Zusammenfassung Hintergrund Die COVID-19-Pandemie zeichnet sich durch einen sich langsam aufbauenden Bedarf von Ressourcen des Gesundheitswesens mit lokalen Hotspots aus und erzeugt dadurch enorme Probleme. Für die Krankenhäuser liegt eine der größten Herausforderungen in der Vorhaltung von Bettenkapazitäten, insbesondere da der Bedarf schwer vorherzusehen ist. Fragestellung Um den Entscheidungsträgern eine Hilfestellung zu geben, wurden mehrere simulationsbasierte Prognosen für die benötigte Bettenkapazität am Universitätsklinikum Augsburg durchgeführt, um bei variablen Pandemieverläufen die benötigten Bettenkapazitäten abschätzen zu können. Methode Als Input dienen aktuelle Erkenntnisse über den Verlauf der Ausbreitung, insbesondere die Wachstumsrate an kumulierten Neuinfektionen pro Tag. Zur Abbildung von Unsicherheit werden mittels Verteilungsfunktionen, basierend auf Realdaten der Wachstumsrate, die Verweildauer sowie der Anteil der hospitalisierten COVID-19-Patienten im Einzugsgebiet modelliert. Im Anschluss erfolgt eine Monte-Carlo-Simulation, die eine Abschätzung der benötigten Bettenkapazitäten für mehrere Tage in der Zukunft erlaubt. Ergebnisse Mithilfe von mehreren simulationsbasierten Kapazitätsprognosen im Zeitraum vom 28.03.2020 bis zum 08.06.2020 konnte die benötigte Intensiv- und Normalbettenkapazität am Universitätsklinikum Augsburg sowie im Rettungsdienstbereich Augsburg mit einer hohen Zuverlässigkeit prognostiziert werden. Schlussfolgerung Mithilfe des entwickelten Simulationsmodells zur Abschätzung der benötigten Bettenkapazität kann den Kliniken und dem Katastrophenschutz eine Hilfestellung zur Abschätzung der kurzfristigen Entwicklung des Kapazitätsbedarfs für Verdachtsfälle sowie bestätigte COVID-19-Patienten gegeben werden. Der operative Einsatz der Methode am Universitätsklinikum Augsburg zeigte verlässliche Ergebnisse.
We present a scalable forecasting framework with a Monte Carlo simulation to forecast the short-term bed occupancy of patients with confirmed and suspected COVID-19 in intensive care units and regular wards. Our forecasts were a central part of the official weekly reports of the Bavarian State Ministry of Health and Care from May 2020 to March 2021.
Constant competition in the manufacturing sector forces companies to continually decrease their costs while satisfying customer needs. These companies could be more efficient and achieve better results if they automated many of the tasks that they now schedule manually. In this paper, we describe how one department of Johnson Electric, a leading manufacturer of electromechanical components, automated and improved its scheduling process through the application of operations research. We created an easy-to-use Excel Solver-based tool for scheduling self-directed work cells. This tool does not require a user to have any knowledge of mathematical programming, because it automatically adds the objective function and constraints in the background. Our results show that the time required to create schedules decreases drastically and that the quality of the schedules improves significantly depending on the chosen objective function. We illustrate how fundamental knowledge of single-machine scheduling can add significant practical value in manufacturing. Moreover, our work shows that advances in computer interface development tools (e.g., Visual Basic for Applications) are making it possible to efficiently implement operations research concepts.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.