Agile Six Sigma dalam Perawatan Kesehatan: Studi Kasus di

Rumah Sakit Anak Santobono

Abstrak: Layanan kesehatan adalah salah satu sistem yang paling kompleks untuk dikelola.
Dalam beberapa tahun terakhir, pengendalian proses dan pemodelan administrasi publik telah
dianggap sebagai beberapa bidang utama kepentingan dalam manajemen. Secara khusus, salah
satu masalah yang paling bermasalah adalah pengelolaan daftar tunggu dan ketidakhadiran
pasien sebagai akibatnya. Ketidakhadiran pasien menyiratkan hilangnya waktu dan sumber daya,
dan dalam makalah ini, strategi overbooking dianalisis sebagai solusi. Di sini, benar-benar
menunggu proses daftar disimulasikan dengan perangkat lunak simulasi kejadian diskrit (DES),
dan aktivitas yang dilakukan oleh staf rumah sakit direproduksi. Metodologi yang digunakan
menggabungkan manufaktur tangkas dan Six Sigma, berfokus pada paviliun rumah sakit umum
anak. Skenario yang berbeda menunjukkan bahwa strategi overbooking efektif dalam
memastikan keadilan akses ke layanan. Memang, semua pasien menghormati waktu yang
ditentukan oleh daftar tunggu, tanpa "favoritisme", yang dijamin oleh logika penggantian. Dalam
perbandingan antara sampel nyata pemesanan dan sampel simulasi yang dirancang untuk
meningkatkan ketidakhadiran, tidak ditemukan perbedaan yang signifikan secara statistik. Model
ini akan memungkinkan kesehatan manajer untuk menyediakan pasien dengan layanan yang
lebih cepat dan untuk mengelola sumber daya mereka dengan lebih baik.

1. Perkenalan

Peningkatan jumlah pekerjaan menangani masalah manajemen kesehatan, yang merupakan isu
sentral dalam banyak perdebatan politik dan sosial tentang konsumsi sumber daya kesehatan.
Dalam konteks ini, alat dan metodologi, seperti manufaktur gesit, manufaktur gesit ramping, dan
rantai pasokan gesit, mendorong tingkat kesiapan yang lebih tinggi untuk evolusi berkelanjutan
dari pasar yang sangat bervariasi dan tak terduga. Untuk alasan ini, mereka didefinisikan sebagai
“peka pasar”. Literatur menawarkan banyak definisi tangkas:
• Van Hoek et al.mendefinisikan tangkas sebagai "segala sesuatu yang berhubungan dengan
respon pelanggan dan turbulensi pasar yang membutuhkan keterampilan khusus yang dicapai
dengan menggunakan Lean Thinking".
• Robarts mendefinisikannya sebagai “kemampuan perusahaan untuk tumbuh di pasar yang
kompetitif dan berubah, untuk merespon dengan cepat perubahan pasar yang cepat yang
didorong oleh peningkatan produk dan layanan berdasarkan kebutuhan pelanggan”.
• Lebih lanjut, Lee mendefinisikannya sebagai “seperangkat strategi yang memecahkan masalah
ketidakpastian dan variabilitas permintaan dengan meningkatkan fleksibilitas sistem”. Beberapa
aspek umum muncul dari definisi ini: kepekaan terhadap lingkungan, eksploitasi dampak
pelanggan, dan variabilitas bersandar melalui strategi yang fleksibel. Carvalho dkk. [11]
menganalisis perbedaan dan persamaan antara metodologi lean, agile, tangguh, dan green
(LARG). Lean berfokus pada fleksibilitas dan pengurangan biaya melalui penghapusan
pemborosan secara terus-menerus. Ini membawa pengembalian tinggi dan meminimalkan
inventaris di seluruh rantai. Selain itu, mempersingkat lead time tanpa meningkatkan biaya.
Sebaliknya, sistem tangkas pada dasarnya berfokus pada kecepatan perubahan untuk menjamin
fleksibilitas yang lebih tinggi. Dalam sistem perawatan kesehatan, konsep fleksibilitas,
modularitas, dan kesiapan memungkinkan untuk memperkuat sistem respons untuk klien pasien.
Manajer kesehatan membutuhkan strategi manajemen layanan baru yang secara efektif responsif
terhadap perubahan dan efek negatif dari variabilitas dalam permintaan perawatan pasien.
Perbaikan terdiri dari meningkatkan tingkat tata kelola dan kontrol proses dan dalam mengurangi
kesalahan melalui dengan menganalisis penyebab yang menghasilkan mereka. Dalam perawatan
kesehatan dan di sektor lain, prinsip lean dan agile dapat dikombinasikan dengan metodologi Six
Sigma untuk meningkatkan kinerja, kualitas, dan respons suatu proses melalui analisis data.
Premis dari proyek Six Sigma adalah definisi tujuan kuantitatif yang terukur. Oleh karena itu,
sangat penting untuk menentukan hubungan antara kuantitas yang akan ditingkatkan (misalnya,
jumlah cacat, panjangnya daftar tunggu, penggunaan sumber daya), umumnya disebut Y, dan
variabel input dari proses (misalnya, unik pemograman center of booking (UCB), status
peralatan dan sumber daya), umumnya disebut X. Definisi yang benar dari jawaban (Y) dan
penemuan penyebab mendasar (X) memerlukan pengetahuan yang lengkap tentang proses untuk
ditingkatkan, sikap analitis yang hebat, dan penerapan yang benar dari sejumlah alat investigasi
kualitatif dan kuantitatif, seperti peta proses, matriks sebab dan akibat, mode kegagalan dan
analisis efek (FMEA), dan siklus define-measure-analyse-improve-control (DMAIC). DMAIC
adalah salah satu alat yang paling efektif untuk pemecahan masalah dan merupakan peta jalan
untuk pengembangan proyek. Mengenai kombinasi lean dan Six Sigma, banyak upaya yang telah
dilakukan oleh para peneliti dalam pengelolaan proses rumah sakit melalui penerapan lean Six
Sigma dan metodologi DMAIC. Southard dkk.mempelajari pengenalan teknologi identifikasi
frekuensi radio (RFID) untuk prosedur bedah. Demikian pula mengenai prosedur pembedahan,
Improta et al. menganalisis pelaksanaan operasi jalur cepat untuk pasien yang menjalani operasi
penggantian pinggul prostetik melalui siklus DMAIC. Berbeda dengan penulis sebelumnya,
Vijay tidak fokus pada prosedur bedah tetapi menerapkan metodologi yang sama untuk
meningkatkan proses keluar dari rumah sakit. Selain itu, baru-baru ini, Six Sigma telah
digunakan untuk pengembangan perangkat lunak, dengan tujuan menghilangkan cacat yang
menyebabkan pemborosan, seperti yang dilaporkan dalam karya Hamid et al. dan Asghar et al..
Khususnya, mengenai kombinasi agile dan Six Sigma, pendekatan agile didasarkan pada
kolaborasi harian anggota tim dan berfokus pada pengamatan dan perbaikan jangka pendek,
mengabaikan pengambilan keputusan berdasarkan data terukur. Integrasi Six Sigma akan
memberikan tim tangkas dengan metodologi terstruktur serta alat untuk pemecahan masalah
empiris, seperti dilansir Safaie. Menurut Alipour et al., tangkas melengkapi baik pemikiran
ramping dan metodologi Six Sigma dengan menambahkan daya tanggap dan kemampuan
beradaptasi. Lean Six Sigma menekankan pekerjaan proyek pada variasi yang diidentifikasi dari
standar yang diusulkan tanpa berfokus pada suara pelanggan. Implementasi gabungan dengan
tangkas meningkatkan kelemahan ini. Selain itu, Felhmann dan Santillo menunjukkan bahwa
menggabungkan metode pengukuran standar seperti titik fungsi Common Software Measurement
International Consortium (COSMIC) dengan Six Sigma dalam kerangka pengembangan tangkas
menghasilkan banyak manfaat dan keuntungan. Akhirnya, Morris meneliti hubungan beberapa
metodologi, seperti tangkas, produksi ramping, dan Six Sigma.

