Anda di halaman 1dari 19

Model Departemen Darurat untuk Mengurangi Waktu 

Tunggu Pasien
Marek Laskowski, Robert D. McLeod *, Marcia R. Friesen, Blake W. Podaima,Attahiru S. Alfa
Pusat Inovasi Internet, Teknik Listrik dan Komputer, Universitas Manitoba, Winnipeg, Manitoba, Kanada

Abstrak
Dalam makalah ini, kami menerapkan model berbasis agen dan model antrian untuk menyelidiki akses pasien dan aliran pasien
melalui unit gawat darurat. Tujuan dari pekerjaan ini adalah untuk mendapatkan wawasan tentang kontribusi komparatif dan
keterbatasan teknik­teknik pelengkap ini, dalam kemampuan mereka untuk berkontribusi masukan empiris ke dalam kebijakan
dan   pedoman   praktik   kesehatan.   Model­model   dikembangkan   secara   independen,   dengan   maksud   untuk   membandingkan
kesesuaian mereka dengan simulasi departemen darurat. Model saat ini menerapkan skenario umum yang relatif sederhana, dan
bergantung pada kombinasi data simulasi dan nyata untuk mensimulasikan aliran pasien dalam satu unit gawat darurat atau dalam
beberapa departemen darurat yang saling berinteraksi. Selain itu, beberapa konsep dari teknik telekomunikasi diterjemahkan ke
dalam konteks pemodelan ini. Kerangka sistem antrian multi­prioritas dan paradigma pemrograman genetik dari pembelajaran
mesin evolusioner diterapkan sebagai sarana meramalkan waktu tunggu pasien dan sebagai sarana kebijakan perawatan kesehatan
yang terus berkembang. Utilitas model terletak pada kemampuan mereka untuk memberikan wawasan kualitatif ke sensitivitas
relatif dan dampak parameter input model, untuk menerangi skenario yang layak penyelidikan yang lebih kompleks, dan secara
berulang memvalidasi model karena mereka terus disempurnakan dan diperluas. Makalah ini membahas upaya masa depan untuk
memperbaiki, memperluas, dan memvalidasi model dengan lebih banyak data dan data nyata relatif terhadap input fisik (spasial­
topografi)   dan   sosial   (kepegawaian,   model   perawatan   pasien,   dll.).   Data   riil   yang   diperoleh   melalui   lokasi   kedekatan   dan
teknologi sistem pelacakan adalah salah satu contoh yang dibahas.

Kutipan: Laskowski M, McLeod RD, MR Friesen, Podaima BW, Alfa AS (2009) Model Departemen Darurat untuk Mengurangi 
Waktu Tunggu Pasien. PLoS ONE 4 (7): e6127. doi: 10.1371 / journal.pone.0006127

Editor: Rory Edward Morty, Universitas Giessen Lung Center, Jerman

Mendapat 10 Februari 2009; Diterima 26 Mei 2009; Diterbitkan 2 Juli 2009

Hak Cipta: © 2009 Laskowski et al. Ini adalah artikel akses terbuka yang didistribusikan di bawah ketentuan Lisensi Pengaitan 
Creative Commons, yang memungkinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam medium apa pun, asalkan 
penulis dan sumber asli dikreditkan.

Pendanaan: Para penulis tidak memiliki dukungan atau pendanaan untuk dilaporkan.

Minat Bersaing: Para penulis telah menyatakan bahwa tidak ada kepentingan yang bersaing.

* E­mail: mcleod@ee.umanitoba.ca

Pendahuluan

Ruang Lingkup
Rumah  sakit  merupakan  area  yang  menjanjikan  di  mana  pemodelan  dan  simulasi  dapat  menjadi  alat  yang  efektif  dalam
mengevaluasi akses pasien dan kebijakan perawatan pasien dan efisiensi. Dalam banyak kasus, operasi departemen darurat (ED)
terlalu dikenai pajak, karena mereka mewakili kompromi yang diperlukan antara prioritas bersaing. Meskipun kebijakan dan
praktik berevolusi dari waktu ke waktu dan upaya terbaik dilakukan untuk mengurangi waktu tunggu pasien dan parameter
perawatan pasien lainnya, seringkali hanya ada sedikit analisis atau umpan balik kuantitatif dalam prosesnya.
Dalam   makalah   ini,   kami   menerapkan   teknik   model   berbasis­agen   (ABM)   dan   teknik   antrian   (QM)   untuk   operasi   ED,
khususnya sehubungan dengan akses pasien dan aliran pasien melalui ED. Tujuan dari pekerjaan ini adalah untuk mendapatkan
wawasan tentang kontribusi dan keterbatasan komparatif masing­masing teknik. Tujuan yang lebih luas dari pekerjaan ini adalah
untuk memberikan kontribusi masukan empiris ke dalam kebijakan perawatan kesehatan dan pedoman praktik yang berkaitan
dengan akses pasien dan aliran pasien. Saat ini, pekerjaan kami telah menghasilkan model umum (ABM dan QM) relatif terhadap
akses pasien dan aliran pasien dalam ED. Ini saat ini dibangun pada model yang relatif sederhana dari tata letak fisik dan proses
sosial dalam ED. Meskipun berasal dari masukan dari ahli kesehatan, model ini mewakili model ED tingkat rendah, karena ini
adalah titik awal yang cocok untuk mengevaluasi validitas model. Model­model umum disajikan dalam makalah ini,

dan mereka memberikan kesempatan (di dalam dan di antara model ABM dan QM) untuk menyelidiki sensitivitas dan dampak
relatif dari berbagai parameter model pada akses pasien dan indikator perawatan pasien.

Selain  itu,  beberapa konsep dari teknik telekomunikasi diterjemahkan ke dalam konteks pemodelan ini.  Kerangka  sistem


antrian  multi­prioritas  dan  paradigma  pemrograman  genetik  dari  pembelajaran  mesin  evolusioner  diterapkan  sebagai  sarana
meramalkan waktu tunggu pasien dan sebagai sarana kebijakan perawatan kesehatan yang terus berkembang.

Secara umum, pendekatan ABM diterapkan dalam pekerjaan ini untuk menyelidiki skenario untuk optimalisasi sumber daya
dalam operasi­operasi ED (misalnya, skenario staf). Pendekatan QM memfasilitasi analisis kuantitatif parameter operasional
dalam ED (misalnya, waktu tunggu). Namun, dalam kedua kasus, tujuannya adalah untuk melaksanakan pemodelan prediktif
dengan input empiris yang semakin meningkat, yang tidak hanya memberikan wawasan yang lebih besar dan lebih kompleks ke
dalam operasi ED, tetapi juga memberi makan ke dalam peningkatan ABM dan QM itu sendiri. Untuk itu, makalah ini membahas
peluang dan upaya masa depan untuk memperbaiki, memperluas, dan memvalidasi model dengan lebih banyak data dan data
nyata (dibandingkan data simulasi). Data riil yang diperoleh melalui lokasi kedekatan dan teknologi sistem pelacakan adalah
salah satu contoh yang dibahas. Peluang dan upaya masa depan juga akan fokus pada pemurnian, perluasan dan memvalidasi
model dengan berbagai model fisik (spasial­topografi) dan sosial yang lebih kompleks (kepegawaian, model perawatan pasien,
dll.), Seperti yang diekstrak dari sistem lokasi waktu nyata dandarurat

PLoS ONEwww.plosone.org 1 Juli 2009 | Volume 4 | Edisi 7 |e6127
sistem informasi departemen, masing­masing. Menambah berbagai perilaku dan interaksi agen dalam ABM adalah perusahaan
interdisipliner, dan upaya masa depan akan sangat bergantung pada masukan dari ahli kesehatan.

