, который в настоящее время используется в педиатрической практике. Сегодня Dragon Medical One от Nuance Communications, наиболее широко используемое медицинское программное обеспечение для распознавания голоса, может похвастаться словарным запасом в 300 000 слов и объединяет словари для 9 слов.0 медицинских специальностей. Интегрируя глубокое обучение (DL), программное обеспечение охватывает нюансы речевых моделей пользователя и со временем улучшается, достигая точности 99%. ¹

За последние несколько лет компания Nuance разработала и усовершенствовала мощную систему виртуальных переписчиков на базе искусственного интеллекта под названием Dragon Ambient eXperience (DAX). ² Используя только смартфон или с настенной системой камеры и микрофона, система искусственного интеллекта записывает весь визит пациента и загружает информацию в облако. Информация анализируется и составляется полная заметка, которую технические специалисты Nuance проверяют, прежде чем она будет вставлена ​​в электронную медицинскую карту (EHR) для проверки и подписи поставщика. Весь процесс занимает 4 часа или меньше. В настоящее время DAX доступен для использования в амбулаторных клиниках специалистами и врачами первичной медико-санитарной помощи, включая педиатров. Вскоре она будет распространена на больницы, и медсестры и другие лица, ухаживающие за пациентами, смогут вести документацию с помощью системы. ² Microsoft помогала Nuance в создании этой системы и недавно приобрела компанию, по-видимому, для расширения и адаптации DAX для других целей в здравоохранении и не только. ³

Мой первый опыт использования ИИ в педиатрических технологиях был в 2010 году, когда я писал о цифровых стетоскопах и программе Cardioscan от тогдашней Zargis Medical Corporation. Программа использовала DL для анализа записанных звуков сердца, чтобы идентифицировать шумы, которые следует исследовать с помощью эхокардиограммы (ЭКГ). ⁴ Это называлось компьютерной аускультацией, и Кардиоскан показал гораздо лучшие результаты, чем педиатры, в выявлении потенциально патологических шумов. Теперь цифровые стетоскопы, в том числе распространяемые Eko, могут записывать и интерпретировать ЭКГ и шумы. ⁵

Некоторые системы на основе ИИ могут также проводить скрининг взрослых на наличие диабетической ретинопатии, скрининг недоношенных детей на ретинопатию недоношенных, скрининг изображений пигментных невусов на наличие элементов, указывающих на наличие меланомы, и определение костного возраста ребенка, а также помощь врачам в обзоре и интерпретировать визуализирующие исследования и электроэнцефалограммы. ^6-11

ИИ и COVID-19

ИИ сыграл огромную роль в пандемии COVID-19. Например, несколько систем ИИ точно предсказали вспышку SARS-CoV-2 до того, как это сделала Всемирная организация здравоохранения. Кроме того, ИИ проанализировал данные о вспышках, чтобы предсказать, где и когда произойдет следующий всплеск случаев COVID-19. Эти типы систем могут просматривать изображения КТ грудной клетки для диагностики COVID-19 и точно прогнозировать, какие пациенты подвержены риску тяжелого заболевания, и давать заключения относительно лечения и ранней госпитализации.

Кроме того, системы на базе ИИ сыграли важную роль в разработке вакцин и терапевтических средств против COVID-19, которые могут быть эффективны против SARS-CoV-2. ^14,15 Некоторые штаты даже используют алгоритмы на основе ИИ для определения приоритетности вакцинации пациентов.

Поддержка принятия клинических решений

Несколько лет назад американские педиатры сотрудничали с педиатрами в Китае, чтобы извлечь информацию из EHR Женского и детского медицинского центра Гуанчжоу для разработки инструмента системы поддержки принятия клинических решений (CDSS). Всего 101,6 млн точек данных из 1 362 559EHR были извлечены из заметок EHR с произвольным текстом с использованием алгоритмов обработки естественного языка. При тестировании инструмент CDSS исследования превзошел младших, но не старших педиатров в диагностике астмы, энцефалита, гастроэнтерита, пневмонии, синусита, инфекций верхних дыхательных путей и психических заболеваний. В целом, он смог поставить точный диагноз в 90% случаев и не хуже, чем в 79% случаев. ¹⁶ CDSS еще не выпущен для общего педиатрического использования, но когда они будут доступны, эти инструменты помогут врачам определить наиболее вероятный диагноз, заказать наиболее экономичные тесты и назначить наименее дорогие антибиотики, при этом уменьшая количество медицинских ошибок. .

Заключение

Когнитивные вычисления могут улучшить педиатрическую практику, и маловероятно, что компьютеры станут «самосознательными» и начнут конкурировать с педиатрами за пациентов. Педиатры должны непредвзято относиться к внедрению технологий искусственного интеллекта, которые улучшат уход и уменьшат проблемы, связанные с педиатрической практикой.

Рекомендации

1. Усиление вашей способности помогать другим. Нюанс. По состоянию на 3 августа 2021 г. https://www.nuance.com/index.html

2. Автоматически документируйте уход с помощью Dragon Ambient eXperience. Нюанс. По состоянию на 3 августа 2021 г. https://www.nuance.com/ health/ambient-clinical-intelligence.html

3. Microsoft News Center. Microsoft ускоряет отраслевую облачную стратегию для здравоохранения с приобретением Nuance. Майкрософт. По состоянию на 3 августа 2021 г. https://news.microsoft.com/2021/04/12/microsoft-accelerates-industry-cloud-strategy-for-healthcare-with-the-acquisition-of-nuance/

4. Шуман А. Высокотехнологичные стетоскопы. Современная педиатрия. 2010;27(8). По состоянию на 19 августа, 2021. https://www.contemporarypediatrics.com/view/high-tech-stethoscopes

5. Лучшее из обоих миров. Эко. По состоянию на 3 августа 2021 г. https://www.ekohealth.com/shop