1.1 Pasien Tidak Hadir

Ketidakhadiran pasien telah diakui sebagai masalah kritis dalam sistem perawatan kesehatan
rawat jalan modern. Banyak penelitian telah mengungkapkan tingkat ketidakhadiran lebih
tinggi dari 10%. Deyo dan Inui mencatat bahwa tingkat ketidakhadiran umumnya berkisar
antara 15% hingga 30% untuk pasien dewasa dan anak-anak, sementara Rust dan Oliver
melaporkan bahwa tingkat ketidakhadiran pasien untuk fasilitas pediatrik umum juga
mencapai 80%. Dampak umum termasuk pengurangan efisiensi klinis dan produktivitas
rendah, sumber daya medis yang terbuang, peningkatan biaya perawatan kesehatan, dan
akses terbatas ke perawatan pasien. Seperti yang dilaporkan oleh Guzek et al., pusat medis
akademik (AMCs) mengurus 26% dari semua rawat inap medis tetapi hanya menyumbang
5% dari rumah sakit. Kerugian penggantian biaya tahunan karena janji temu yang terlewat di
klinik neurologi pediatrik dengan tingkat ketidakhadiran 26% adalah $257.724.57 selama
tahun akademik Juli 2013–Juni 2014 (angka berdasarkan perkiraan penggantian biaya).
Kerugian penagihan berjumlah $788.733,58, mewakili peluang yang hilang untuk
meningkatkan akses pasien ke perawatan dan untuk memperluas bagian lain dari misi AMC,
termasuk pendidikan. Ketidakhadiran pasien menciptakan waktu henti yang tidak terduga
bagi tenaga medis yang tidak dapat dipulihkan. Banyak upaya telah dilakukan oleh rumah
sakit untuk mengurangi tingkat ketidakhadiran: surat pengingat, panggilan telepon, pesan
teks, dan bahkan disinsentif seperti uang muka untuk layanan, tetapi masalahnya terus
menjadi substansial. Oleh karena itu, pengembangan solusi proaktif, yang mengidentifikasi
kegagalan pasien untuk hadir dan mengurangi dampak negatif, merupakan tugas mendasar
untuk meningkatkan pemberian layanan kesehatan. Berbagai metode penjadwalan telah
berusaha untuk mengurangi daftar tunggu dan dampak negatif dari pasien yang tidak hadir.
Akibatnya, beberapa peneliti telah mengusulkan overbooking sebagai pendekatan yang
efektif untuk menangani kekritisan ketidakhadiran. Misalnya, overbooking dilakukan untuk
mengurangi ketidakhadiran di pusat kesehatan dengan 18 klinik rawat jalan di Denver (AS)
melalui pendekatan Six Sigma yang ramping. Melalui lean, kesenjangan dan pemborosan
diidentifikasi dalam proses, sedangkan dengan Six Sigma, status target yang diinginkan,
penyebab variabilitas, dan kebijakan intervensi untuk mengurangi kesenjangan dijelaskan.
Akhirnya, overbooking diadopsi untuk mengurangi ketidakhadiran pasien. Demikian pula,
contoh lain mengenai penerapan pemindahbukuan dapat ditemukan dalam literatur, seperti
karya Liu dan Ziya, di mana dua skenario yang berbeda dibandingkan: pada skenario
pertama, mereka mengasumsikan bahwa harian kapasitas layanan tetap dan klinik tidak
memiliki pilihan untuk memesan pasien secara berlebihan; dengan demikian, satu-satunya
variabel keputusan adalah tingkat kedatangan pasien, dan tujuannya adalah untuk
memaksimalkan jumlah rata-rata pasien yang dilayani per hari. Dalam skenario kedua,
mereka berasumsi bahwa kapasitas layanan klinik fleksibel (klinik dapat memilih untuk
 memesan berlebih), dan ini mewakili variabel keputusan bersama dengan tingkat kedatangan.
Setelah karakterisasi kedua skenario, keputusan optimal dan pengaruhnya terhadap
probabilitas kedatangan pasien diidentifikasi, dan keputusan pemesanan berlebih terbukti
memainkan peran penting dalam pengelolaan kebijakan penjadwalan janji temu. Zacharias
dan Pinedo mempresentasikan model overbooking untuk penjadwalan kedatangan pasien
yang memiliki probabilitas ketidakhadiran yang berbeda dan bobot yang berbeda,
mengeksplorasi trade-off antara manfaat pemanfaatan dokter yang efisien dan biaya waktu
tunggu pasien. Mereka menunjukkan bahwa tingkat ketidakhadiran dan heterogenitas pasien