Latar Belakang
Pemodelan berbasis Agenadalah pemodelan sistem, didekati dari bawah ke atas atau dari perspektif bagian penyusunnya,
untuk membangun gambaran keseluruhan. Sistem dimodelkan sebagai kumpulan agen, perilaku individu mereka, dan interaksi
mereka. Agen adalah entitas pembuat keputusan otonom yang mampu menilai situasi mereka, membuat keputusan, dan bersaing
satu sama lain berdasarkan seperangkat aturan. Kedalaman konseptual ABM berasal dari kemampuannya untuk memodelkan
perilaku   yang   muncul   yang   mungkin   berlawanan   dengan   intuisi   atau,   setidaknya,   kemampuannya   untuk   membedakan
keseluruhan perilaku kompleks yang lebih besar daripada jumlah bagian­bagiannya. ABM memberikan deskripsi alami dari
sistem yang dapat dikalibrasi dan divalidasi oleh agen ahli yang representatif, dan cukup fleksibel untuk disetel ke tingkat
sensitivitas yang tinggi dalam perilaku dan interaksi agen. ABM sangat cocok untuk pemodelan sistem di mana perilaku agen
adalah kompleks, non­linear, stokastik, dan dapat menunjukkan memori atau path­ketergantungan [1].

Fokus   yang   besar   dari   aplikasi   ABMs   adalah   pada   pemodelan   epidemi   tingkat   komunitas   pada   populasi   manusia   (lihat,
misalnya  [2]),   karena ini  adalah masalah  kesehatan masyarakat  dan kebijakan  yang penting  dengan dampak  kesehatan dan
ekonomi yang luas. Dalam pengaturan layanan kesehatan, ada literatur yang berkaitan dengan penerapan ABM, sendiri atau
sebagai pelengkap teknik lain, untuk operasi ED. Secara umum, literatur ini membahas dinamika kinerja tingkat­sistem, diukur
dalam hal keselamatan pasien [3], indikator ekonomi [3,4], beban kerja staf dan penjadwalan [5,6], dan aliran pasien [7,8].
Sementara literatur ini membahas masalah operasional tingkat sistem selama periode operasi atau stasis tipikal, ada juga literatur
tentang pemodelan operasi perawatan kesehatan selama insiden kritis seperti wabah penyakit dan serangan teroris [9,10,11].
Namun, penulis setuju bahwa ada sedikit pekerjaan yang ada dalam menerapkan ABM untuk pengembangan kebijakan kesehatan
[12]. Pekerjaan kami sebelumnya termasuk pengembangan model epidemi berbasis agen skala besar (tingkat komunitas) [13],
dan baru­baru ini, ABM untuk infeksi yang didapat di rumah sakit [14].

Melengkapi ABM, pemodelan berbasis antrean merepresentasikan metodologi yang mapan dan terjaring dalam riset operasi,
dengan aplikasi yang luas dalam industri jasa. Meskipun penerapannya untuk perawatan kesehatan bukanlah hal baru, aplikasi ini
telah berkembang baru­baru ini, dan kebutuhannya lebih dikenal. Misalnya, konferensi CORS / INFORMS 2009 mendatang di
Toronto, Kanada telah menyediakan 15 sesi untuk aplikasi perawatan kesehatan, yang setidaknya lima difokuskan pada aplikasi
teori antrian. Isu terbaru dari jurnal unggulan INFORMS, Riset Operasi (Vol. 56 (6)), adalah masalah khusus pada Riset Operasi
dalam   Perawatan   Kesehatan.   Ada   pengakuan   yang   jelas   bahwa   QM   dapat   diterapkan   secara   kreatif   untuk   memahami   dan
memperkirakan kinerja yang diharapkan dari proses layanan dalam sistem perawatan kesehatan. Aplikasi QM dalam berbagai
perawatan kesehatan dari menggunakannya untuk mempelajari arus di ED [15], analisis penundaan untuk janji medis [16], dan
untuk menentukan persyaratan tempat tidur rumah sakit dan alokasi [17]. Yang paling penting, model ini dapat digunakan untuk
menilai operasi sistem perawatan kesehatan di bawah skenario 'desain' yang berbeda. Dengan mengidentifikasi titik­titik layanan
dalam sistem perawatan kesehatan, hubungan topologi terkait antara titik­titik ini dan proses stokastik yang mencirikan proses
kedatangan pasien dan proses layanan staf perawatan kesehatan, seseorang dapat menerapkan QM untuk menjelaskan secara
kuantitatif aliran pasien melalui sistem juga sebagai waktu tunggu dalam sistem. QM memungkinkan kami menilaiberbeda

PLoS ONE yangwww.plosone.org 2 Juli 2009 | Volume 4 | Edisi 7 | e6127

ABM dan Model Antrian untukED

konfigurasidari node layanan dan aturan triase. Sebagian besar model yang ada untuk perawatan kesehatan adalah model yang 
sangat antri.

Selain itu, teknologi muncul yang dapat dimanfaatkan oleh rumah sakit untuk meningkatkan perawatan pasien.  Dua dari
teknologi   dan   aplikasi   yang   lebih   jelas   termasuk   pelacakan   intra­rumah   sakit   dan   internetworking.   Teknologi   ini   dapat
memungkinkan pendekatan yang lebih terdistribusi untuk mengelola sejumlah ED yang berinteraksi. Ini dimasukkan ke dalam
salah satu aplikasi ABM yang dijelaskan dalam makalah ini, relatif untuk mengevaluasi pengalihan ambulans atau kebijakan
pengalihan   pasien   lainnya.   Pekerjaan  sebelumnya  oleh  penulis  mempresentasikan  aplikasi  pengumpulan  data  dan  arsitektur
darurat spesifik dan memperluasnya ke area luas Rumah Sakit / ED / Ambulans dan kerangka penyimpangan pasien [18].

Hasil dan Diskusi

Basic ABM Framework
Pekerjaan   kami   berfokus   pada   simulator   visual   open­source   berorientasi   objek   (OO)   yang   dapat   digunakan   untuk
mengumpulkan data dari informasi monitor aliran pasien, yang diterapkan untuk menganalisis dan meramalkan waktu tunggu
pasien. Simulator ini ditulis menggunakan C ++ dan memanfaatkan Qt4 API untuk aplikasi berjendela lintas platform [19].
Berdasarkan sifat open­source dari kedua Qt4 dan kode kami, tahap Beta dari proyek akan mendapat manfaat dari kustomisasi
dan ekstensi peneliti lain. Ini tidak akan mungkin dengan solusi proprietary off­the­shelf daripada paradigma open­source. Qt4
juga   memungkinkan   kami   untuk   menerapkan   simulator   di   Windows,   Mac,   atau   Linux.   Screenshot   dari   jendela   simulator
ditunjukkan pada Gambar 1. Aspek spasial dari visualisasi mencerminkan sifat spasial dari sumber data yang mendasarinya.

Rincian   lebih   lanjut   dari   simulator   ABM   disajikan   dalam   [18].   Paradigma   OO   memungkinkan   instantiasi   ED   dan
memungkinkan komunikasi antara ED. Dalam pengaturan kesehatan yang sebenarnya, informasi pasien dapat secara efektif
disampaikan pada dasbor dalam ED yang berpartisipasi, serta di dasbor di lokasi kontrol yang lebih terpusat. Fleksibilitas dan
penggunaan kembali kode yang difasilitasi oleh arsitektur OO memungkinkan instantiasi beberapa ED dengan sub­classing atau
memperluas kelas yang ada untuk memungkinkan komunikasi antar instansi ED. Setiap ED mempertahankan koleksi generator
pasien, agen yang mewakili poin perawatan pasien (pendaftaran, triase, dll.), Agen pasien, dan agen staf. Agen pengendali khusus
digunakan untuk memediasi aliran pasien melalui proses ED. Membuat subclass dari kontroler diperlukan untuk menangani
variasi pada proses ED dasar, untuk mencerminkan kebijakan yang berbeda untuk masing­masing ED yang dimodelkan. Sebagai
contoh, seseorang dapat membuat subkelas pengontrol untuk ED yang memungkinkan pendaftaran tempat tidur untuk semua
pasien, dibandingkan dengan DE yang mengharuskan sebagian besar pasien untuk mendaftar di meja (sesuai implementasi saat
ini). Sementara model saat ini mewakili operasi ED kasar, kelas yang mewakili staf dan poin perawatan pasien juga dapat
subkelas untuk mencerminkan prosedur yang bervariasi antara ED. Saat model disempurnakan dan diperpanjang, pasien juga
dapat diturunkan.

