Utveckling av en konceptuell
modell för simulering av svensk
akutsjukvårds
katastrofmedicinska förmåga
Ola Andersson
Emma Sandahl
Utveckling av en konceptuell
modell för simulering av svensk
akutsjukvårds
katastrofmedicinska förmåga
Examensarbete utfört i Logistik
vid Tekniska högskolan vid
Linköpings universitet
Ola Andersson
Emma Sandahl
Handledare Krisjanis Steins
Examinator Tobias Andersson Granberg
Norrköping 2020-06-17
Detta dokument hålls tillgängligt på Internet – eller dess framtida ersättare –
under en längre tid från publiceringsdatum under förutsättning att inga
extra-ordinära omständigheter uppstår.
Tillgång till dokumentet innebär tillstånd för var och en att läsa, ladda ner,
skriva ut enstaka kopior för enskilt bruk och att använda det oförändrat för
ickekommersiell forskning och för undervisning. Överföring av upphovsrätten
vid en senare tidpunkt kan inte upphäva detta tillstånd. All annan användning av
dokumentet kräver upphovsmannens medgivande. För att garantera äktheten,
säkerheten och tillgängligheten finns det lösningar av teknisk och administrativ
art.
Upphovsmannens ideella rätt innefattar rätt att bli nämnd som upphovsman i
den omfattning som god sed kräver vid användning av dokumentet på ovan
beskrivna sätt samt skydd mot att dokumentet ändras eller presenteras i sådan
form eller i sådant sammanhang som är kränkande för upphovsmannens litterära
eller konstnärliga anseende eller egenart.
För ytterligare information om Linköping University Electronic Press se
förlagets hemsida
http://www.ep.liu.se/Copyright
The publishers will keep this document online on the Internet - or its possible
replacement - for a considerable time from the date of publication barring
exceptional circumstances.
The online availability of the document implies a permanent permission for
anyone to read, to download, to print out single copies for your own use and to
use it unchanged for any non-commercial research and educational purpose.
Subsequent transfers of copyright cannot revoke this permission. All other uses
of the document are conditional on the consent of the copyright owner. The
publisher has taken technical and administrative measures to assure authenticity,
security and accessibility.
According to intellectual property law the author has the right to be
mentioned when his/her work is accessed as described above and to be protected
against infringement.
For additional information about the Linköping University Electronic Press
and its procedures for publication and for assurance of document integrity,
Sammanfattning
I den föränderliga värld vi lever i med nya, ofta komplexa, hot och risker är en god förmåga att handskas med det oväntade viktigt. Sjukvården måste liksom andra ingående aktörer i en räddningsinsats öva och förbereda sig för alla tänkbara scenarier. För räddningstjänst och prehospital vård är dessa övningar och förmågeanalyser ofta enklare att genomföra på ett verkligt sätt än för sjukhusförlagd vård. Dock kommer fullskaliga övningar med en större kostnad, något som är en klar nackdel. Även den etiska aspekten har stor betydelse i val av övningsmetod. Möjligheten till att genomföra realistiska övningar på ett sjukhus är begränsade på grund av den etiska faktorn då faktiska patienter löper risk att bli drabbade och påverkas negativt. Med bakgrund av detta kan konstateras att kompetenta, flexibla och dynamiska simuleringsverktyg är mycket viktiga och användbara inom detta område.
Det stokastiska simuleringsverktyg för katastrofmedicinsk förmågeanalys (StoF) som idag utvecklas vid Katastrofmedicinskt centrum (KMC) fyller i frågan ett viktigt syfte. StoF beskriver hela händelseförloppet vid en katastrofmedicinsk händelse, från inträffande tills dess att alla patienter omhändertagits och vårdats. Det efterfrågas dock vidare studier gällande de senare delarna av förloppet, från och med det läge då patienter börjar ankomma sjukhus. Denna studie bidrar med en konceptuell modell över flödet på och i anslutning till ett sjukhus akutmottagning vid en katastrofmedicinsk händelse. Studien tillför innehåll och utökad omfattning till den fortlöpande utvecklingen av StoF. Detta motsvarar studiens syfte som därmed också är uppfyllt.