memiliki dampak yang signifikan pada jadwal yang optimal. Samorani dan La Ganga
menangani masalah penjadwalan janji pasien rawat jalan dengan prediksi ketidakhadiran
yang bergantung pada hari individu, dan mereka menemukan bahwa ketika terjadi
pemesanan berlebih, sementara diinginkan untuk memaksimalkan jumlah pasien yang dilihat,
diinginkan untuk membatasi waktu tunggu pasien dan jam lembur klinik. Untuk mengatasi
pertukaran ini, mereka mengembangkan prosedur penjadwalan dinamis yang
mempertimbangkan prediksi ketidakhadiran, mengujinya melalui simulasi, dan
memvalidasinya menggunakan kumpulan data dari pusat kesehatan mental yang besar.
Mereka menunjukkan bahwa pendekatan akses terbuka akan menghasilkan peningkatan
keuntungan hingga 18% dan bahwa untuk tingkat ketidakhadiran yang rendah, kualitas
prediksi harus dialihkan ke sensitivitas tinggi, sedangkan untuk tingkat pertunjukan tinggi,
harus digeser ke arah tinggi. kekhususan.

1.2 Tujuan Studi

Dalam kerangka ini, penelitian ini bertujuan untuk meningkatkan akses pasien ke bantuan
klinis di rumah sakit anak di Italia selatan. Untuk itu, kami menganalisis semua kegiatan
yang dilakukan di UCB rumah sakit dan menyelidiki solusi untuk meningkatkan kebijakan
penjadwalan UCB. Pendekatan Six Sigma yang gesit diimplementasikan mengikuti siklus
DMAIC untuk mengidentifikasi kesenjangan proses dan untuk mengukur peningkatan
kinerja. Sebuah model dikembangkan untuk mensimulasikan, memeriksa, dan mengevaluasi
berbagai pilihan strategis yang diadopsi untuk mengelola dan mengurangi ketidakhadiran
pasien. 2. Bahan dan Metode Proyek ini dilakukan di Presidium Hospital of Naples AORN
Santobono Pausilipon, yang merupakan struktur perwakilan kesehatan yang selalu aktif
memfasilitasi akses layanan dan mengurangi waktu tunggu, sesuai dengan arahan strategis
regional dan nasional. Misi strategis rumah sakit adalah untuk memenuhi kebutuhan bantuan
semua warga negara anak, menjamin layanan pencegahan, pengobatan, dan rehabilitasi yang
efektif, efisien, dan tepat waktu, diberikan dengan menghormati orang tersebut dan dalam
kondisi keamanan mutlak. Di rumah sakit, ada sekitar 15.000 penerimaan per tahun (rata-rata
10 tahun terakhir), dan melakukan lebih dari 100.000 layanan rawat jalan; selain itu, ia
memiliki sekitar 400 tempat tidur. Kegiatan rumah sakit dilakukan di dua fasilitas: • Rumah
Sakit Santobono, dibagi menjadi empat paviliun: “Santobono”, “Torre”, “Volano”, dan
“Ravaschieri”, yang terletak di Naples; • Rumah Sakit Pausilipon: terletak di Naples.
Layanan pemesanan dikelola oleh UCB rumah sakit, yang buka Senin sampai Jumat 8:00-
17:30 dan Sabtu 8:00-12:00 dan memiliki tiga pekerja kantor depan selama shift pagi (8:00-
14: 00) dan satu karyawan pada shift sore (14:00–17:30). Setelah memesan, pasien yang
dirawat diarahkan ke paviliun “Volano”, tempat layanan dan aktivitas rawat jalan dilakukan.
Isu-isu yang diangkat oleh manajemen umum rumah sakit dapat diringkas dalam poin-poin
berikut: 1. Manajemen pasien absen dan perubahan dan pembatalan layanan; dan 2. Daftar
tunggu. Untuk mencapai tujuan proyek, yaitu, mengidentifikasi dan mengurangi inefisiensi
dalam akses pasien ke layanan, siklus DMAIC digunakan. Kami mulai dari analisis
inefisiensi dalam rute akses ke layanan rawat jalan yang dilakukan oleh struktur. Melalui fase
DMAIC yang berbeda, dimungkinkan tidak hanya untuk mengidentifikasi aspek kritis dan
penyebab inefisiensi proses tetapi juga untuk merencanakan dan menerapkan tindakan
perbaikan, dengan tujuan menghilangkan atau mengurangi efek karena entropi yang
dihasilkan dari transfer, pembatalan, dan pasien yang tidak datang, dan untuk membuat
prosesnya adil dari perspektif akses ke layanan. Data dikumpulkan pada periode Januari
2016–Desember 2016 dan mencakup informasi berikut:

• Deskripsi kunjungan yang dipesan (unit operasi, departemen, jenis layanan);

• Jumlah kunjungan yang dipesan;
• Tanggal dan waktu kunjungan dipesan;
• Bagaimana kunjungan dipesan (melalui telepon/secara langsung/lainnya);
• pemesanan ID;
• identitas pasien;
• kunjungan ID;
• penerimaan ID;
• Tanggal dan waktu kunjungan dijadwalkan
• Tanggal dan waktu pasien masuk;
• Waktu kunjungan diberikan kepada pasien;
• Waktu ketika pasien ditugaskan untuk kunjungan; dan
• Jenis pasien (kronis/kunjungan pertama/lainnya).

Selama fase pengukuran dan analisis, persentase ketidakhadiran pasien (yaitu, pasien
yang tidak hadir pada saat kunjungan yang dijadwalkan) dihitung untuk setiap unit,
selain mean, min, max, dan standar deviasi dari waktu menunggu. Selanjutnya,
parameter lain (chaos, inefisiensi, potensi, peningkatan, dan pengurangan daftar
tunggu) untuk mengukur kinerja proses dihitung sebagai berikut. Kekacauan
dianggap sinonim dari entropi; sehingga dihitung dengan mempertimbangkan berapa
banyak prosedur yang dibatalkan, digeser ke hari lain, atau tidak dilakukan karena
ketidakhadiran Persamaan (1): Chaos = (#No-Show + #shift + #cancel)/(#booking).
(1) Persamaan (2) merupakan inefisiensi, yang dihitung sebagai selisih antara
kapabilitas (jumlah kunjungan yang dapat dilakukan secara efektif) dan jumlah
pemesanan, dinormalisasi dengan kapabilitas: Inefisiensi = (Capability
#booking)/Capability. (2) Jika ketersediaan pemesanan harian jenuh, jumlah
kunjungan yang dapat dilakukan dihitung berdasarkan Persamaan (3): Potensi = Hari
rawat jalan yang bermanfaat * Ketersediaan. (3) Perbedaan antara potensi sistem dan
apa yang sebenarnya dicapai, dibandingkan dengan ketersediaannya, memberikan
peningkatan teoretis dalam hal jumlah hari yang berguna untuk melakukan kunjungan
Persamaan (4): Peningkatan = (Potensi Realisasi) /Ketersediaan. (4) Untuk
mendapatkan data berupa daftar tunggu, peningkatan harus dikalikan 7/3 karena
kunjungan hanya tersedia selama 3 hari dalam seminggu Persamaan (5): Pengurangan
daftar tunggu = Peningkatan * (7/3). (5) Pengurangan ini dapat dicapai dengan logika
overbooking ilmiah (seperti yang dilaporkan di bagian Hasil). Setelah analisis proses
penyediaan layanan, deskripsi mekanisme operasi, karakteristiknya, logika yang
berlaku, dan masalah kritis, penggambaran model konseptual rute akses dan eksekusi
kinerja berhasil diselesaikan. Pada titik ini, melalui model formal, kita dapat
mereproduksi apa yang telah kita definisikan secara mental, dengan demikian
mensimulasikan realitas dalam analisis. Melalui pendekatan discrete event simulation
(DES), model konseptual ini diwujudkan dalam model formal yang memungkinkan
untuk mewakili realitas organisasi yang diteliti melalui model simulasi [42]. DES
adalah proses pengkodean perilaku sistem yang kompleks sebagai urutan kejadian
yang terdefinisi dengan baik. Aplikasi yang dikenal termasuk stress testing, menilai
kemungkinan investasi keuangan, dan prosedur pemodelan dan proses dalam konteks
manufaktur dan perawatan kesehatan. Dalam perawatan kesehatan, Baril et al. [43]
mengurangi penundaan pasien di klinik onkologi sebesar 79% setelah 19 minggu,
sementara Glover et al. [44] menyoroti manfaat menggunakan DES dalam studi kasus
aneurisma aorta perut. Zhang [45] melakukan tinjauan sistematis untuk
mengeksplorasi kemajuan dan tingkat DES saat ini, mengidentifikasi empat bidang
utama: operasi sistem kesehatan dan perawatan, pemodelan perkembangan penyakit,
pemodelan skrining, dan pemodelan perilaku kesehatan.
Akhirnya, berdasarkan data yang dikumpulkan, kami secara virtual mensimulasikan
model dengan merumuskan strategi ad hoc untuk menanggapi kekacauan akibat
pasien yang tidak hadir, shift, dan pembatalan.