Pada setiap langkah waktu simulasi, semua status agen yang relevan disegarkan. Sebagai contoh, dalam model umum, pasien
berpindah antara menyusui, menunggu, dan area perawatan, serta melacak waktu yang dihabiskan di setiap aktivitas. Titik­titik
perawatan pasien (misalnya stasiun keperawatan) menghitung waktu yang diperlukan untuk memproses pasien untuk kegiatan
yang relevan. Generator pasien memodelkan proses kedatangan Poisson untuk setiap kelas pasien (yaitu diklasifikasikan oleh
urgensi perawatan yang diperlukan). Pada setiap langkah waktu, masing­masing memutuskan apakah akan memperkenalkan
pasien baru.

Dalam model saat ini, tingkat kedatangan pasien dan waktu layanan didasarkan pada perkiraan yang diperoleh oleh peneliti 
lain [20].lebih lanjut
Pekerjaanakan fokus pada mengemudi simulasi pada data dunia nyata yang dikumpulkan secara real time, seperti yang diusulkan
dalam [21], di mana RFID atau data sistem lokasi kedekatan lainnya akan digunakan untuk menambah simulator. Lebih lanjut,
model saat ini dapat menempatkan area fungsional dari ED di lokasi arbitrary. Pekerjaan di masa depan akan mengintegrasikan
data spasial­topografi nyata yang diambil dari rencana lantai dari ED yang ingin disimulasikan. Denah lantai dari berbagai ED
sudah tersedia, seperti departemen darurat QE2 Halifax yang tersedia di [22]. Jenis informasi topografi ini menjadi lebih mudah
tersedia dan sangat berguna untuk tujuan pemodelan.

Model Antrian Analitik Dasar
Aspek lebih lanjut dari pekerjaan ini adalah untuk menerapkan model antrian (QMs) sebagai teknik pelengkap untuk ABM,
sebagai sarana untuk mendapatkan pemahaman komplementer, komparatif, dan tingkat tinggi ke dalam aplikasi kesehatan yang
disebutkan sebelumnya. Berbeda dengan simulasi, QM bersifat analitik, mampu memberikan wawasan dengan bijaksana tetapi
sering kali dipertukarkan untuk akurasi. Aplikasi saat ini adalah untuk mengembangkan model dasar umum dari ED yang cocok
untuk perbandingan dengan simulasi ABM. Demikian pula, beberapa ED dapat dimodelkan sebagai jaringan antrian, ditambah
dengan teknik numerik dan asumsi dependensi. Pekerjaan ini cocok dengan keseluruhan

Gambar 1. Screen Capture dari Basic ABM Simulator. doi: 10.1371 / journal.pone.0006127.g001

Gambar 2. Antrian dalam Peralatan Telekomunikasi. doi: 10.1371 / journal.pone.0006127.g002

PLoS ONE | www.plosone.org 3 Juli 2009 | Volume 4 | Edisi 7 | e6127

tujuan menggabungkan ABM dengan QM analitik dalam hibrida yang akan cepat dan akurat. Ketika pekerjaan berkembang,
dapat menjadi jelas bahwa satu pendekatan lebih disukai, lebih dapat diterapkan, atau lebih berwawasan daripada yang lain,
tergantung pada hasil yang diinginkan. Dalam menerapkan QM untuk aplikasi perawatan kesehatan, analog telekomunikasi tetap
sangat berlaku, karena ada banyak literatur tentang simulasi maupun QM. Selain itu, jaringan topografis agak mirip dengan
jaringan ED dan mirip dengan aliran dalam ED individu. Contoh berikut dapat mewakili bagian dari aliran pasien melalui ED,
dibingkai dalam suatu QM: seorang pasien akan datang dengan cedera, didaftarkan, diprioritaskan, dijadwalkan untuk layanan
dan perawatan diagnostik, dan dikeluarkan. Gambar 2 mengilustrasikan situasi antrian yang analog dan familiar dalam konteks
telekomunikasi. Satu hal yang perlu diperhatikan adalah bahwa meskipun QM telah digunakan untuk memperbaiki dan
menganalisis berbagai macam proses, bidang telekomunikasi adalah satu dengan korespondensi erat dengan banyak skenario
perawatan kesehatan. Sebagai contoh, ada fenomena antrian umum di jaringan telekomunikasi yang menurunkan kinerja sistem
yang akan memiliki analog yang sesuai dalam perawatan kesehatan, seperti pemblokiran head­of­the­line. Memperluas gagasan
ini, analisis algoritma yang diterapkan dalam jaringan telekomunikasi untuk mengoptimalkan kinerja sistem mungkin juga
memiliki aplikasi baru untuk perawatan kesehatan. Contoh kepala pemblokiran garis dalam pengaturan perawatan kesehatan
mungkin pasien yang siap untuk

ABM dan Model Antrian untuk
dikeluarkannya ED dari ED, tetapi menunggu tempat tidur yang belum tersedia di bangsal.

Kompleksitas ditambahkan ke model di mana tingkat kedatangan pasien heterogen tidak diatur oleh statistik yang berperilaku
baik. Selain itu, antrean mungkin bersifat pre­emptif, yaitu jika seseorang yang datang dengan cedera serius akan mencegah
orang lain menunggu di berbagai antrian. Sumber daya ED yang tersedia, termasuk sumber daya fisik (tempat tidur, peralatan,
dll.) Dan sumber daya manusia (staf perawat, staf diagnostik, staf dokter, dll.) Semakin menambah kerumitan pada model bila
dibandingkan dengan komunikasi atau jaringan data. Namun, beberapa ukuran kinerja dasar dan keseluruhan serupa. Misalnya,
total waktu layanan pasien dalam sistem (masuk ke keluar) adalah ukuran minat baik pada jaringan data maupun ED. Dalam
suatu jaringan, kebijakan analog seperti prioritisasi digunakan untuk mencegah penundaan tak terbatas (menghabiskan waktu di
UGD) dari terjadi untuk lalu lintas penting (pasien yang lebih serius).

Dalam hal memberikan informasi kepada staf dan administrator perawatan kesehatan, figur antrian menyediakan sarana visual
yang sudah tidak asing lagi untuk menampilkan kemacetan di UGD. Secara umum, pasien dalam antrean individu sering berada
di ruang tunggu umum. Tampilan dasbor di ED yang menggambarkan berbagai antrean dalam waktu nyata dapat menjadi sarana
yang berharga untuk menampilkan cuplikan dari apa yang terjadi dalam hal arus pasien, perutean, dan penundaan.

Sebagai perpanjangan dari satu ED yang dimodelkan dalam kerangka kerja QM, jaringan ED antar rumah sakit akan lebih
menyerupai grafik lengkap, karena dalam prakteknya, ED dapat mengarahkan pasien ke ED lainnya (Gambar 3). Kenyataannya,
ada juga hierarki ED, karena beberapa mungkin merupakan pusat trauma yang ditunjuk secara regional dan / atau pusat­pusat
prioritas untuk jenis­jenis luka yang spesifik. Selain itu, geografi dapat membuatnya lebih praktis untuk mengalihkan pasien ke
IGD yang lebih dekat, karena ED yang lebih jauh dapat menambah penundaan atau waktu keseluruhan pasien yang dihabiskan
dalam sistem.lengkap

Gambar3. Jaringan Departemen Darurat Terhubung dengan Antrian Ambulans. doi: 10.1371 / journal.pone.0006127.g003

PLoS ONE | www.plosone.org 4 Juli 2009 | Volume 4 | Edisi 7 | E6127

grafik   dari   jaringan   EDs   kontras   jaringan   telekomunikasi   modern   dalam   jaringan   komunikasi   adalah   grafik   jarang   yang
menyampaikan paket­paket data ketika mereka melintasi jaringan. Sementara jaringan telekomunikasi modern tidak sangat mirip
dengan jaringan ED, berbagai layanan pada jaringan modern. Namun, keuntungan yang diputuskan dari pemodelan beberapa ED
sebagai lawan dari jaringan telekomunikasi adalah fitur dari kontrol pusat. Jaringan komunikasi komputer tidak memiliki kontrol
terpusat (walaupun jaringan telepon tradisional mengandalkan kontrol dalam membangun jalur melalui jaringan tempat panggilan
yang sebenarnya dapat terjadi).