Studien har utförts med grund i ett simuleringsarbete men med ett naturligt stort och djupt fokus på den konceptuella modelleringen. Stort fokus har även riktats mot att utveckla en modell som är så generisk och allmän som möjligt. Detta för att denna ska kunna användas av alla svenska sjukhus och regioner, oberoende av storlek och utformning.
Resultatet är en konceptuell modell som beskriver flödet av både vanliga patienter och katastrofpatienter vid en katastrofmedicinsk händelse. Vidare inkluderas även de förändringar som sker i akutsjukvårdskedjans verksamhet då en katastrofmedicinsk händelse inträffar. Modellen som utformats i studien möjliggör identifiering av flaskhalsar i systemet samt genererar utdata i form av patientutfall och kan därmed användas för katastrofmedicinsk förmågeanalys.
Modellen har validerats mot simuleringar gjorda med det analoga simuleringsverktyget Emergo Train System samt nuvarande version av StoF, liksom av experter inom området. Validering av den konceptuella modellen har kunnat konstatera att modellen bedöms uppfylla sitt syfte och vara implementerbar i StoF.
Abstract
In the ever-changing world we live in with new, often complex, threats and risks, a thorough ability to deal with the unexpected is important. Healthcare, like other stakeholders in a rescue operation, must practice and prepare for many different scenarios. For emergency services and prehospital care, these exercises and preparedness assessments are often easier to perform as a physical, real exercise than for hospitals. However, full-scale exercises come with a greater cost, which is a clear disadvantage. The ethical aspect is also of great importance in the choice of exercise method. For a hospital, it is ethically questionable whether a realistic full-scale exercise could be carried out on site as actual patients are at risk of being adversely affected. With this as background, it can be concluded that competent, flexible, and dynamic simulations are very important and useful tools within the studied subject.
The stochastic discrete event simulation tool for emergency medical capacity analysis (StoF), which is currently being developed at the Center for Teaching & Research in Disaster Medicine and Traumatology (abbreviated as KMC in Swedish), fulfills this important purpose. StoF describes the entire course of events in a disaster scenario, from its occurrence until all patients have been treated and taken care of. However, further studies are needed regarding the latter parts in the sequence of events, from the point at which patients start arriving to hospitals. This study contributes to a conceptual model of the events taking place at a hospital´s emergency department and its related departments during a disaster scenario. Thus, it adds content and expands the scope to the continuous development of StoF. This corresponds to the purpose of the study, which is thereby considered fulfilled.
The study was carried out on the basis of a simulation study but with a natural focus on conceptual modeling. Great focus has also been put on developing a model that is as generic and general as possible. This is because the model should be able to be used by all Swedish hospitals and regions, regardless of size and configuration.
The result of the study is a conceptual model that describes the flow of both ordinary patients and emergency patients from the disaster event at a hospital during a disaster scenario. Furthermore, the organizational changes being made in the emergency department-related operations in the case of a disaster scenario are also included. The model designed in the study enables the identification of bottlenecks in the system and generates output in terms of patient outcomes and can thus be used for analysis of disaster preparedness.
The model has been validated against simulations made with the analog simulation tool Emergo Train System and the current version of StoF, as well as by experts. Validation of the conceptual model have been able to determine that the model fulfill its purpose and that it could be implemented into StoF.
Förord
Detta examensarbete är finalen på vår kandidatutbildning i logistik, på programmet Flygtransport och Logistik vid Linköpings universitet, campus Norrköping. Arbetet är utfört för och i nära samarbete med Katastrofmedicinskt centrum (KMC) i Linköping. Detta är ett arbete som vi såg oerhört mycket fram emot att utföra, till stor del tack vare att vi fick skriva om ett ämne vi brinner för och som vi känner hade ett reellt och viktigt syfte.
I ett arbete med att ta fram en konceptuell modell finns inget fördefinierat slut och den iterativa processen har aldrig någon riktig mållinje. Dock anser vi här ha en så klar och bra modell som vi under vår tidplan kunnat producera.
Vi vill tacka vår mycket kunniga handledare Krisjanis Steins vid ITN, Linköpings universitet, som under arbetets gång gett värdefull input och uppmuntran. Alla samtal om världsliga saker, räkmackor och några små möten då och då har satt guldkant på vår tillvaro.