3. Hasil dan Diskusi

3.1 Mendefinisikan

Pertama, tim yang menangani proyek didefinisikan sebagai berikut: manajer medis
adalah pemimpin proyek, insinyur biomedis adalah juara proyek, dan tim terdiri dari
tiga insinyur. Sementara pemimpin dan juara berurusan dengan masalah konseptual,
tim mengumpulkan dan menganalisis data; setiap anggota harus memberikan
kontribusi yang substansial untuk pekerjaan itu. Untuk menentukan hubungan antara
besaran yang akan ditingkatkan (Y) dan variabel pada input (X) yang dapat
mempengaruhi nilainya.

3.2 Menilai

Setelah variabel-variabel dipresentasikan pada fase define, pada fase ini dibuat
keputusan mengenai inklusi dan eksklusinya. Menurut manajemen rumah sakit,
variabel yang akan ditingkatkan dipilih, dan diberikan bobot untuk masing-masing
variabel tersebut: lokasi layanan Y3, sistem informasi Y4, pemerataan akses kinerja
Y6, waktu tunggu kinerja Y7, dan waktu Y9 tinggal di ruang tunggu dipilih oleh
direktur rumah sakit sebagai variabel target untuk ditingkatkan. Matriks prioritas
memungkinkan untuk memilih variabel kritis yang mempengaruhi output untuk
ditingkatkan. Untuk setiap variabel input (X), skor dihitung dengan
mempertimbangkan kontribusinya terhadap variabel output (Y); kemudian, skor
kumulatif dihitung. Dengan menghitung skor kumulatif berdasarkan matriks prioritas,
dimungkinkan untuk mengidentifikasi variabel input mana yang berkontribusi pada
sekitar 80% dari masalah kritis (Gambar 2): X9 Organisasi kerja, X14 Metode
penjadwalan, X12 Pergeseran dan pembatalan, X15 Keadaan peralatan , X11
Absensi, dan X10 Kapasitas produksi. Variabel ini mewakili elemen CTQ dalam
pendekatan DMAIC.

3.3 Analisis

Analisis Pareto menyoroti kinerja yang memiliki dampak terbesar dalam hal numerik.
Jumlah total kunjungan, yang termasuk dalam 198 layanan berbeda, berjumlah
66.649. Kunjungan ini dipesan dan dijadwalkan pada tahun 2016. Delapan puluh
persen dari sampel di atas (66.649) diwakili oleh 21% (43 pertunjukan berbeda) dari
kunjungan. Mengenai layanan yang diperoleh, berikut ini dihitung:

• Waktu tunggu rata-rata: Perbedaan antara tanggal agenda (atau tanggal rujukan) dan
tanggal pemesanan, dinyatakan dalam hari;
• Standar deviasi: Penyebaran waktu tunggu sehubungan dengan nilai rata-rata,
dinyatakan dalam hari;
• Maks: Waktu tunggu maksimum yang direkam untuk pertunjukan yang
bersangkutan, dinyatakan dalam hari;
• Min: Waktu tunggu minimum yang direkam untuk pertunjukan yang bersangkutan,
dinyatakan dalam hari; dan
• Total: Jumlah layanan yang dipesan. Harap dicatat bahwa nilai waktu tunggu
diperkirakan untuk layanan tersebut daripada untuk kunjungan umum atau kunjungan
pertama karena sistem tidak mencatat tanggal kunjungan harus dijadwalkan sebagai
konsekuensi langsung dari rujukan medis. Dalam penelitian kami, kami memeriksa
delapan bidang berikut:

• Otolaringologi,
• Neurologi umum,
• Operasi darurat,
• Ortopedi umum,
• Neuropsikiatri bayi,
• Dermatologi,
• Rumah sakit hari medis,
• Kardiologi.

Tingkat Ketidakhadiran dan Waktu Tunggu untuk layanan yang diberikan oleh
masing-masing area diukur dengan hasil sebagai berikut: Tingkat Ketidakhadiran
berkisar antara 13% dari operasi Darurat hingga 38% dari neuropsikiatri Bayi; waktu
tunggu maksimum berkisar antara 182 hari untuk ortopedi hingga 421 hari untuk
neuropsikiatri Bayi, sedangkan waktu tunggu rata-rata berkisar dari 16 hari untuk
operasi Darurat hingga 208 hari untuk neuropsikiatri Bayi. Kekacauan (dihitung
sebagai persentase ketidakhadiran, shift, dan pembatalan) dan Inefisiensi proses
(dihitung sebagai persentase layanan yang tidak sesuai dengan waktu yang ditentukan
oleh undang-undang) juga dihitung untuk semua area untuk memahami yang salah
satunya mempengaruhi rumah sakit. Kekacauan dan Inefisiensi proses dilaporkan di
bawah ini untuk setiap area yang diperiksa:

• Otolaringologi: 31% dan 20%.

• Neurologi umum: 25% dan 30%.
• Operasi darurat: 47% dan 3,3%.
• Ortopedi umum: 34% dan 24%.
• Neuropsikiatri bayi: 56% dan 85%.
• Dermatologi: 53% dan 42%.
• Rumah sakit hari medis: 49% dan 54%.
• Kardiologi: 33% dan 19%.