6. Ханнун А.Ю., Раджпуркар П., Хагпанахи М. и соавт. Обнаружение и классификация аритмий на уровне кардиолога на амбулаторных электрокардиограммах с использованием глубокой нейронной сети. Nat Med . 2019;25(1):65-69. doi:10.1038/s41591-018-0268-3

7. Craik A, He Y, Contreras-Vidal JL. Глубокое обучение для задач классификации электроэнцефалограммы (ЭЭГ): обзор. J Нейронная инженер . 2019;16(3):031001. doi:10.1088/1741-2552/ab0ab5

8. Tajmir SH, Lee H, Shailam R, et al. Интерпретация рентгенограмм костного возраста с помощью искусственного интеллекта повышает точность и снижает вариабельность. Скелетный радиол. 2019;48 (2):275-283. doi:10.1007/s00256-018-3033-2

9. Haenssle HA, Fink C, Schneiderbauer R, et al. Человек против машины: диагностическая эффективность сверточной нейронной сети с глубоким обучением для распознавания дерматоскопической меланомы по сравнению с 58 дерматологами. Энн Онкол . 2018;29(8):1836-1842. doi:10.1093/annonc/mdy166

10. Wang J, Ju R, Chen Y, et al. Автоматизированный скрининг ретинопатии недоношенных с использованием глубоких нейронных сетей. ЭБиоМедицина. 2018;35:361-368. doi:10.1016/j.ebiom.2018.08.033

11. Gurovich Y, Hanani Y, Bar O, et al. Выявление лицевых фенотипов генетических нарушений с помощью глубокого обучения. Натур Мед . 2019;25(1):60-64. doi:10.1038/s41591-018-0279-0

12. Ахуджа А.С., Редди В.П., Маркес О. Искусственный интеллект и COVID-19: мультидисциплинарный подход. Интегр Медрес . 2020;9(3):100434. doi:10.1016/j.imr.2020.100434

13. Naudé W. Искусственный интеллект против COVID-19: ограничения, препятствия и подводные камни. AI Soc . 2020;1-5. doi:10.1007/s00146-020-00978-0

14. Онг Э., Вонг М.У., Хаффман А., Хе Ю. Дизайн вакцины против коронавируса COVID-19 с использованием обратной вакцинологии и машинного обучения. Фронт Иммунол . 2020;11:1581. doi:10.3389/fimmu.2020.01581

15. Арора Н., Банерджи А.К., Нарасу М.Л. Роль искусственного интеллекта в борьбе с COVID-19. Будущее Вирол . 2020;15(11). doi:10.2217/fvl-2020-0130

16. Liang H, Tsui BY, Ni H, et al. Оценка и точная диагностика детских заболеваний с использованием искусственного интеллекта. Nat Med . 2019;25(3):433-438. doi:10.1038/s41591-018-0335-9

Алгоритмы и другие ресурсы по клинической помощи для направляющих поставщиков

Seattle Children’s разработали приведенные ниже алгоритмы и другие ресурсы по клинической помощи при участии поставщиков первичной медико-санитарной помощи для поддержки вашего ухода за пациентами. Вы можете легко найти эти ресурсы в любое время с помощью мобильного телефона, используя наш QR-код; распечатайте и разместите наш флаер (полный лист или половину листа) на видном месте на вашем рабочем месте.

Чтобы получать уведомления об обновлении или добавлении алгоритмов, подпишитесь на Provider News .

А | Б | С | Д | Е | Ф | г | Н | я | Дж | К | л | М | Н | О | П | Вопрос | Р | С | Т | У | В | Вт | Х | Y | Z

A

Акне – обновлено в июле 2020 г.

Антенатальный гидронефроз (алгоритм) – обновлено в марте 2020 г.

Антинуклеарные антитела (АНА) (алгоритм) – обновлено в сентябре 2020 г. 2020

Таблицы артериального давления для детей (таблицы 3–5) — опубликованы в Pediatrics , сентябрь 2017 г. 2021

Запор (алгоритм) – обновлено в сентябре 2019 г. март 2021

Головокружение (алгоритм) – обновлено в мае 2022 г.

E

Ушная инфекция (см. Средний отит) (алгоритмы) – обновлено в разные даты

Повышенный ТТГ (см. Гипотиреоид) (алгоритм) – обновлено в октябре 2019 г. Консультации по уходу за пациентами с экземой (Schmitt Pediatric Guidelines LLC)

План действий по борьбе с экземой (PDF) (на испанском языке) – обновлено в декабре 2020 г.

Атопический дерматит: план лечения (PDF) (русский) (испанский) (упрощенный китайский) (вьетнамский) – обновлено в декабре 2020 г.

Энурез/недержание (дневное и ночное)

Офтальмологическая помощь: местные педиатрические офтальмологи в Вашингтоне – обновлено в январе 2020 г.

ГЭРБ у детей в возрасте от 0 до 12 месяцев (алгоритм) – обновлено в декабре 2019 г.

ГЭРБ у детей в возрасте от 1 года (алгоритм) – обновлено в декабре 2019 г. обновлено ноябрь 2021 г.

Гинекология или репродуктивные и сексуальные обращения со здоровьем (алгоритм)-обновлена ​​в июне 2020 г.

H

Головная боль-обновлена ​​января 2020

головная боль (алгоритм)-обновлен март 2020

гематурия (включая гематурию с протеином)

henochnenlein (включая гематурию с протеином) пурпура (HSP) (алгоритм) – обновлено в октябре 2020 г.

Дисплазия тазобедренного сустава (алгоритм) – обновлено в ноябре 2021 г.

Гидронефроз (см. Антенатальный гидронефроз) (алгоритм) – обновлено в марте 2020 г.

Гипергликемия с ожирением (алгоритм) – обновлено за апрель 2022 г.

Гипергликемия без ожирения (алгоритм) – обновлено за апрель 2022 г.

Гипермобильность (алгоритм) – обновлено за ноябрь 2020 г. резистентность (см. Ожирение) (алгоритм) – обновлено в августе 2022 г.