Tack till vår examinator Tobias Andersson Granberg som i sin roll som examinator gett oss bra stöd och möjlighet att slutföra arbetet i tid.
Stort tack till KMC, Carl-Oscar Jonsson, Erik Prytz, Peter Berggren och Eva Kristedal, för ert stöd samt användbara råd och tips. Speciellt tack till Mattias Lantz Cronqvist som försett oss med data, råd samt intressanta samtal om sjukvård, simulering och allt däremellan. Även Martin Holzmann, professor och forskare vid Karolinska Institutet, som sammanställt den data som Mattias försett oss med, önskar vi tacka.
Emma Sandahl & Ola Andersson, juni 2020
Acknowledgement
This bachelor thesis is the final work of our bachelor’s program in Air Transportation and Logistics at Linköping University, campus Norrköping. The thesis has been carried out for and in close collaboration with the Centre for Teaching & Research in Disaster Medicine and Traumatology in Linköping. This is a work that we looked forward to very much, largely because we were able to write about a topic we feel passionately about and which we think has a real and important purpose.
In the work to develop a conceptual model, there is no predefined end or goal and the iterative process has no proper finish line. However, we consider us to have produced such a good and well-functioning model that we could have done with the relatively sparse time on our hands. We would like to thank our very proficient supervisor Krisjanis Steins, Department of Science and Technology, Linköping University, who during the work with this thesis provided valuable input and encouragement. All conversations about worldly things, shrimp sandwiches and a “few small meetings” now and then have brightened our day on more than one occasion. We would also like thank our examiner Tobias Andersson Granberg who in his role as examiner gave us support and the opportunity to complete the work on time.
Also, we are grateful to all of you at KMC; Carl-Oscar Jonsson, Erik Prytz, Peter Berggren, and Eva Kristedal, for your support and useful advice. Special thanks to Mattias Lantz Cronqvist who provided us with data, advice and interesting conversations about healthcare, simulation, and everything in between. Martin Holzmann, professor and senior consultant, at Karolinska Institutet, who compiled all the data that Mattias provided us with, we wish to thank him for his work.
Innehållsförteckning
1. Inledning ... 1 1.1 Bakgrund ... 1 1.2 Syfte ... 1 1.3 Avgränsningar ... 2 1.4 Disposition ... 2 2. Teoretisk referensram ... 3 2.1 Logistik ... 3 2.1.1 Flöden ... 3 2.1.2 Processer ... 4 2.1.3 Flaskhalsar ... 4 2.2 Vårdlogistik ... 5 2.3 Katastrofmedicin ... 6 2.4 Simulering av logistiksystem ... 62.4.1 Diskret händelsestyrd simulering ... 8
2.5 Konceptuell modellering ... 8
2.5.1 Krav på en konceptuell modell ... 9
2.5.2 Robinsons fem steg ... 10
2.6 Verifiering och validering ... 11
2.6.1 Verifiering ... 11
2.6.2 Validering ... 11
3. Nulägesbeskrivning ... 13
3.1 Emergo Train System ... 13