Setelah analisis, karena pengukuran yang disebutkan di atas, neuropsikiatri Bayi telah
diidentifikasi sebagai kasus representatif untuk ditingkatkan, karena menunjukkan
nilai tertinggi dari Kekacauan dan Inefisiensi proses, masing-masing 56% dan 85%.
Oleh karena itu, model simulasi kami telah diuji pada area representatif ini.

3.4 Simulasi
Dari analisis proses pelayanan rawat jalan presidium rumah sakit, dimungkinkan
untuk menguraikan model konseptual departemen melalui pendekatan DES. Fase
pemodelan dan simulasi direproduksi dan diimplementasikan pada komputer untuk
menguji berbagai solusi strategis yang membuat model berkembang menuju solusi
yang sukses. Mengontrol variabel independen, adalah mungkin untuk
mengidentifikasi di antara evolusi yang berbeda yang sesuai dengan skenario bisnis
terbaik [42]. Parameter kritis model, yaitu yang harus dipantau, adalah sebagai
berikut:

• Daftar tunggu layanan;

• Waktu tunggu minimum;
• Waktu tunggu maksimum; dan
• Waktu tunggu tetap: waktu yang dibutuhkan untuk mengerjakan seluruh antrian.
Berdasarkan parameter tersebut, juga dimungkinkan untuk memantau keadilan akses
terhadap layanan. Berikut ini adalah fase desain yang berbeda untuk melakukan
simulasi:

• Pembuatan kalender kapasitas: Ini didefinisikan sebagai urutan hari, dalam format
Julian, di mana ketersediaan layanan yang akan disimulasikan terbuka. Secara formal,
kalender adalah matriks n x 2, di mana n adalah hari simulasi dan untuk setiap hari,
tanggal dan nilai layanan yang tersedia ditampilkan—yaitu, jumlah maksimum
kunjungan yang diharapkan pada hari tertentu. Dari sistem nyata, rata-rata,
pemesanan terjadwal harian sama dengan 11, yaitu, biasanya 10 ditambah satu unit
pemesanan berlebih.

• Pembuatan kalender pemesanan: Ini didefinisikan sebagai urutan total pemesanan

yang dibuat oleh pasien pada hari yang berbeda dalam seminggu selama rentang
waktu amplitudo yang diperlukan untuk bekerja melalui seluruh antrian. Untuk
membuat kalender ini, pertama, total pemesanan harian, yang dicatat oleh sistem
nyata, diperiksa di jendela waktu Januari–Desember 2016 dan pada hari yang berbeda
dalam seminggu.

Kontrol ini digunakan untuk mengevaluasi homogenitas pemesanan untuk faktor

"hari" dan untuk faktor "bulan". Untuk data yang tersedia, yang termasuk dalam
beberapa kelompok (jumlah pemesanan pada hari yang berbeda dalam seminggu dan
tahun), perlu dipahami apakah mereka “berbeda” satu sama lain atau merupakan
bagian dari “populasi” yang sama dan apakah perbedaan mereka adalah karena
variabilitas statistik normal. Yang dimaksud dengan “berbeda” adalah data adalah
sampel dari suatu populasi yang digambarkan dengan distribusi statistik yang berbeda
untuk setiap kelompok. Analisis statistik memberi kita metode untuk menafsirkan
kemungkinan perbedaan ini: metode ANOVA, berdasarkan pada perbandingan
varians (Gambar 3 dan 4). Menganalisis hasil ANOVA, dimungkinkan untuk
menyimpulkan bahwa karena nilai p (0,000) yang terkait dengan uji F lebih rendah
dari tingkat signifikansi yang dipilih (0,05), hipotesis homogenitas harus ditolak.
Oleh karena itu, dapat disimpulkan bahwa pemesanan bervariasi secara signifikan
(dengan tingkat signifikansi = 0,05) tergantung pada bulan pencatatan. Karena nilai p
(0,079) yang terkait dengan uji F lebih tinggi dari tingkat signifikansi yang dipilih
(0,05), hipotesis homogenitas pemesanan sehubungan dengan variabel "hari" dapat
diterima. Mengikuti hasil ANOVA dan mempertimbangkan bahwa hanya satu sampel
yang disimpan, metode bootstrap non-parametrik diterapkan untuk menghasilkan
pemesanan, yang ukurannya terbatas dan distribusinya tidak diketahui.

3.5 Validasi Model

Pada tahap selanjutnya perlu dilakukan pengecekan apakah model yang telah dibuat
memberikan hasil yang valid untuk sistem yang diteliti. Secara khusus, pengukuran
sistem nyata harus didekati dengan baik oleh ukuran yang dihasilkan oleh model
simulasi. Proses kalibrasi diikuti dengan proses validasi model atau operasi "kontrol
kualitas" di mana kapasitas model yang dikalibrasi untuk mereproduksi operasi nyata
dari sistem dipastikan. Pada fase ini, perbandingan antara pengamatan nyata dan nilai
simulasi dibuat dengan menggunakan indikator goodness of fit, dengan bantuan
representasi grafis yang sesuai. Secara khusus, tes Kolmogorov-Smirnov (K-S)
digunakan. Uji ini merupakan uji nonparametrik yang memungkinkan seseorang
untuk membandingkan sampel data dan distribusi teoritis atau dua sampel data untuk
memverifikasi hipotesis statistik bahwa populasi dari mana data berasal berasal dari
yang bersangkutan atau hipotesis bahwa keduanya sampel berasal dari populasi yang
sama, seperti dalam kasus kami. Perbandingan dilakukan antara sampel nyata dan
sampel simulasi untuk variabel kunjungan yang dilaksanakan dan tidak hadir. Sampel
sebenarnya mengacu pada layanan kunjungan neuropsikiatri bayi pada jendela waktu
Agustus 2016–Desember 2016, jendela tempat data diambil. Uji Dua Sampel
Kolmogorov–Smirnov.