K

Функция почек, аномальная

Почки (распространенные структурные аномалии почек, выявляемые при визуализации: что сообщить своим семьям)

M

Подавление менструального цикла (алгоритм) – обновлено в ноябре 2021 г.

Мигрень – обновлено в апреле 2022 г.

Моллюск – обновлено в июле 2020 г.

Нефротический синдром – обновлено в июле 2020 г.

O

Ожирение – опубликовано в The Journal of Clinical Endocrinology & Metabolism , март 2017 г.

Ожирение (алгоритм) – обновлено в августе 2022 г.

Средний отит

• Острый средний отит (алгоритм) – обновлено в декабре 2021 г.
• Острый средний отит с неэффективностью лечения (алгоритм) – обновлено в декабре 2021 г.
• Хронический средний отит (алгоритм) – обновлено за февраль 2020 г.
• Рецидивирующий острый средний отит (алгоритм) – обновлено за февраль 2020 г.

P

Болевые синдромы – обновлено в ноябре 2020 г.

Фарингит

• Острый фарингит (алгоритм) – обновлено в декабре 2021 г.
• Рецидивирующий фарингит (алгоритм) – обновлено за февраль 2020 г.

Фимоз – обновлено в марте 2020 г.

Фимоз (алгоритм) – обновлено в марте 2020 г.

Синдром постуральной ортостатической тахикардии (POTS) – обновлено в ноябре 2020 г. алгоритм) – обновлено в ноябре 2021 г.

Протеинурия (алгоритм) – обновлено в январе 2020 г.

R

Рефлюкс (см. ГЭРБ у младенцев в возрасте от 0 до 12 месяцев или ГЭРБ у детей в возрасте от 1 года) (алгоритмы) — обновлено в декабре 2019 г. Возвращение к спорту) (алгоритм) – обновлено в марте 2022 г.

Рахит (см. Дефицит витамина D) (алгоритм) – обновлено в октябре 2019 г. алгоритм) – обновлено в декабре 2021 г.

Хронический синусит (алгоритм) – обновлено за февраль 2020 г.

Стрептококковая ангина (см. Фарингит) (алгоритмы) – обновлены различные даты

Обмороки (алгоритм) – обновлены май 2022 г.

T

Инфекция мочевыводящих путей

Инфекция мочевыводящих путей (алгоритм) – обновлено в декабре 2021 г.

Крапивница (алгоритм) – обновлено в июне 2020 г.

V

Varicocele (алгоритм) — обновлен март 2020

Vesycoureteral Reflux (алгоритм) — обновлен март 2020

Witamin D Дефицит (алгоритм) — обновленный октябрь 2019

W.

Warts — Advited Abost 2019

W.

Warts — Advited Abodt 2019

W.

Warts — Advited 2019

W.

WARTS — Advited Abost 2019. Использование генетического алгоритма

В этом исследовании применялись инженерные методы для разработки модели планирования работы медсестер, которая при сохранении высочайшего уровня обслуживания одновременно сводила к минимуму расходы на персонал больницы и справедливо распределяла оплату сверхурочных. В математической модели целевой функцией была сумма оплаты сверхурочных всем медсестрам и стандартного отклонения общей оплаты сверхурочных, которую получила каждая медсестра. Распределения входных данных были проанализированы, чтобы сформулировать имитационную модель для определения оптимального спроса на медсестер, отвечающих стандартам обслуживания больницы. Чтобы получить оптимальное расписание медсестер с количеством медсестер, полученным из имитационной модели, мы предложили генетический алгоритм (ГА) с двухточечным кроссовером и случайной мутацией. После запуска алгоритма мы сравнили расходы и количество медсестер между существующим и предложенным нами графиками медсестер. На январь 2013 г. график медсестер, полученный GA, может сэкономить 12% расходов на персонал в месяц и 13% количества медсестер по сравнению с существующим графиком, в то же время более справедливо распределяя оплату сверхурочных между всеми медсестрами.

1. Введение

Чтобы преуспеть в управлении организацией, одним из важных факторов, который необходимо учитывать, является управление человеческими ресурсами внутри организации для достижения максимальной эффективности в любое время. Это позволит организации всегда успешно доводить миссию до цели с максимальной эффективностью и результативностью. Для управления персоналом в больницах планирование работы медсестер является одним из важных факторов, которым трудно управлять для достижения максимальной эффективности из-за неопределенности количества пациентов в день, что затрудняет управление сестринским персоналом для адекватного и надлежащего оказания услуг больным. пациенты. Если медсестер слишком много, больница, скорее всего, потратит бюджет впустую. Однако, если медсестер слишком мало, в больнице не хватит медсестер на всех пациентов или каждая медсестра может получить или должна взять на себя чрезмерную нагрузку [1]. Из-за высокой сложности, связанной с проблемами планирования медсестер, использование людей для составления расписания может легко привести к ошибкам, например, задача не выполняется с высокой эффективностью, а процесс занимает больше времени.

Подходы 1970-х и 1980-х годов касались ряда формулировок проблем и методов решения. Цель многих исследований состояла в том, чтобы предоставить инструменты поддержки, чтобы уменьшить потребность в ручном построении расписания медсестер. В некоторых исследованиях [2–6] рассматривалась проблема определения уровня и квалификации персонала в зависимости от количества пациентов и их потребности в медицинской помощи. Дальнейшие успехи [7–9] были достигнуты в применении методов линейного и смешанного целочисленного программирования и сетевой оптимизации для разработки расписания медсестер. Ряд исследований включал сочетание эвристических методов и методов моделирования в попытке справиться с более сложным графиком работы медсестер. Поскольку проблемы реального мира огромны и имеют дело со многими ограничениями, эвристика и недавно метаэвристика, такая как имитация отжига (SA), поиск запрета (TA) и генетические алгоритмы (GA), были разработаны для создания высококачественных графиков медсестер в приемлемое время вычислений. В [10] предложено ТП для составления расписания медсестер, целью которого является обеспечение того, чтобы достаточное количество медсестер постоянно дежурило, принимая во внимание индивидуальные предпочтения и запросы на выходные дни таким образом, чтобы ко всем медсестрам относились справедливо. В последнее время ГА применяется для планирования работы персонала в различных прикладных областях, таких как транспортные системы [11], системы здравоохранения [12], аварийно-спасательные службы, скорая помощь и пожарная команда, колл-центры и многие другие сервисные организации.