3.2 DigEmergo ... 14 3.3 Stokastisk Förmågeanalys ... 14 4. Metod ... 15 4.1 Metodteori ... 15 4.1.1 Kvalitativ metod ... 15 4.1.2 Kvantitativ metod ... 16
4.1.3 Primär- och sekundärdata ... 16
4.1.4 Reliabilitet och validitet ... 16
4.2 Genomförande ... 17
4.2.1 Litteraturgenomgång ... 18
4.2.2 Datainsamling ... 20
4.2.4 Konceptuell modellering ... 26 4.2.5 Prototyputformning i Arena ... 26 4.2.6 Validering ... 27 5. Systembeskrivning ... 30 5.1 Akutmottagning ... 30 5.2 Intensivvårdsavdelning ... 32 5.3 Operationsavdelning ... 34 6. Konceptuell modell ... 37 6.1 Modellkonstruktion ... 37 6.1.1 Problemsituation ... 39 6.1.2 Mål ... 39
6.1.3 Identifiering av modellens utdata ... 39
6.1.4 Identifiering av modellens experimentella faktorer ... 40
6.1.5 Omfattning och detaljnivå ... 40
6.2 Analys och definition av insamlade data ... 48
6.2.1 Vanliga patienter ... 48
6.2.2 Katastrofpatienter ... 52
6.2.3 Processtider vid sjukhuset ... 55
6.3 Generisk modellbeskrivning ... 57
7. Resultat ... 61
7.1 Övergripande logikvalidering ... 61
7.2 Validering av intern logik ... 61
7.3 Validering gentemot TYKO ... 63
8. Analys och diskussion ... 67
8.1 Diskussion kring data ... 67
8.2 Hållbarhetsanalys ... 68
8.3 Modelldiskussion ... 69
8.3.1 Modellens validitet – det verkliga systemet ... 69
8.3.2 Modellens validitet – ETS och StoF ... 70
8.3.3 Modellens kravuppfyllelse ... 71
9 Slutsats ... 73
9.1 Framtida studier och utvecklingsområden ... 73
Referenser ... 75
Förkortningar
ABC Airway, Breathing and Circulation
ETS Emergo Train System
IVA Intensivvårdsavdelning
KMC Katastrofmedicinskt Centrum
OP Operation(-savdelning)
RETTS Rapid Emergency Triage and Treatment System
StoF Stokastisk Förmågeanalys
SÖS Södersjukhuset
FIGUR 1.RELATIONEN MELLAN MODELLENS OMFATTNING OCH DETALJNIVÅ OCH DESS KORREKTHET. ... 10
FIGUR 2.TILLVÄGAGÅNGSSÄTTET FÖR STUDIENS GENOMFÖRANDE. ... 18
FIGUR 3.EXEMPEL PÅ EN DUBBLETT TAGET FRÅN DATASETET DÄR ALLA KOLUMNVÄRDEN FÖRUTOM SÖKORSAK ÄR IDENTISKA. ... 23
FIGUR 4.SCHEMATISK ILLUSTRATION AV FLÖDET PÅ AKUTMOTTAGNINGEN MED DESS INFLÖDE, AKTIVITETER OCH UTFLÖDE LIKSOM ALTERNATIVA FLÖDEN UTRITADE. ... 31
FIGUR 5.VANLIGASTE ANKOMSTVÄGARNA TILL IVA I SVERIGE 2019 ... 33
FIGUR 6.BILD ÖVER INFLÖDE, INTERNT FLÖDE OCH UTFLÖDE PÅ EN GENERISK INTENSIVVÅRDSAVDELNING. ... 33
FIGUR 7.BILD ÖVER INFLÖDE, INTERNT FLÖDE OCH UTFLÖDE AV EN GENERISK OCH OPERATIONSAVDELNING. ... 35
FIGUR 8.GROV FLÖDESKARTA ÖVER HELA DET STUDERADE SYSTEMET, AKUTMOTTAGNING,IVA OCH OPERATION. ... 38
FIGUR 9.DEN KONCEPTUELLA MODELLENS OMFATTNING, GRAFISKT UTRITAD MED ALLA INGÅENDE AVDELNINGAR: AKUTMOTTAGNING, IVA OCH OPERATIONSAVDELNING. ... 42
FIGUR 10.DET DAGLIGA GENOMSNITTET FÖR ANTALET ANKOMSTER TILL RESPEKTIVE SJUKHUS AKUTMOTTAGNING, REDOVISAT PER MÅNAD 2015. ... 49
FIGUR 11.DET DAGLIGA GENOMSNITTET FÖR ANTALET ANKOMSTER TILL RESPEKTIVE SJUKHUS AKUTMOTTAGNING, FÖR 2015 OCH 2016. ... 50
FIGUR 12.CIRKELDIAGRAM ÖVER TRIAGEFÖRDELNING. ... 51
FIGUR 13.EXEMPEL PÅ INDATA TILL ARENA FRÅN EN EXCELFIL. ... 79