• Statistik uji K-S: 0,160.

• Nilai kritis K-S (kurang lebih): 0,254.
• Tingkat alfa: 0,05.

Statistik uji kurang dari nilai kritis; oleh karena itu, tidak ada cukup bukti untuk
menyimpulkan bahwa distribusi yang mendasarinya berbeda.

3.6 Menyempurnakan

Tabel berikut (Tabel 4) menunjukkan hal berikut untuk setiap tingkat overbooking:
• Di bawah: Jumlah kunjungan di bawah ketersediaan yang diharapkan;
• Lebih: Jumlah kunjungan melebihi ketersediaan yang diharapkan;
• Rata-rata di bawah: Ini mempertimbangkan kunjungan di bawah ketersediaan yang
diharapkan, mengevaluasi perbedaan antara nilai simulasi dan nilai sebenarnya. Rata-
rata di bawah adalah nilai rata-rata di antara celah yang terdaftar;
• Rata-rata di atas: Ini mempertimbangkan kunjungan tersebut di atas ketersediaan
yang diharapkan, mengevaluasi perbedaan antara nilai simulasi dan nilai sebenarnya.
Rata-rata di atas adalah nilai rata-rata di antara kesenjangan yang terdaftar;
• Diff.: Nilai absolut dari selisih antara rata-rata di bawah dan rata-rata di atas;
• Ekuilibrium: Nilai rata-rata antara kesenjangan antara rata-rata di bawah dan rata-
rata di atas. Jika seseorang membayangkan bahwa tingkat pemesanan berlebih adalah
keran, nilai positif dari ekuilibrium menunjukkan luapan dan, oleh karena itu,
pemesanan berlebih; sebaliknya, nilai negatif menunjukkan faucet yang tersumbat
atau tidak berfungsi; Int. J.Lingkungan. Res. Kesehatan Masyarakat 2020, 17, 1052
12 dari 17
• Waktu tetap: Jumlah hari yang diperlukan untuk mengerjakan seluruh antrian.
3.7 Kontrol

Fase kontrol memainkan peran kunci karena proses, jika dibiarkan sendiri (tanpa
kontrol), cenderung menurun seiring waktu karena dipengaruhi oleh faktor eksternal
[46]. Agar lebih responsif terhadap lingkungan, parameter yang memungkinkan untuk
menentukan tingkat pemesanan berlebih harus terus dipantau dan mungkin diubah,
karena situasi dapat dibuat di mana ketersediaan harian terlampaui, dan sebaliknya.
Sistem pemantauan berkelanjutan memungkinkan untuk memahami secara preventif
ketika parameter berubah secara signifikan, mengarahkan proses ke kondisi drift dan
kemudian bertindak sebelum ketidaksesuaian, yang diwakili oleh lembur yang
berlebihan, terjadi. Dalam konteks ini, overbooking dinamis yang disajikan dalam
literatur adalah solusi yang paling efektif.

4. Kesimpulan

Menambahkan agile ke pendekatan Six Sigma telah membantu mencapai penerapan

model yang lebih cepat daripada yang mungkin dilakukan tanpa pendekatan agile.
Penjadwalan kunjungan dan waktu setiap tugas ditentukan oleh metodologi tangkas,
sedangkan struktur proses perbaikan diikuti berdasarkan metodologi Six Sigma.
Memang, keduanya dicirikan oleh mendengarkan secara mendalam kebutuhan
pelanggan (dalam hal ini, rumah sakit) dan memiliki sikap yang berorientasi pada
pemikiran statistik. Penting untuk digaris bawahi bahwa proses tersebut mengalami
banyak analisis mengenai variabel yang akan dimasukkan, layanan yang akan
dipertimbangkan, dan validasi model. Dalam pekerjaan ini, yang tujuannya adalah
untuk mengidentifikasi dan mengurangi ketidakefisienan dalam mengakses layanan,
kami fokus, dari perspektif tangkas, pada analisis awal dari berbagai tahapan
konstitutif layanan, melakukan pemetaan tahapan yang berbeda; selain itu, kami
mengidentifikasi setiap redundansi dan kerugian proses. Proses kemajuan telah
menetapkan perbedaan antara apa yang diramalkan oleh prosedur dan apa yang
sebenarnya diimplementasikan. Logika lean, yang mencakup reservasi dengan janji
temu, paling baik menangani masalah arus masuk keselamatan di rumah sakit.
Namun, pada kenyataannya tidak dapat diterapkan karena variabilitas eksternal yang
disebabkan oleh pasien yang tidak hadir yang mendistorsi proses. Trend nasional
selama tiga tahun terakhir, dengan tingkat ketidakhadiran rata-rata yang tinggi mulai
dari 17,1% hingga 19,3% [47], telah menunjukkan bahwa meskipun ada panggilan
telepon pengingat, pengingat kartu pos, panggilan telepon seluler langsung, dan biaya
administrasi untuk ketidakhadiran pasien ditujukan untuk mengatasi dan mengubah
tingkat ketidakhadiran [48,49], fenomena ketidakhadiran masih menjadi masalah
yang menantang baik secara nasional [50] dan internasional [51]. Meskipun
menggunakan strategi pemesanan berlebih dapat meningkatkan pendapatan dan
pemanfaatan sumber daya klinis, ada bukti terbatas yang mendokumentasikan bahwa
strategi pemesanan berlebih merupakan kontributor positif untuk menurunkan tingkat
ketidakhadiran karena pemesanan berlebih hanya bermanfaat dalam kondisi tertentu
[39]. Memang, pemesanan berlebih dapat secara signifikan meningkatkan volume
layanan klinik dengan meningkatkan ketersediaan untuk pasien dan produktivitas
klinik secara keseluruhan, yang mengarah pada pengurangan biaya dan peningkatan
kepuasan pasien. Namun, pemesanan berlebih dapat memperpanjang antrian di klinik
dan meningkatkan ketidakpuasan pasien sebelum janji temu. Namun, leher botol tidak
diwakili oleh rendahnya jumlah sumber daya medis tetapi oleh ketidakjenuhannya.
Mengukur overbooking dengan cara yang benar, dengan mempertimbangkan seluruh
proses (no-show, pembatalan, dan pemindahan), akan memungkinkan rumah sakit
memperoleh peningkatan yang substansial.