Untuk   mengatasi   beberapa   kompleksitas   QM   antar­rumah   sakit   jaringan,   tingkat   penyederhanaan   dapat   dicapai   dengan
memfokuskan model pada pengalihan pasien untuk pasien prioritas tinggi. Pendekatan ini secara akurat akan memodelkan antrian
prioritas tinggi dalam ED, dengan semua pasien non prioritas yang mewakili kebisingan latar belakang dalam sistem. Informasi
yang diperlukan oleh penjadwal pengalihan pasien dalam pendekatan kasar untuk skenario ini akan mencakup tingkat triase
pasien, perkiraan penundaan pada awal menerima ED, dan perkiraan penundaan transportasi dan perkiraan keterlambatan pada
target ED. Dengan kebutuhan, sistem akan menjadi antrean prioritas non­preemptif, dalam hal itu, setelah pasien prioritas yang
lebih rendah dalam perjalanan, mereka tidak akan dipenjara dalam perjalanan.

Variasi skenario di atas yang mengurangi tingkat penyederhanaan adalah secara eksplisit mensimulasikan pasien prioritas
tinggi dan menggabungkan semua aliran pasien lainnya. Dengan demikian, pasien yang eksplisit, prioritas tinggi, serta berbagai
kebijakan dan protokol akan dimodelkan secara rinci. Pemodelan tidak akan melacak pasien individu, tetapi hanya dampak
agregat mereka pada keterlambatan pasien prioritas tinggi pada ED individu. Dalam skenario ini, lalu lintas pasien gabungan
(latar belakang) akan menjadi konteks (ED) spesifik.

Perluasan akhir dari pekerjaan ini adalah mempertimbangkan jaringan ED dengan tingkat hierarki tertentu, berdasarkan pada
kapasitas, prioritas, dan kemampuan ED. Dalam hal ini, pengalihan pasien tidak hanya mempertimbangkan panjang antrian di
berbagai ED, tetapi juga tingkat prioritas pasien. Orang dapat melihat, misalnya, pengalihan pasien yang kurang kritis ke rumah
sakit dengan sumber daya yang lebih sedikit, daripada berkontribusi pada antrian pasien prioritas rendah di pusat trauma regional.

Analisis

ABM untuk Akses Pasien ke Unit Gawat Darurat
Upaya awal telah difokuskan pada pemodelan aspek dasar dari proses pengobatan ED, seperti yang digambarkan pada Gambar
4.   Model   saat   ini   merupakan   perwakilan   dari   kerangka   sederhana,   cocok   untuk   simulasi   yang   memberikan   wawasan   ke
sensitivitas relatif dan dampak dari parameter simulasi tanpa harus mengukurnya. Selain itu, model saat ini dapat divalidasi
secara berkelanjutan, sebelum dan bersamaan dengan penambahan kerumitan yang diperlukan.

Dalam model saat ini, pasien tiba baik dengan ambulans atau berjalan masuk. Pasien yang membutuhkan perawatan segera
dikirim langsung ke area perawatan.  Semua  kedatangan  ambulans,  dan sebagian kecil dari walk­in dianggap membutuhkan
perawatan segera. Walk­in yang tidak memerlukan perawatan segera dilanjutkan ke meja pendaftaran. Jika meja registrasi sibuk
dengan   kedatangan   sebelumnya,   pasien   yang   datang   menunggu   dalam   antrian.   Setelah   proses   pendaftaran   selesai,   pasien
melanjutkan ke stasiun triase. Jika stasiun triase sibuk, pasien lagi menunggu dalam antrian. Staf keperawatan di stasiun triase
menetapkan pasien tingkat prioritas berdasarkan tingkat keparahan kondisi mereka. Pasien yang tiba kemudian menunggu dengan
pasien lain dalam apa yang secara efektif merupakan antrian prioritas untuk diberi ruang perawatan.

Model ini mirip dengan banyak sistem antrian prioritas yang ditemukan di banyak teknologi telekomunikasi, seperti 802.11e

ABM dan Model Antrian untuk ED
[23]. 802.11e mengusulkan ekstensi wi­fi untuk meningkatkan standar 802.11 yang lebih umum, melalui penggunaan antrian
prioritas yang melayani berbagai kelas lalu lintas. Ketika diterapkan pada perawatan kesehatan, utilitas menggunakan analog dari
telekomunikasi sebagai patokan atau referensi adalah bahwa amandemen ini biasanya diperiksa dan dipelajari dengan baik dan
dapat dengan mudah dimanfaatkan.

Setelah diberi ruang perawatan, pasien menunggu staf dokter untuk hadir dan memberikan perawatan. Diasumsikan bahwa staf
perawatan   adalah   dokter,   dan   bahwa   mereka   akan   memperlakukan   pasien   dalam   urutan   urgensi,   kemudian   dalam   urutan
kedatangan. Setelah menyelesaikan perawatan, pasien meninggalkan sistem, dan kedua ruang perawatan dan dokter menjadi
tersedia untuk pasien lain.

Parameter model meliputi (tetapi tidak terbatas pada) jumlah dan jenis agen, kisaran perilaku agen, kisaran interaksi agen, sifat
spasial­topografi   lingkungan,   dan   sifat   dari   proses   yang   disimulasikan.   Dalam   membangun   ABM   dari   bawah   ke   atas,
kesederhanaan awal diperlukan untuk memvalidasi model secara kualitatif dan secara berkelanjutan saat disempurnakan dan
diperluas. Sesuai dengan sifatnya, upaya lebih lanjut dalam pengembangan ABM fokus pada perluasan jangkauan dan sifat
parameter model untuk lebih mencerminkan lingkungan kehidupan nyata dan proses sosial,  dan  ini  berlaku  untuk  berbagai
pekerjaan yang dijelaskan dalam makalah ini.

Simulasi ABM dari Alokasi Staf
Serangkaian simulasi dilakukan relatif terhadap alokasi staf dalam UGD, untuk menyelidiki kegunaan kerangka kerja ABM
untuk   mengoptimalkan   sumber   daya   dan   membuat   keputusan   kebijakan   yang   diinformasikan.   Skenario  pertama  yang  kami
selidiki, meski sederhana, menggambarkan efek dari perubahan tingkat staf, menggunakan beberapa metrik kinerja.

Dalam skenario ini, kami mensimulasikan skenario ED dasar yang dijelaskan sebelumnya, dengan Triage Classes, Service
Times, dan tarif Kedatangan Pasien berdasarkan [20]. Kami membandingkan tiga skenario staf yang berbeda dari dua, tiga, dan
empat dokter yang bekerja di UGD. Simulasi

Gambar 4. Model Layanan Pasien Departemen Darurat. doi: 10.1371 / journal.pone.0006127.g004

PLoS ONE | www.plosone.org 5 Juli 2009 | Volume 4 | Edisi 7 | e6127

diizinkan   ''   pemanasan   ''   periode   24   jam,   kemudian   pengamatan   dilakukan   selama   24   jam   berikutnya.   Sepuluh   uji   coba
independen dijalankan; rata­rata panjang antrian perawatan ditunjukkan pada Gambar 5. Atau, penggunaan dokter atau waktu
tunggu pasien individu juga dapat diinstrumentasi. Simulasi kepegawaian bersifat kualitatif, tetapi merupakan salah satu contoh
dari jenis model yang dapat diselidiki di masing­masing rumah sakit.

Secara intuitif, hasil simulasi tampak masuk akal. Gambar 5 menunjukkan jumlah rata­rata pasien yang menunggu pengobatan
sebagai fungsi waktu (dalam detik). Nilai hasil pada tahap pengembangan model adalah kualitatif: model ED yang diisi dengan
dua dokter kekurangan staf, dibuktikan oleh antrian pasien yang terus meningkat. Di ujung lain dari kontinum, ED yang dikelola
dengan empat dokter menghasilkan antrian pasien mendekati nol; Namun, hasil yang sesuai menunjukkan bahwa dokter kurang
dimanfaatkan. Hal ini memungkinkan diskusi terjadi relatif terhadap alokasi sumber daya dan optimalisasi, dalam hal ini, sumber
daya dokter.

Dalam menyempurnakan simulasi, seseorang akan berusaha menerapkan parameter pasien, staf, dan perawatan pasien spesifik
konteks, seperti yang dibahas sebelumnya. Dimana ED individu adalah contoh dari otoritas rumah sakit regional, perluasan lebih
lanjut dari pekerjaan adalah untuk memodelkan beberapa fasilitas dan dengan demikian menyediakan sarana menilai kebijakan
pengalihan pasien antara fasilitas.