В этой статье мы намеревались решить проблему планирования медсестер, объединив математическую модель, компьютерное моделирование и ГА. Сформулирована нелинейная целочисленная модель. Считалось, что средняя общая оплата за сверхурочную работу и справедливая оплата всем медсестрам должны быть минимальными, что поддерживает уровень обслуживания. Когда для решения задач применяются математические модели, целевая функция становится суммой оплаты сверхурочных всех медсестер и стандартного отклонения общей оплаты сверхурочных, которую получила каждая медсестра. Это исследование было направлено на создание наиболее подходящей модели расписания медсестер с применением метода моделирования для анализа распределения данных. После этого была создана имитационная модель для определения адекватного спроса на медсестер с не более чем 15% пациентов, ожидающих дольше среднего времени обслуживания, а также с более чем 25% пациентов, ожидающих, и с применением ГА кодирование в программе Matlab для расчета наилучшего графика работы на основе наиболее подходящего спроса на медсестер, полученного в результате моделирования. Затем расходы и количество медсестер по новому графику работы сравнивали с фактическими расходами по графику работы и прежней численности медсестер.

2. Анализ и постановка задачи

2.1. Анализ причин и проблем при составлении расписания медсестер

В настоящее время одна больница использует планирование рабочей силы для составления расписания медсестер. Этот метод предполагает измерение рабочей нагрузки и эффективности производительности в среднем за час работы при наличии 20 медицинских сестер в амбулаторном отделении, которые чередуются для работы в следующих пяти отделениях: отделении хирургии (SUR), отделении внутренней медицины (MED), отделении глаз, уха, носа и горла (EENT), отделение педиатрии (PED) и отделение акушерства и гинекологии (OBG). Существует два типа графика работы медицинских сестер: 8-часовой рабочий день (08.00–16.00 часов) и 12-часовой рабочий день (8.00–20.00 часов), с фиксированной нагрузкой каждый день, и рабочее время не может быть изменено на данном этапе. Это вызывает проблемы при распределении отпусков для удовлетворения потребностей медсестер [13, 14].

График работы медсестер в этой больнице использует только один формат, который назначает одинаковое количество медсестер для ухода за каждым отделением каждую неделю. Этот формат планирования не соответствует количеству пациентов, проходящих лечение каждый день, и не учитывает факторы, связанные с уровнями обслуживания и системами очередей при составлении расписания медсестер. Невозможно установить одинаковые ставки оплаты сверхурочных для всех медсестер. Исследователь подчеркивает важность соответствующей и эффективной модели планирования работы медсестер для обеспечения наименьших затрат для больницы при сохранении уровня обслуживания в больнице и справедливой оплаты сверхурочных всем медсестрам по одинаковым ставкам с использованием метода моделирования и оптимизации для создать наиболее подходящее расписание медсестры.

2.2. Математическое моделирование и функция спроса

Мы создали целевые и ограничивающие уравнения для различных условий на основе информации, полученной из больницы, путем разработки математической модели целочисленного программирования с задачей назначения [15, 16]. Предварительные данные задавались в следующих условиях: где (медицинская сестра), (семь рабочих дней: понедельник, вторник, воскресенье), (две смены: обычный рабочий день (08.00–16.00 часов) и сверхурочные часы (16.00–20.00 часов)), (хирургическое отделение (СУР) , отделение внутренней медицины (MED), отделение глаз, уха, горла и носа (EENT), отделение педиатрии (PED) и отделение акушерства и гинекологии (OBG)), = общее количество медсестер, = сумма все выплаты за сверхурочную работу, которые получают медсестры, = стандартное отклонение от общей суммы оплаты за сверхурочную работу, которую получает каждая медсестра, = среднее значение общей оплаты за сверхурочную работу, которую получает каждая медсестра, = дополнительная оплата за сверхурочную работу, которую медсестра получает в день работы в отделении, = оплата за сверхурочную работу которую медсестра получает за неделю, = общая оплата сверхурочных, которую получает медсестра, и = спрос на медсестер на дату и время в отделении.

Целевое уравнение преследует две цели. (1) Расходы больницы минимальны. (2) Стандартные отклонения общей оплаты сверхурочных медсестер наиболее схожи.

Выполнение вычислений для поиска ответов на проблемные шаблоны с несколькими целями было бы очень сложным, и было бы трудно найти ответ. Для облегчения расчета два уравнения были объединены вместе. Однако, поскольку оба уравнения выражены в разных единицах, чтобы включить их вместе, необходимо преобразовать их в одну и ту же единицу, представив эти два уравнения в виде процента от суммы. Взвешивание важности целевых функций в процентах и ​​процентах, соответственно, составит сумму процентного уравнения затрат больницы, а стандартное отклонение общей оплаты сверхурочных, которую получает каждая медсестра, можно оценить следующим образом: где = с поправкой на вес, = сумма средней общей оплаты сверхурочных, которую каждая медсестра получает в этом конкретном месяце, и = стандартное отклонение общей оплаты сверхурочных, которую каждая медсестра получает в этом конкретном месяце.

Уравнение ограничений включает следующее. (1) Количество медсестер должно быть достаточным для удовлетворения потребностей пациентов в каждый рабочий период и день: (2) Одна медсестра должна работать не менее 40 часов в неделю (4), но менее 60 часов в неделю (5): (3) Все медсестры должны быть отобраны для работы (6) и работать не более шести дней в неделю (7): (4) В день одна медсестра может работать только один период в одном отделении: Уравнения, связанные с расходами, выглядят следующим образом.