Oleh karena itu, penggunaan simulator semacam itu untuk memilih apakah akan
mengadopsi pemesanan berlebih atau tidak dan, di atas semua itu, tingkat pemesanan
berlebih yang direkomendasikan dapat membantu manajemen lean organisasi layanan
kesehatan. Memang, simulator dapat menyarankan strategi terbaik untuk pengelolaan
kalender pemesanan, mengurangi waktu tunggu yang tidak seimbang antara
pemesanan dan penjadwalan kunjungan dan memberikan kesetaraan kepada pasien
dan penyampaian layanan kesehatan yang lebih tepat waktu dan adil. Model simulasi
yang diusulkan untuk janji temu overbooking terbukti menjadi metode yang efektif
untuk menangani ketidakhadiran. Metodologi tangkas berguna untuk
menyempurnakan parameter yang terkait dengan pemesanan berlebih. Laporan akhir
rumah sakit menunjukkan bahwa strategi overbooking, berdasarkan total gangguan
eksternal yang disebabkan oleh perjalanan, pembatalan, dan ketidakhadiran, efektif
dalam menjamin akses layanan yang adil. Dalam situasi ini, pada kenyataannya,
semua pasien menghormati waktu yang ditentukan oleh daftar tunggu, tanpa
"favoritisme" yang dijamin oleh logika penggantian. Pada dasarnya, keadilan dalam
hal urutan pasien yang memesan kunjungan medis dijamin. Di hadapan masalah kritis
dengan daftar tunggu, intervensi yang paling berguna dengan dampak langsung terdiri
dari memberikan insentif ekonomi untuk menangani kekritisan: kerja lembur. Logika
tangkas mengharuskan staf klinis mengatur beberapa pertemuan untuk memahami
apakah ada periode dengan gelombang besar pasien (seperti epidemi atau "periode
flu" yang lebih sederhana). Situasi seperti ini akan mengurangi ketidakhadiran, dan
staf klinis harus siap dengan jumlah sumber daya yang tepat. Mengenai hasil
implementasi model, simulasi proses perawatan kesehatan akan menguntungkan baik
sisi manajerial rumah sakit dan, tentu saja, pasien. Yang pertama akan mencapai
manajemen situasi kritis yang lebih baik seperti ketidakhadiran, sementara yang
kedua akan mendapat manfaat dari waktu tunggu yang lebih pendek karena lebih
banyak pemeriksaan medis akan tersedia setiap hari, mengurangi ketidakhadiran.
Tentu saja, simulasi proses juga akan mempengaruhi pengelolaan sumber daya. Ada
juga keuntungan yang terkait dengan metodologi yang kami terapkan: tidak perlu
bereksperimen dengan perubahan dalam praktik nyata karena dimungkinkan untuk
mensimulasikannya dan mengukur konsekuensi ekonomi terlebih dahulu; ada
kemungkinan untuk melakukan percobaan peningkatan lebih dari satu kali dan
dengan cara yang berbeda sehingga prosesnya dapat dipahami secara mendalam;
waktu yang dibutuhkan untuk percobaan nyata jauh lebih besar daripada yang
diperlukan untuk simulasi; etika dan hukum tidak masalah ketika hanya membuat
simulasi sehingga birokrasi tidak menjadi batasan; akhirnya, ide-ide berisiko dapat
diimplementasikan dan diuji tanpa mengganggu sistem yang sebenarnya.

Batasan Studi dan Pengembangan Kedepan

Tentu saja, ada beberapa keterbatasan penelitian ini. Fokus makalah ini terutama
adalah pembuatan model simulasi untuk menangani ketidakhadiran pasien. Oleh
karena itu, analisis pra-posting statistik klasik tidak dilakukan. Model diuji di unit
neuropsikiatri bayi, tetapi perluasan model ke unit lain harus dicapai di masa
mendatang. Studi lebih lanjut juga dapat mencoba memperluas model ke konteks
perawatan kesehatan lain untuk menguji keefektifannya. Selain itu, model yang
berbeda dapat diterapkan melalui pendekatan DES untuk menangani ketidakhadiran
untuk mengevaluasi model yang paling efisien dan efektif karena overbooking bukan
satu-satunya strategi yang tersedia. Namun demikian, kombinasi tangkas dan Six
Sigma terbukti berguna dan layak untuk menganalisis model simulasi dalam
perawatan kesehatan.