Prediksi berdasarkan pemodelan dan simulasi sangat sulit dan berpotensi rawan kesalahan.  Keyakinan dapat ditingkatkan
karena sistem sedang beroperasi dan prediksi dilacak. Dugaan kami adalah bahwa model departemen darurat individu atau yang
berinteraksi,  ditambah  dengan  data  empiris  apa  pun  yang  tersedia  tersedia,  masih akan lebih disukai daripada pengambilan
keputusan kebijakan loop. Analisis sensitivitas yang terkait dengan kedua mesin ABM (stabilitas numerik) serta memvalidasi
hipotesis nol dalam hal efektivitas kebijakan masih diperlukan.

Dalam menyempurnakan simulasi, seseorang akan mencari tingkat kedatangan pasien spesifik­konteks. Untuk tujuan kita, ED 
individu adalah

ABM dan Model Antrian untukED
contohdari otoritas rumah sakit regional; ini memfasilitasi peluang untuk memodelkan berbagai fasilitas dan dengan demikian
menyediakan sarana untuk menilai kebijakan pengalihan pasien di antara fasilitas.

ABM untuk Pengalihan Pasien Antar Rumah Sakit
Sementara bagian sebelumnya memfokuskan pada simulasi ABM akses pasien dan perawatan pasien dalam ED, bagian ini
memberikan gambaran tentang bagaimana sistem pemodelan dapat diperpanjang antara rumah sakit dan terintegrasi dalam sistem
informatika otoritas kesehatan regional. Diskusi adalah model­agnostik, tetapi untuk tujuan diskusi, ABM disajikan. ABM dari
ED berguna sendiri [3], dan kami mengusulkan agar utilitasnya dapat ditingkatkan ketika dikombinasikan dengan data nyata
yang diambil melalui teknologi pelacakan dan kemampuan jaringan. Dalam aplikasi khusus ini, ABM adalah model terdistribusi
di sejumlah rumah sakit daerah, dengan penekanan pada penggunaan data yang dikumpulkan dan dianalisis dalam waktu dekat.
Aspek baru dari model ini adalah penggunaan algoritma penghindaran kemacetan dari teknik telekomunikasi yang dipergunakan
sebagai   model   untuk   mengevaluasi   kebijakan   pengalihan   pasien.   Sekali   lagi,   model   saat   ini   akan   mendapat   manfaat   dari
penambahan  data nyata  dalam waktu  dekat­nyata; data  tersebut menjadi  semakin tersedia,  meskipun  dalam beberapa  kasus
mungkin harus disimpulkan atau diperkirakan [21]. Selanjutnya, data ini perlu dibagikan di antara rumah sakit regional dan
fasilitas perawatan kesehatan. Ketersediaan dan akses ke data merupakan tantangan teknis dan politik, meskipun mereka secara
optimis dianggap dapat diatasi.

Gambar 6 mengilustrasikan skenario luas yang menggabungkan rumah sakit yang berpartisipasi dan kendaraan layanan 
darurat. Dalam

Gambar 5. Rata­rata Panjang Antrian untuk Memvariasikan Jumlah Dokter Gawat Darurat yang Bertugas. doi: 10.1371 / 
journal.pone.0006127.g005

PLoS ONE | www.plosone.org 6 Juli 2009 | Volume 4 | Edisi 7 | e6127

skenario luas, setiap rumah sakit ED dilengkapi dengan sistem pelacakan dan pemantauan antrian dan pengumpulan, di mana
data pada gilirannya akan tersedia di pusat dukungan keputusan dan akan berfungsi sebagai masukan untuk sistem dukungan
ABM.

Saat ini, pengalihan ambulans pada dasarnya didasarkan pada pelaporan upaya terbaik dan operasi itikad baik berdasarkan
pedoman regional, contoh yang dapat ditemukan di [24]. Dalam situasi lain, pengalihan diposting, efektif mencegah pasien
dibawa ke fasilitas posting. Jika praktik­praktik ini dilakukan secara ad hoc atau saling eksklusif, mereka tidak akan optimal.
Selain   heuristik   yang   berharga   ini,   pemodelan   ED   dapat   memanfaatkan   algoritme   yang   terkait   dengan   area   yang   secara
konseptual   serupa   seperti   skema   penghindaran   Internet   dan   kemacetan   yang   berhubungan   dengan   kepadatan   router   yang
berlebihan.   Dalam   aplikasi   ini,   kami   mengadaptasi   algoritma   Random   Early   Detection   (RED)   [25]   sebagai   kandidat   untuk
dipertimbangkan ketika mencoba untuk mengoptimalkan ambulans atau pengarahan pasien, berdasarkan informasi kemacetan
ED.  Ini  adalah algoritma  awal yang  ideal untuk  adaptasi,   karena memiliki  banyak atribut  yang cocok  untuk meningkatkan
throughput sistem. RED mengakomodasi semburan terbatas dan dapat efektif, bahkan ketika ada pembagian informasi terbatas
antara ED. Kebijakan pengalihan pasien RED akan berfungsi sebagai dasar untuk perbandingan untuk kebijakan yang dipelajari
mesin atau optimasi yang dibahas di bagian selanjutnya.

Selain   itu,   pemodelan   ekstensi   yang   menambah   kecerdasan   mencakup   kemampuan   untuk   memberi   tahu   dan   menerima
informasi dari ambulans dan kendaraan darurat lainnya. Layanan komunikasi yang sebenarnya kemungkinan besar akan melalui
GSM atau komunikasi serupa

ABM dan Model Antrian untukED di
infrastrukturmana  mereka ada.  Di  ABM,   layanan ini  dapat dimodelkan  sebagai pesan  antar agen,  dan  platform ABM  akan
membantu mengoptimalkan kebijakan pengalihan ambulans. Pertimbangan lain termasuk perkiraan waktu perjalanan kendaraan
darurat, karena faktor­faktor ini akan menjadi signifikan dalam model yang efektif. Although beyond the current scope, the
proliferation of GPS and mapping technologies allows these estimates to become empirical inputs to the multiple ED simulation.
Future   extensions   will   focus   on   data   sources   on   vehicular   congestion   and   congestion   avoidance,   as   additional   empirical
refinements to the modeling efforts [26].

ABM Simulation of Collaborating ED Data Infrastructure
In   addition   to   simulations   relative   to   staff   allocation   in   an   ED,   the   work   further   simulated   a   collaborating   ED   data
infrastructure as described earlier. Real­time ED status data collected with RFID technologies would be disseminated and utilized
in real time, informing ambulance and other emergency services, as well as individual citizens (perhaps through a web portal), of
the near real­ time status of EDs on a community­wide scale. This would allow patients and care providers to make more well­
informed decisions on which ED to visit, based on current and projected wait­times. In order to forecast future patient wait times,
the simulation can be run into the future a number of times, keeping track of the wait times experienced by patients arriving at
future times – until some reasonable level of confidence is reached. During this process, the visualization can be disabled in order
to speed multiple trials.

Since these types of systems are not yet in place, the well­vetted RED algorithm was used to model this process. As a method 
of

Figure 6. Wide Area Deployment of the Framework Illustrating the Major Stakeholders or Agents. 
doi:10.1371/journal.pone.0006127.g006

PLoS ONE | www.plosone.org 7 July 2009 | Volume 4 | Issue 7 | e6127

network congestion management, senders of data over the network (typically the Internet) are implicitly notified of network
congestion by having their data packets (discrete chunks of data) probabilis­ tically dropped from network queues. To avoid
oscillation between intense bursts of traffic and choking off traffic entirely, the rate at which these packets are dropped is ramped
up gently after a certain threshold in the queue length is reached. Similarly, in our ED model, we set a minimum threshold, below
which ED queue lengths are considered acceptable and no dropping occurs. The rate at which patients are dropped increases
linearly with queue length, until some maximum threshold is reached, past which the drop rate remains constant. Since we
consider ''dropping'' (turning away patients) as unacceptable, our model instead considers a drop as a patient redirection to
another ED. The mechanism for this is either self­redirection to another ED or redirection by a central dispatch/control.