Когда медсестры работают более 40 часов в неделю, они получают сверхурочную оплату в размере 650 бат за восемь часов или 81,25 бат в час, а если в течение 16.00–20.00 часов, они получают дополнительную оплату за сверхурочную работу в размере 50 бат за рабочий день. : После этого определяется наименьшее количество медсестер, чтобы попасть в штат в соответствии с существующими ограничениями.

Предложенная математическая модель с целевой функцией (2) с учетом ограничений (3)–(9) была проверена с помощью простой задачи, как показано в таблице 1. С помощью традиционного подхода точного решения было построено расписание медсестер для двух отделений, SUR и МЭД, и сообщается с помощью диаграммы Ганта, как показано в Таблице 2. В Таблице 2 и представлены графики СУР и МЭД соответственно. Программное обеспечение Lingo также сообщило, что математическая модель является нелинейной моделью с целочисленными переменными.

3. Моделирование построения для определения надлежащего спроса на медсестер

В этом случае, поскольку в больнице не использовалась система критериев обслуживания, спрос на медсестер, как в настоящее время, может не соответствовать спросу для нахождения наименьшего график работы по стоимости. Исследователь изучил соответствующий спрос на медсестер (), создав симуляцию с использованием программы Arena, чтобы определить соответствующий спрос на медсестер в каждом отделении и во все периоды каждого дня на основе исходных данных больницы. Было установлено, что в среднем 34,08% или 54,87 пациентов в неделю ждали более 25% от общего среднего времени обслуживания. Таким образом, исследователь стремился добиться улучшения самого исходного состояния, создав симуляцию в соответствии с критериями обслуживания, которые установили ограничение, поскольку в среднем только 15% пациентов не должны были ждать дольше, чем 25% от общего среднего обслуживания. время.

3.1. Сбор данных об обслуживании пациентов и продолжительности сестринского обслуживания

Для сбора данных по каждому отделению в каждый период каждого дня (начиная с регистрации пациентов до момента ожидания приема у врача) исследователь решил использовать данные как каждый день в месяце для представления дня в этом месяце. Сбор данных проводился отделом обеспечения качества в учебном центре больницы; они определили амбулаторного пациента на основе комбинации посещений и визитов. Время между приходом обычного и сверхурочного времени, включая время обслуживания, собиралось в течение двух лет в зимний сезон, когда наблюдается наибольшее количество амбулаторных больных. Время между прибытиями для обычных и сверхурочных периодов собиралось отдельно из-за значительных статических данных. Однако существенной разницы во времени службы замечено не было. Затем данные были классифицированы по дням недели и проанализированы на предмет их статистического распределения по трем категориям.

3.2. Анализ распределения данных

Данные были проанализированы с использованием подходящего дисперсионного анализатора входных данных в программе Arena и путем выбора распределения с наивысшим значением с использованием уровня значимости () на уровне 0,05 (достоверность 95%), как показано в таблице. 3. Значение является ключевым понятием в подходе Рональда Фишера, где он использует его для измерения веса данных по сравнению с определенной гипотезой и в качестве ориентира для игнорирования данных, которые не достигают определенного уровня значимости.

3.3. Имитационное моделирование

Мы создали имитационное моделирование, начиная с момента, когда пациент зарегистрировался в отделении обслуживания, на основе времени между прибытиями и распределения статистики времени обслуживания, представленного в таблице 3. модель может учитывать динамику поступления пациентов. Начиная с распределения статистики прибытия пациентов, пациенты зарегистрировались в отделении обслуживания. В соответствии с симптомом пациента они переместились к нужной стойке отделения и дождались истории болезни. Параллельно с поиском и приходом файлов пациенты выстраивались в очередь и ждали обслуживания медсестры. Медсестры выполняли основные обследования, такие как измерение веса, артериального давления, температуры, осмотр перед симптомами и, наконец, записывали все данные измерений в файл после его прибытия. Распределения времени обслуживания, записанные и аппроксимированные статистическим подходом в таблице 3, использовались в качестве набора данных в блоке обработки. После этого мы сохранили процентную информацию о тех пациентах, чье время ожидания превысило ограничение времени обслуживания, как показано на рисунке 1.9.0003

Затем мы корректировали количество медсестер (ресурс) в столбце вместимости вручную, как показано в Таблице 4, до тех пор, пока процент пациентов, ожидающих больше лимита (средний и полуширинный) в каждом отделении, не стал меньше 15 %, в соответствии с тем, что мы хотели в каждом разделе, как показано в таблице 5. После этого мы обработали 100 повторений.

Из Таблицы 4 видно, что отделения СУР, МЭД и ЛОР назначили двух человек, ПЕД – трех человек, а ОБГ – одного человека для работы в своих отделениях.

Из таблицы 5 видно, что все отделения, в которых процент пациентов, ожидающих ожидания свыше лимита (средний и полуширинный), не превышает 15%. В отделениях оториноларингологии, медицинской помощи, акушерства, педиатрии и хирургической хирургии доля пациентов, ожидающих лечения дольше предела (среднее значение плюс положительная полуширина), составила 0,7918%, 2,0505%, 5,0424%, 2,7194% и 5,6773% соответственно. Мы рассмотрели только положительную полуширину, потому что хотели бы знать максимальный процент ожидающих пациентов.

3.4. Проверка имитационной модели

При проверке модели мы сравнили результаты между реальной ситуацией, которая произошла в этой больнице, и имитационной моделью. Среднее количество пациентов, получающих обслуживание, среднее количество пациентов, ожидающих обслуживания дольше среднего времени обслуживания, и среднее количество пациентов, ожидающих менее среднего времени обслуживания, были предложены для эффективного формирования имитационной модели. 100 раз с восьмичасовой симуляцией были проведены для всех пяти амбулаторных отделений. Результаты представлены в таблице 6. В строке моделирования мы указали среднее число плюс/минус с их соответствующей полушириной.