Two modes were considered: first, where patients are redirected to a random ED with uniform probability, and second, where
patients are probabilistically redirected to an ED based on the ratio of doctors to patients waiting. The latter case results in EDs
that are less busy assigned a higher likelihood of patients being redirected there. This reflects an assumed patient preference for
shorter waiting time, and also demonstrates the utility of city­wide ED status information dissemination. This is contrasted with
the former case, where patients are simply guessing as to which ED is a more preferable alternative without external guidance.

To ground our simulations to the greatest extent possible in real data, the work drew on a report on ED usage in Winnipeg,

ABM and Queuing Models for EDs
Canada released by the Manitoba Centre for Health Policy [27]. There were 185,659 ED visits in Winnipeg among six hospitals,
the breakdown of which by CTAS [28] triage level roughly corresponded to the triage levels used in [20]. While the data on
actual treatment times are not readily available to date, the distribution of treatment times were based on triage levels from [20].
Further, no data on the variation in patient arrival rates based on time of day, day of the week, time of year, or variation between
individual EDs is available to date, and thus uniform rates are assumed for these variables. However, it should be noted that the
simulator readily incorporates these variations and ranges in data, when they become available.

With the information presented, it was possible to estimate arrival rates of patients for each triage level at each simulated ED.
An arbitrary but reasonable minimum threshold of 10 patients waiting in the queue was chosen for the RED model. The drop or
redirection rate increases linearly to a maximum of 50%, reached at a queue length of 20. It is reasonable to assume that staffing
levels at each ED do not match demand. Because arrival rates are uniform among the simulated EDs and to make the simulation
interesting, two EDs are staffed with two doctors, two EDs have three doctors, and two EDs have four doctors on staff during the
simulation.

As in the staff allocation simulation, three 24­hour scenarios were investigated with ten trials each, and a warm up time of
24hours. For comparison, the first scenario (labeled No Redirection) assumes that there is no ED status information available and
that patients are better off going to the nearest ED

Figure 7. Average Queue Lengths for Various Patient Redirection Policies. doi:10.1371/journal.pone.0006127.g007

PLoS ONE | www.plosone.org 8 July 2009 | Volume 4 | Issue 7 | e6127

and remaining there regardless of queue length and wait times. The second scenario allows redirection based on the RED model,
and the destination ED is chosen from a uniform probability. This scenario is labeled Random RED. The third scenario, labeled
Guided RED, invokes RED redirection where EDs with lower expected waiting time are probabilistically chosen more often as
the destination ED.

Un­aggregated patient wait times for these scenarios are not shown here, as the variation between individual wait times was
very high, likely due to the disparity between ED conditions. As before, results in Figure 7 have a qualitative value, indicating
that average queue lengths among all hospitals are shortest for the Guided RED scenario. Also, the overall doctor utilization is
highest in the Guided RED scenario. While the model is not currently refined enough to test causal relationships, these two
factors appear to be correlated, and it is interesting to note that a significant queue length reduction (waiting time) was achieved
with only a modest increase in utilization and no additional resources.

Detailed ED Queuing Models
The following example is a QM of an individual ED, with potential extensions to a multiple­hospital QM. The example
demonstrates the ability of a QM to generate quantitative data that can be used to identify system bottlenecks. While the data are
quantitative, the results of this given example should be viewed as qualitative, highlighting the overall relative sensitivities and
impacts of changing parameter values. As the model is refined

ABM and Queuing Models for EDs
and extended with data of higher accuracy, range, and precision, the results become amenable to statistical analysis for hard
metrics, as well as causal and correlational relationships

In the current example, we consider a four­node system illustrated in Figure 8. Node 1 – Doctors, Node 2 – Diagnostic 1, Node
3 – Diagnostic 2, and Node 4 – Admission to facility. Every patient enters the facility and is classified into one of three groups:
Class 1 – high priority, Class 2 – next priority and Class 3 – lowest priority. Let s1(n) and s2(n) be the first and second moments
of service times at node n for all patients. These parameters represent the average service time and the variance associated with
the service. For this illustration, the service times at all nodes are equal for all classes, although there are differences in the order
of priority in which patients are attended, as well as differences in how patients move between nodes.

In the example, all patients are assumed to be seen by a healthcare worker able to assess and prescribe treatment specific to the
condition (physician, physician­assistant, etc.). At that point, some patients may be discharged, while others are sent to diagnostic
services   and/or   facility   admission.   Upon   completing   diagnostics,   some   patients   may   again   be   seen   by   a   physician   before
discharge. In the QM, let r(k,i,j) be the ratio of class k patients that go from node i, to node j. For example, r(1,1,2) = 0.1 implies
that after a class 1 patient finishes seeing the doctor there is 0.1 probability that he/she may be sent to X­Ray.

The example used the following simulated data: patients arrived at the rate of two per hour; 50% of patients are class 1, 25%
are class 2, and 25% are class 3. So the arrival rates are 1,0.5,0.5, respectively for the three classes. In Figure 8 these are
represented by l, l1, l2, and l3. Service time data were simulated as follows (in minutes): s1(1) = 20, s1(2) = 5, s1(3) = 10, s1(4) =
60, s2(1) = 500, s2(2) = 30, s2(3) = 200, s2(4) = 8000. We intentionally selected high second moments for admission to allow for
high variance. As patients move through the system they are assigned transfer rates. The transfer rates, ie probabilities r(k,i,j) are
given as: r(k,1,2)=0.1 for all k, r(k,1,3)=0.2 for all k, r(1,1,4)=0.3, r(2,1,4) = 0.2, r(3,1,4) = 0.1; r(1,2,1) = 0.6, r(2,2,1) = 0.5,

ABM and Queuing Models for EDs

Figure 8. A Four Node Emergency Department Queuing Model. doi:10.1371/journal.pone.0006127.g008

Table 1. Time spent at nodes as patients of various class flow through the system.

n=1 n=2 n=3 n=4

k = 1 27.55 5.03 10.39 94.19

k = 2 57.10 5.09 11.00 171.97

k = 3 121.54 5.13 11.42 228.16

doi:10.1371/journal.pone.0006127.t001

PLoS ONE | www.plosone.org 9 July 2009 | Volume 4 | Issue 7 | e6127

r(3,2,1) = 0.4; r(1,3,1) = 0.7, r(2,3,1) = 0.2, r(3,3,1) = 0.2; All other r(k,i,j) = 0. These transfer rates enable the modeling of
patient flow within the ED.

For this example, we obtain the time spent at a node (waiting and receiving attention) as w(k,n) for class person of Class k at
Node n. For the simulated data outlined, the results are shown in Table 1.

While  hypothetical,   the  numbers  illustrate  the  qualitative  differences  in  system  behaviour,   as  experienced  by  patients  of
different priority classes. In the current stage of development,  the model provides insight into the relative sensitivities and
impacts of varying input parameters, and allows a qualitative feel for varying policies and practices within the ED. Further
simulations   were   carried   out   to   demonstrate   this   potential.   Table   2   illustrates   the   waiting   and   service   time   variations   for
preemptive and non­ preemptive policies.

Table 3 illustrates waiting and service times for preemptive and non­preemptive policies, as the arrivals rates are changed to
(.25, 1.25, .5).
Table 4 illustrates waiting and service times and for preemptive and non­preemptive policies, as the arrivals rates are changed
to (.25, .25, 1.5).

These simple simulations demonstrate the qualitative impacts in waiting and service times of patients, which would be difficult
to model otherwise. While based on simulated data, the results imply
that the waiting times of each patient class is affected by how they are classified. For example, by placing more patients in the
highest   priority   class,   the   waiting   times   increase   for   all   patients.   These   kinds   of   insights   demonstrated   by   the   QM   are
opportunities for further investigation.

As with ABMs, future efforts will refine and extend the QM model with real data, even though real data may carry a degree of
uncertainty to it as well. This encompasses both topological data, a range of patient and staff parameters, and patient flow
parameters (for example, service and arrival rates). With an increasingly context­specific data set, considerable studies can be
done relative to investigating efficiencies and performance improvement as a function of resources. Going further, comparative
modeling of alternative care processes could be carried out as well.