В таблице 6 указано, что OBG получил самую высокую процентную ошибку в отношении среднего числа пациентов, получающих помощь, из-за низкого значения, указанного в таблице 3. Однако с этой ошибкой мы можем принять эту имитационную модель, созданную программой arena для применение реального дела.

После проверки модели была выполнена ручная корректировка емкости ресурсов, которая была выбрана в соответствии с политикой обслуживания высшего руководства больницы. Политика уровня обслуживания была установлена ​​​​как не более 15% пациентов, ожидающих дольше, чем среднее время обслуживания. Затем соответствующий ресурс (количество медсестер) из моделирования был показан для каждого отделения в таблице 7. Это количество медсестер будет использоваться в качестве данных для спроса на медсестер () в математической модели для получения оптимального графика медсестер. Тем не менее, для получения оптимального графика работы медсестры с помощью традиционного подхода всегда требуются вычислительные ресурсы и аппаратная реализация. Для решения и получения приемлемого решения был предложен генетический алгоритм.

4. Программирование генетического алгоритма планирования медсестер

Мы закодировали программу генетического алгоритма для использования в сменном графике медсестер с помощью программы Matlab, выполнив следующие шаги.

4.1. Хромосомный формат и кодирование хромосом

Хромосомный формат использует двоичную систему счисления и делится на три уровня, как показано на рис. 2, где  уровень 1 — медсестра в ; 2 уровень – рабочие дни понедельник, вторник, среда, воскресенье; уровень 3 — это номер 8-битного кода.

4.2. Хромосомное кодирование и хромосомное декодирование

Для кодирования хромосомы мы использовали двоично-десятичную систему, которая представляет собой систему, использующую 8-битный двоичный код вместо общего кода, который мы установили. Мы можем кодировать и декодировать хромосому, как показано в Таблице 8, где (i) NDA = не работает в обычные часы, (ii) DA1 = работает в обычные часы в Подразделении 1, (iii) DA2 = работает в обычные часы в Подразделении 2,(iv)DA3 = работа в обычные часы в Подразделении 3, (v)DA4 = работа в обычные часы в Подразделении 4, (vi)DA5 = работа в обычные часы в Подразделении 5, (vii)НЕ = не работа сверхурочно, (viii)OT1 = сверхурочная работа в категории 1, (ix)OT2 = сверхурочная работа в категории 2, (x)OT3 = сверхурочная работа в категории 3, (xi)OT4 = сверхурочная работа в категории 4, (xii)OT5 = работа овертайм в Дивизионе 5.

4.3. Создание начальной популяции

Каждая хромосома медсестры может быть сгенерирована случайным образом для начального состояния. Затем проверьте, входит ли это в рамки основной цели или нет, с рабочим временем менее 60 часов. Если эта хромосома не входит в рамки основной цели, снова случайный поиск до тех пор, пока каждая хромосома медсестры не завершится по всей длине и не будут сгенерированы все хромосомы медсестры, чтобы достичь заданного количества населения.

4.4. Кроссовер и мутация

Кроссовер является важным оператором, который сочетает в себе хорошие свойства обоих родителей, чтобы, возможно, получить новые лучшие детские хромосомы [17, 18]. Как обычно, простой оператор кроссинговера (одноточечный кроссинговер) состоит из случайного выбора точки кроссинговера и последующего рекомбинации частей пары хромосом для образования двух новых хромосом. Простой кроссовер совместим с кодировкой случайных ключей, хотя обычно он не сохраняет перестановку при работе с естественным кодированием. Следовательно, для естественного кодирования необходимо использовать специальные операторы кроссовера [19].]. Выбор колеса рулетки (RWS), рейтинговый выбор (RS), турнирный выбор (TS), частичное совпадение кроссовера (PMX), кроссовер порядка (OX) и кроссовер цикла (CX) оцениваются путем сравнения производительности операторов GA на университетском курсе. задача расписания [20]. Операторам PMX, OX и CX требуются две точки пересечения. Учитывая две родительские хромосомы и , дочерняя хромосома наследует форму подпоследовательности между этими двумя точками и дочерняя хромосома , форма , соответствующую подпоследовательность. Элементы двух точек и за их пределами копируются из другой родительской хромосомы, пытаясь сохранить ее положение под оператором PMX или пытаясь сохранить ее порядок под оператором OX. Сравнительный анализ операторов кроссовера PMX, CX и OX для решения задачи коммивояжера (TSP) был проведен в [21]. Экспериментальные результаты показывают, что кроссовер PMX превосходит оператора кроссовера CX и OX в TSP с 25 номерами городов. Для нашей проблемы был проведен простой тест, и мы обнаружили, что PMX обеспечивает лучшее решение, чем одноточечный кроссовер; в частности, одноточечный кроссовер не может учитывать все ограничения (3)–(8).

После применения кроссовера оператор мутации действует на пары хромосом. Хотя мутации в природе происходят нечасто, считается, что они являются важной движущей силой эволюции. Мутация принимается, чтобы обеспечить введение новой хромосомы в популяцию, и эффективна для выхода из локального оптимума. Простая мутация действует путем случайного изменения своего значения с заданной вероятностью, используемой в наших экспериментах.

4.5. Оценка пригодности

Значение пригодности можно оценить с помощью двух следующих критериев. Критерий первый: хромосома — допустимое решение. Значение пригодности — это целевая функция, которая обрабатывается (2). Критерий второй: хромосома — невыполнимое решение. Значение пригодности равно 1000 единицам.

4.6. Выбор хромосомы

Мы выбрали хромосому с помощью рулетки.

4.7. Elite Preserve Strategy

Предыдущие хромосомы с высокими значениями приспособленности были заменены новыми хромосомами с более низкими значениями приспособленности. Затем они использовались в качестве начальной популяции для следующей итерации.

4.8. Критерии прекращения

Условием прекращения поиска ответов было то, что когда требуемое количество решений полностью соответствует указанным номерам итераций; мы немедленно останавливаем процесс проверки.

5. План эксперимента для определения оптимальной конфигурации в генетическом программировании

В этом разделе мы представили метод планирования эксперимента (DOE) для проверки затронутых параметров и руководство по настройке параметров для машины поиска решения генетического алгоритма. Мы провели эксперимент, зафиксировав текущее количество медсестер на уровне 18 с низким спросом на медсестер в каждом отделении. Все три ожидаемых параметра задавались двумя уровнями, максимальным и минимальным.

5.1. Определение факторов и значений факторов на каждом уровне

Факторы могут быть выбраны для эксперимента следующим образом: (1) численность популяции, (2) процент кроссинговера, (3) процент мутации.

Мы использовали факторы в Таблице 9 для построения матрицы плана эксперимента, полного факторного плана () (8), а затем провели эксперимент с использованием трех центральных точек на блок со всеми тремя повторениями. Мы также зафиксировали количество максимальных циклов на уровне 400 циклов. Это произошло потому, что исследование показало, что количество рассчитанных циклов имеет высокую стабильность. Циклы также требовали много времени для расчета и, следовательно, могут вызывать неудобства при их фактическом использовании. Количество медсестер, всего 18 человек, было зафиксировано в начале экспериментального плана, и результаты показаны в Таблице 10, которая включает использование данных о спросе на медсестер за первую неделю января.

5.2. Анализ эффектов и коэффициентов и проверка адекватности модели

Мы использовали экспериментальные результаты для анализа эффектов и коэффициентов с помощью программы Minitab, чтобы найти факторы, влияющие на ожидаемые отклики.

Рисунок 3 показывает, что данные были нормально и последовательно распределены без какой-либо тенденции и могут быть использованы для дальнейшего анализа результатов.

Таблица 11 показывает, что корреляция данных является линейной, поскольку центральная точка. больше 0,05, а значения факторов , , , и меньше 0,05, что значимо для эксперимента. Был сделан вывод, что факторы и были значимы при доверительном уровне 0,05, как показано на рисунке 4.9.0003

-кв. значение находится в диапазоне от 0 до 1 или от 0% до 100%. Если -кв. значение очень близко к 1, то это указывает на то, что моделирование может объяснить различные переменные более правильно и точно. Таблица 12 показывает, что -Sq. значение равно 99,48%, что очень много. Это означает, что данные могут правильно объяснять зависимые переменные и могут анализировать дальнейшие функции оптимизатора отклика.

5.3. Анализ для получения наиболее подходящих результатов с помощью Response Optimizer

Результаты были проанализированы с использованием оптимизатора отклика Minitab, как показано на рисунках 5 и 6.

На основании полученных результатов, как показано на рисунке 5, это исследование направлено на определение наименьшего целевого уравнения. В результате мы изменили «Цель» на «Минимизировать», поскольку целевое уравнение представляло собой сумму процента расходов больницы и стандартного отклонения сверхурочной работы каждой медсестры, которое варьировалось от 0 до 100. В результате целевое значение было установлено. до 0, а верхняя цель до 100.

На рисунке 6 показано, что если мы хотим настроить генетическую программу для получения наименьшего целевого уравнения, оно должно быть установлено, как показано в таблице 13. Из уравнения прогноза целевое уравнение должно быть равно 0,4492 (цель = 0,4492). Возможная установка оптимальных параметров может происходить при низком уровне % мутации; мы провели эксперимент и представили данные в таблице 14. Отчеты показали, что целевая функция ухудшается, когда % мутаций уменьшается. Отчеты также показали, что чем выше процент мутаций, тем лучше целевые функции.

5.4. Подтверждение результата Эксперимент

Мы провели эксперимент для проверки точности, настроив генетическую программу, как показано в Таблице 12, а также зафиксировав максимальное число итераций для числа медсестер в 400 циклов и 18 медсестер, соответственно, как показано в Таблице 15.

Таблица 15 показывает, что фактическое целевое значение (цель) на самом деле лучше, чем (т. е. меньше) 0,63 % прогнозируемого значения, и может использоваться на практике и фактически уменьшает целевое уравнение (цель).

6. Изменение числа медсестер при оптимальном планировании работы в условиях ограничения ограничений с помощью генетического программирования и постепенного сокращения числа медсестер до конечного значения, при котором программа могла вычислить ответ.

Расчет был выполнен в таблице 16.

Таблица 16 показывает, что наименьшее количество медсестер, которые могли планировать работу в соответствии с ограничениями, было 20. На основе 20 медсестер были рассчитаны сумма оплаты сверхурочных и стандартное отклонение оплаты сверхурочных, которые были представлены в Таблица 17. Таким образом, количество рабочих часов для каждой медсестры, количество медсестер в каждом отделении и план графика работы медсестры были составлены и представлены в таблицах 18 и 19..

Из Таблицы 17 видно, что целевое уравнение (объект) полученных ответов было равно 0,3959. Сумма оплаты сверхурочных всех медсестер составила 16 600 бат в неделю. Стандартное отклонение оплаты сверхурочных, которую получила каждая медсестра, составило 214,843. Для справедливого сравнения мы должны преобразовать реальную оплату сверхурочных и стандартное отклонение для нынешних 18 медсестер в 20 медсестер. Тогда мы можем сообщить, что сумма общей оплаты за сверхурочную работу и стандартное отклонение оплаты за сверхурочную работу, которую получила каждая медсестра, полученная из модели, были меньше, чем в старом рабочем графике, на 17,9. 91 бат в неделю и 882,369 соответственно.