The four­node QM outlined above is extendable to any level of hierarchy or any number of nodes. Furthermore, extending the
QMs to encompass multiple EDs and/or alternative care practices is a reasonable extension and does not present significant
technical difficulties. As with all the models discussed, the utility of the single­ or multi­hospital QM is dependent on accurate
topological and flow models with reasonable estimates for all parameters. With increased real data inputs, hard metrics become
reasonable   model   outputs.   Initial   simple   models   that   rely   on   simulated   data   nonetheless   provide   insight   into   qualitative
relationships between parameters.

Optimizing Policy: Machine Learning
Optimizing patient access and patient care policies is not necessarily amenable to either deterministic or ad­hoc approaches, as
the   problems   themselves   are   difficult   combinatorial   problems.   In   these   cases,   significant   gains   can   be   made   with   non­
deterministic algorithms guided by analogues to physical systems and/or learning systems, which in turn provide a measure of
credibility  and  confidence  in  the  solution.   This  final  section  discusses  a  genetic  programming  (GP)  technique  that  mimics
evolutionary systems in attempting to optimize towards a solution. The GP approach is one of many possible approaches, but
does closely relate to how actual policy and decisions are made in a very difficult problem space.

Table 2. Time spent at nodes for preemptive (non­ preemptive) for arrivals.

n=1 n=2 n=3 n=4

k = 1 27.55 (34.67) 5.03 (5.06) 10.39 (10.76) 94.19 (110.33)

k = 2 57.10 (52.97) 5.09 (5.06) 11.00 (10.80) 171.97 (150.84)

k = 3 121.54 (96.59) 5.13 (5.06) 11.42 (10.84) 228.16 (179.86)

doi:10.1371/journal.pone.0006127.t002

Table 3. Time spent at nodes for preemptive (non­ preemptive) for arrivals (.25, 1.25, .5).

n=1 n=2 n=3 n=4

k = 1 21.30(29.89) 5.00 (5.05) 10.10 (10.72) 66.17 (89.52)

k = 2 38.28 (41.50) 5.05 (5.05) 10.67 (10.76) 105.17 (105.57)

k = 3 112.21 (88.73) 5.12 (5.06) 11.39 (10.81) 162.76 (130.13)

doi:10.1371/journal.pone.0006127.t003

PLoS ONE | www.plosone.org 10 July 2009 | Volume 4 | Issue 7 | e6127

The   ABM   development   to   date   for   the   applications   outlined   in   earlier   sections   suggested   a   means   to   simulate   and
comparatively assess policy and practices (''what­if'' scenarios) prior to imple­ mentation. However, this requires a human to
generate a policy for the ABM to test. Examples of such policies may be ''staff with x number of doctors instead of y number of
doctors'' or ''begin to divert patients once the number of waiting patients exceeds a defined threshold''.
In addition, ABMs can incorporate evolutionary algorithms that allow realistic agent learning, and extensions of this work
include the addition of a machine learning (ML) module to the ABM framework, to facilitate automatic policy generation. The
model generates policies, uses the ABM to evaluate them, and then uses the best individual policies as the basis for the next
generation of policies. This process is iterated until pre­defined criteria are met. Genetic programming (GP) [29] is one machine
learning paradigm for the automatic induction of computer programs through an evolutionary process. The GP paradigm is well
established and includes successful research applications in the areas of data mining [30], image classification [31], automatic
circuit evolution [32], and robot control [33]. Evolutionary algorithms (EA), a group of algorithms to which GP belongs, can
improve upon human generated policies, and sometimes in unexpected ways [34].

Future work will invoke the ABM framework to investigate the viability of using a GP­based machine learning system to
forecast  ED  waiting  times  and  to  generate  policy.   As  data  collection  frameworks  such  as  the  one  posited  in  [21]  become
available, the ML system could be trained and validated on real data. In this instance, the ABM becomes a data generator and an
input into the overall ML paradigm.

To develop this extension, refinements to the model parameters are required. One such refinement is to the model of the agent
(patient), whereby the patient may change its internal state probabilistically. These internal states may represent, for example,
getting less or more ill, leaving the ED, etc, and one can evolve (automatically generate) triage policies to optimize patient flow
for these more complex agents. A second refinement may be to generate an architecture­agnostic patient diversion policy, where
only the policy is evolved, and the means of implementing the policy is assumed to be in place and is treated as abstract. Third,
an agent class responsible for executing patient diversion policies generated by the GP­system will have to be added to the ABM.

To facilitate these extensions, the machine learning paradigm we most closely follow is supervised or reinforcement learning
(RL) [35]. Figure 9 illustrates the general nature of how the ABM provides feedback to the GP­based ML system, essentially
acting as a data generator until real data can be used to validate, for example, a wait­time forecasting function.

Finally, a further research direction is to utilize ABMs not only for policy shifts within an existing ED, but to develop ABMs
for modeling alternative forms of ED care. EDs necessarily function

ABM and Queuing Models for EDs

Table 4. Time spent at nodes for preemptive (non­ preemptive) for arrivals (.25, .25, 1.5).

n=1 n=2 n=3 n=4

k = 1 21.30(29.84) 5.01 (5.05) 10.10 (10.72) 66.17 (81.65)

k = 2 25.18 (32.05) 5.03 (5.05) 10.28 (10.73) 77.24 (85.12)

k = 3 62.58 (58.09) 5.08 (5.05) 10.97 (10.78) 102.35 (92.72)

doi:10.1371/journal.pone.0006127.t004
with competing objectives. In many EDs, the objective is to maximize the flow of patients; improvements are derived through
staff levels, bed numbers and utilization, hours of operation, diversion policies etc. More recently, there have been aggressive
efforts to reconceptualize the ED entirely, around its main function of addressing emergencies (vs. maximizing patient flow) [36].
This has follow­on effects in multiple directions, including but not limited to staff configurations (teams vs. individuals) and the
layout of the physical facility. Here ABMs offer a useful tool in guiding decisions around such paradigmatic shifts within an
individual institution.

Summary
This concept paper presented two modeling methodologies applied to investigating patient access and patient waiting times in
hospital EDs, within the objective of developing tools that can help guide policy and practice improvements. The first model is an
agent based modeling framework, oriented to the simulation of EDs in either stand­alone mode, as multiple interacting EDs, as
well as technologies well suited to enhance simulation with statistical empirical data collected in real time. The second model is a
more traditional queuing model, whose suitability is discussed for similar applications. Analogues from telecommunications
engineering were introduced, selected for their conceptual parallels to the patient access and patient wait time cases, and because
the telecommunications analogues have been well vetted within the community, albeit for difference purposes.

The work is developmental, currently relying on coarse­grained approximations, relatively simple general scenarios, and to a
large degree on simulated data. At their current stage of development, the models' utility lies in their ability to provide qualitative
insights

Figure 9. Genetic Programming and Agent Based Model Integration. doi:10.1371/journal.pone.0006127.g009

PLoS ONE | www.plosone.org 11 July 2009 | Volume 4 | Issue 7 | e6127

into the relative sensitivities and impacts of model parameters, to illuminate scenarios worthy of more complex investigation, and
to iteratively validate the models as they continue to be refined and extended. With an increasing proportion of real data inputs
(spatial­topographical as well as agent parameters), accurate and precise system metrics amenable to statistical processing
become reasonable model outputs. Both the agent based and the queuing model frameworks are oriented to augmenting
simulation with empirical data when available. In this context, the work also presented opportunities in which emerging
technologies such as RFID, which carry a high potential as tracking data sources, would significantly enhance the modeling
efforts by provisioning the models with context­specific empirical inputs as close to real time as possible. These sources can be
mined in a statistically significant manner and provide real world input for the simulation. The models under development are
also open source and rely on open source components. They are extendable and can be ported or tailored to a variety of hospital
IT applications, several of which were identified here. Eventually, these tools may be more closely coupled to commercial
hospital information systems, thereby providing better optics as to refining and optimizing hospital processes. The final section of
the paper provided an overview of future work in augmenting the policies with machine learning, which may be the closest
means of simulating decision­ making in a complex problem space. Finally, although the emergency department was the main
focus of this research, the frameworks discussed are amenable to the study of intra­hospital wards, as well as inter­hospital and
hospital­community interac­ tions.