Таблица 18 показывает, что все медсестры работали в соответствии с указанными условиями; то есть одна медсестра должна работать не менее 40 часов в неделю, как в (4), но должна работать менее 60 часов в неделю, как в (5), все будут выбраны для работы, как в (6), и продолжительность работы не должна превышать шести дней в неделю, как в (7).

Из таблицы 19 видно, что количество медсестер, работающих посменно каждый день, превышало потребность в медсестрах, как показано в таблице 6, что соответствует (3) и заданным критериям обслуживания (в среднем, 15% пациентов, ожидающих обслуживания, не должны ждать дольше, чем среднее время обслуживания, равное 25%), поскольку количество медсестер, работающих посменно, превышает спрос.

Чтобы изучить влияние скорректированного веса , было проведено больше численных экспериментов с помощью ГА, закодированного в Matlab, на 400 итерациях, результаты представлены в таблице 20. Отчет был показан, как мы и ожидали; большая корректировка по весу, меньшая оплата за сверхурочную работу одновременно с более высоким стандартным отклонением. Это означает, что если руководство сосредоточится на снижении оплаты сверхурочных, это приведет к несправедливой оплате или смещению графика работы медсестер.

7. Сравнение преимуществ и недостатков адаптивного генетического и оптимизационного подходов

Мы обработали данные для сравнения результатов адаптивного генетического подхода и результатов, полученных программой Lingo с использованием тех же данных, чтобы сравнить целевое уравнение (объект) и время выполнения вычислений, как показано в таблицах 21. и 22.

В таблице 21 показаны результаты эксперимента по обработке после его десятикратного проведения. Графики работы с использованием 20 и 24 медицинских сестер с расчетным циклом 400 обходов дали наилучшее значение для целевых уравнений 0,4361 и 0,4551 соответственно. После десяти экспериментов по обработке графики работы 20 и 24 медицинских сестер с расчетным циклом в 1500 раундов дали наилучшее значение для целевых уравнений 0,39.59 и 0,4493, соответственно, и могут быть представлены в Таблице 22.

В Таблице 22 показано, что рабочий график для 20 медсестер на 1500 патронов, по сравнению с программой Lingo, может рассчитать рабочий график с помощью целевого уравнения (obj .) меньше, чем генетический алгоритм, в среднем примерно на 5,80% и %, но алгоритм, созданный программой Lingo, использовал более длительное время выполнения вычислений, в среднем более чем на 868,49% и 764,52%. Мы также можем заметить, что результаты на 400 выстрелах показали одно и то же направление; лучшее и среднее решение генетического алгоритма отличаются примерно на 90,82% и % от оптимального соответственно. Однако оптимальный метод использовался дольше, в среднем более чем на 3062,57% и 3154,81%, что свидетельствует о том, что генетическая программа больше подходит для практического использования.

8. Заключение

Полученные данные показали, что созданная генетическая программа может управлять графиком работы медицинских сестер в заданных условиях и достигать желаемой цели. Это могло бы создать графики работы медсестер, которые были бы справедливыми в оплате сверхурочных для всех медсестер, и могло бы сократить расходы больницы, установив минимальную заработную плату для новых медсестер в размере 15 000 бат на человека.

Из таблиц 23, 24 и 25 можно сделать следующие выводы: графики работы по предложенному способу сокращают время ожидания числа пациентов, ожидающих более чем в 1,25 раза от средней продолжительности сестринского обслуживания с 34,08% до менее в среднем 15% (начиная с того момента, когда пациенты записались на прием и ждут приема у врача). Если мы хотим запланировать работу медсестер на январь 2012 года, чтобы соответствовать критериям обслуживания этого исследования, мы должны увеличить количество медсестер с 18 до 20, чтобы это число могло полностью удовлетворить потребности пациентов. по критериям. Графики работы медсестер могут быть наиболее подходящими, если целевое уравнение составляет 0,39.59, в котором используется время расчета 6,03 часа со стандартным отклонением менее 80,28% и оплатой сверхурочных менее 29 564 бат в месяц. Если сравнить это с фактическим графиком работы в январе 2013 года, график работы может сократить количество медсестер с 23 до 20 с уменьшенным стандартным отклонением, то есть на 89,08%, а уменьшение общей оплаты сверхурочных составит 50 148 бат. в месяц. Мы смогли рассчитать наиболее подходящий график работы быстрее, чем при использовании традиционного подхода, результаты которого получены программой Lingo, версия 5.0, 868.49.% при 1500 выстрелах за расчетный цикл.

Как известно, больницы относятся к сфере услуг; постоянное совершенствование наряду с реакцией на удовлетворенность клиентов является ключевым фактором успеха в этом бизнесе. Чтобы сократить время ожидания в каждом больничном процессе, необходимы высокие стандарты медицинского обслуживания и высококвалифицированные врачи. В настоящее время Таиланд поставил перед собой цель стать азиатским медицинским и туристическим центром; эта стратегия страны может вызвать и заставить больницы улучшить качество своих услуг, чтобы хорошо реагировать на большое количество амбулаторных пациентов. Необходимо выполнить сбор обновленных данных; политики уровня обслуживания должны быть пересмотрены. Требования к амбулаторным медсестрам и их графики могут время от времени меняться. Медсестры стационара могут быть назначены для оказания помощи, когда руководство желает уменьшить колебания в количестве медсестер амбулаторного лечения. Таким образом, необходим современный менеджмент и высокоэффективные инструменты; это причина, по которой GA используется вместо принятия традиционного подхода. Однако что касается реализации симуляции, то даже GA не знаком больничным людям. Оптимизация наращивания потенциала – еще один вопрос, который придется рассмотреть руководству больницы.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

Подтверждение

Чиангмайский университет (CMU) через отдел управления исследованиями предоставил бюджет нашему Центру передового опыта в области логистики и управления цепями поставок (E-LSCM).

Copyright © 2014 Комгрит Лексакул и Сукрит Петсават. Это статья с открытым доступом, распространяемая в соответствии с лицензией Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии надлежащего цитирования оригинальной работы.