An example of a multiple ED simulation is available on YouTube [37].

ABM and Queuing Models for EDs
discussions Acknowledgments
with Dr. Luis Oppenheimer from the Winnipeg Regional Health Authority were also invaluable. Many thanks go to 
individuals who have contributed to the research presented here. Specifically we would like to thank S. Mukhi of the Canadian 
Network of Public Health Intelligence and D. Sanders from the Internet Innovation Center at the University of Manitoba. Patient 
access

Author Contributions
Conceived and designed the experiments: ML BM MRF BWP ASA. Performed the experiments: ML ASA. Wrote the paper: BM
MRF.

References
1. Bonabeau E (2002) Agent­based modeling: Methods and techniques for simulating human systems. Proc Natl Acad of Sci 
99(Suppl 3): 7280–7287. Available: http://www.pnas.org/content/99/suppl.3/7280.full#xref­ref­3­1. 2. Epstein JM (2008) 
Artificial society: Getting clues on how a pandemic might happen by creating a huge model of the United States. The Brookings 
Institution, Available: www.brookings.edu/interviews/2008/0402_agent_based_ epstein.aspx. 3. Kanagarajah AK, Lindsay PA, 
Miller AM, Parker DW (2006) An exploration into the uses of agent­based modeling to improve quality of health care. Int Conf 
on Complex Systems, Boston, MA. 4. Blachowicz D, Christiansen JH, Ranginani A, Simunich KL (2008) How to determine 
future HER ROI: Agent­based modeling and simulation offers a new alternative to traditional techniques. J Healthcare 
Information Management 22(1): 39–45. Available: http://www.himss.org/content/files/jhim/22­1/11. pdf. 5. Spry CW, Lawley 
MA (2005) Evaluating hospital pharmacy staffing and work scheduling using simulation. Proc of the Winter Simulation 
Conference, Orlando, FL. Available: http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnum­ ber = 1574514. 6. Jones SS, Evans RS 
(2008) An agent based simulation tool for scheduling

emergency department physicians. AMIA Annu Symp Proc. pp 338–342. 7. White Jr. KP (2005) A survey of data resources 
for simulating patient flows in healthcare delivery systems. Proc of the Winter Simulation Conference, Orlando, FL. Available: 
http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnum­ ber = 1574341. 8. Poynton MR, Shah VM, BeLue R, Mazzotta B, Beil H, et 
al. (nd) Computer terminal placement and workflow in an emergency department: An agent­based model. Available: 
http://www.santafe.edu/events/workshops/images/4/4a/ Poynton_EtAl.pdf. 9. Emrich S, Breitenecker F, Zauner G, Popper N 
(2008) Simulation of influenza epidemics with a hybrid model ­ combining cellular automata and agent based features. 30th Int 
Conf on Information Technology Interfaces, Dubrovnik, Croatia. pp 709–714. Available: 
http://ieeexplore.ieee.org/xpl/freeabs_all. jsp?arnumber = 4588498. 10. Carley K, Fridsma D, Casman E, Altman N, Chang J, et 
al. (2003) BioWar: Scalable multi­agent social and epidemiological simulation of bioterrorism events. Available: 
http://www.cos.cs.cmu.edu/publications/papers/carley_ 2003_biowarscalablemulti.pdf. 11. Ong BS, Chen M, Lee V, Tay JC 
(2008) An individual­based model of influenza

in nosocomial environments. ICCS 2008, Part I, LNCS 5101: 590–599. 12. Gunal MM, Pidd M (2005) Simulation modelling 
for performance measurement in healthcare. Proc of the Winter Simulation Conference, Orlando, FL. Available: 
http://ieeexplore.ieee.org/xpl/freeabs_all.jsp?arnumber = 1574567. 13. Borkowski M, Podaima BW, McLeod RD (in press) 
Epidemic modeling with discrete space scheduled walkers: Possible extensions to HIV/AIDS. BMC Public Health. 14. McLeod 
RD, Laskowski M, Friesen MR, Podaima BW (2009) Agent based models for nosocomial infections: Modeling of hospital­
acquired infections within a hospital. Report for the Public Health Agency of Canada, available from authors. 15. Green LV, 
Soares J, Giglio JF, Green RA (2006) Using queueing theory to increase the effectiveness of emergency department provider 
staffing. J Acad Emergency Medicine.

16. Green LV, Savin S (2008) Reducing delays for medical appointments: A

queueing approach. Operations Research 56(6): 1526–1538. 17. Green LV (2003) How many hospital beds? Inquiry 39. 18. 
Mukhi S, Laskowski M (2009) Agent­based simulation of emergency departments with patient diversion. In: Weerasinghe D, ed 
(2009) Electronic Healthcare. Berlin: Springer. pp 25–37. 19. Qt4, Available: http://www.trolltech.com. 20. Patvivatsiri L (2008) 
A simulation model for bioterrorism preparedness in an emergency room. Available: http://www.informs­
sim.org/wsc06papers/061. pdf. 21. Sanders D, Mukhi S, Laskowski M, Khan M, Podaima BW, et al. (2008) A network­enabled 
platform for reducing hospital emergency room waiting times using an RFID proximity location system. 19th Int. Conf. on Syst. 
Eng., Las Vegas, NV. 22. Available: http://www.qe2foundation.com/en/home/howyourgifthelps/cur­

rentneeds/emergencydepartmentexpansion.aspx. 23. Available: http://standards.ieee.org/getieee802/802.11.html. 24. County 
of Marin, Ambulance Diversion Guidelines. Available: http://www.co.

marin.ca.us/depts/HH/main/ems/documents/Policies/5400.pdf. 25. Floyd S, Jacobson V (1993) Random early detection gateways
for congestion

avoidance. IEEE/ACM Transactions on Networking 1(4): 397–413. 26. Kantowitz BH, LeBlanc DJ (nd) Emerging 
technologies for vehicle infrastruc­ ture cooperation to support emergency transportation operations. Federal Highway 
Administration, Contract No. DTFH61­01­C­00049 (Task 20). 27. Doupe M, Kozyrskyj A, Soodeen R, Derksen S, Burchill C, et 
al. An initial analysis of emergency departments and urgent care in Winnipeg. Available: http://mchp­
appserv.cpe.umanitoba.ca/deliverablesList.html. 28. Canadian Triage and Acuity Scale. Available: http://www.caep.ca/template.

asp?id = B795164082374289BBD9C1C2BF4B8D32. 29. Bhanzhaf W, Nordin P, Keller R, Francone F (1998) Genetic 
programming – An Introduction: On the automatic evolution of computer programs and its applications. San Francisco: Morgan 
Kaufmann Publishers, Inc. 30. Raymer M, Punch W, Goodman W, Kuhn L (1996) Genetic programming for improved data 
mining: An application to the biochemistry of protein interaction. Genetic Programming 1996: Proc of the First Annu Conf. pp 
375–380. 31. Daida J, Bersano­Begey R, Ross S, Vesecky J (1996) Computer­assisted design of image classification algorithms: 
Dynamic and static fitness evaluations in a scaffolded genetic programming environment. Genetic Programming 1996: Proc. of 
the First Annu Conf. pp 279–284. 32. Koza J, Andre D, Bennett III F, Keane M (1996) Use of automatically defined functions 
and architecture­altering operations in automated circuit synthesis using genetic programming. Genetic Programming 1996: Proc.
of the First Annu Conf. pp 132–149. 33. Nordin P, Banzhaf W (1997) An on­line method to evolve behavior and to control a 
miniature robot in real time with genetic programming. Adaptive Behavior 5: 107–140. 34. Laskowski M, McGrath S (2005) 
Effects of lying in reputation­based multi­agent

systems. Canadian Conf on Elect and Comput Eng. pp 1014–1018. 35. Sutton R, Barto A (1998) Reinforcement learning: An
introduction. Cambridge,

MA: MIT Press. 36. Available: http://www2.warwick.ac.uk/fac/med/research/hsri/emergency­

care/research/edorganisation. 37. Emergency Department Simulation. Available: http://www.youtube.com/

watch?v = _6­Hk­_1MJ8.

ABM and Queuing Models for EDs

PLoS ONE | www.plosone.org 12 July 2009 | Volume 4 | Issue 7 | e6127