TABELL 1.SÖKORD VID LITTERATURSÖKNING. ... 19
TABELL 2.DE OLIKA SJUKHUSEN OCH FÖRDELNINGEN AV PATIENTBESÖK LIKSOM DE OLIKA DATASETENS TIDSOMFATTNING. ... 20
TABELL 3.DUBBLETTER FÖR VARJE SJUKHUS. ... 23
TABELL 4.DE OLIKA SJUKHUSEN OCH FÖRDELNINGEN AV PATIENTBESÖK LIKSOM DE OLIKA DATASETENS TIDSOMFATTNING EFTER RENSNING. ... 23
TABELL 5.UTVALD KARAKTERISTISKA DATA OCH INFORMATION OM DE TRE KATASTROFHÄNDELSERNA HÄMTADE FRÅN KAMEDO-RAPPORTER. ... 24
TABELL 6.ANKOMST OCH VISS FÖRDELNING AV SKADADE MELLAN FYRA SJUKHUS FRÅN ÖVNING TYKO. ... 25
TABELL 7.EXPERIMENTELLA FAKTORER FÖR MODELLENS VALIDERINGSPROCESS. ... 28
TABELL 8.MODELLENS OMFATTNING SOM GER EN ÖVERSIKT ÖVER INGÅENDE KOMPONENTER OCH TILLHÖRANDE MOTIVERING TILL VAL OM INKLUDERING ELLER EJ. ... 40
TABELL 9.MODELLENS DETALJNIVÅ SOM GER EN ÖVERSIKT ÖVER INGÅENDE KOMPONENTER OCH DETALJER OCH TILLHÖRANDE MOTIVERING TILL VAL OM INKLUDERING ELLER EJ. ... 42
TABELL 10.TRIAGEFÖRDELNING FÖR ALLA SJUKHUS. ... 51
TABELL 11.JÄMFÖRELSE MELLAN TRIAGERINGEN FÖR DE OLIKA KATEGORISERINGSSYSTEMEN. ... 53
TABELL 12.DE OLIKA PATIENTKATEGORIERNA OCH INOM VILKEN TID DE BEHÖVER VÅRD INNAN RISK FÖR KOMPLIKATION ELLER DÖD UPPSTÅR. ... 54
TABELL 13.VÅRDTIDEN PER PRIORITET OCH DESS RESPEKTIVE FÖRDELNING. ... 55
TABELL 14.STATISTISK ÖVERBLICK FÖR DE OLIKA PRIORITETERNA, FÖR TTL OCH VÅRDTID.ALLA VÄRDEN ÄR ANGIVNA I MINUTER. .... 56
TABELL 15.RESULTATTABELL FRÅN DEN STEGVISA VALIDERINGEN AV DEN INTERNA LOGIKEN. ... 62
TABELL 16.PATIENTUTFALL FÖR TYKO FRÅN SIMULERING MED ETS OCH STOF. ... 63
TABELL 17.PATIENTUTFALL OCH JÄMFÖRELSE MELLAN RESULTATEN FÖR VALIDERINGEN ED INDATA FÖR ÖREBRO UNIVERSITETSSJUKHUS. ... 64
TABELL 18.PATIENTUTFALL OCH JÄMFÖRELSE MELLAN RESULTATEN FÖR VALIDERINGEN ED INDATA FÖR VÄSTERÅS SJUKHUS. ... 64
TABELL 19.STATISTIK FÖR PATIENTUTFALL VID SIMULERING AV TYKO ... 64
TABELL 20.UTNYTTJANDEGRADEN I PROCENT FÖR RESPEKTIVE RESURS VID DE TVÅ SJUKHUSEN ... 65
1. Inledning
I detta kapitel beskrivs bakgrunden till examensarbetet. Vidare presenteras syftet med studien följt av dess avgränsningar samt rapportens disposition.
1.1 Bakgrund
Svensk sjukvård bedrivs av regioner, kommuner och privata vårdgivare enligt riktlinjer och principer. Dessa författas av statliga organ, exempelvis Socialdepartementet och Socialstyrelsen, i samråd med Sveriges Kommuner och Regioner (SKR). Regionerna ansvarar för all sjukvård utom äldrevård och viss eftervård efter behandling på sjukhus (Kliniska Studier Sverige, u.å.).
Katastrofhantering är de resurser och den respons som aktiveras efter en katastrofhändelse. Denna hantering är formulerad i beredskapsplaner och finns på olika nivåer; kommunal, regional och statlig/nationell nivå (Runesson, 2015).
För att kunna svara med rätt respons till katastrofhändelser krävs att det finns en god kartläggning där potentiella risker finns identifierade och där uttalade planer och protokoll finns för hur dessa ska bearbetas och tas omhand. Myndigheten för samhällsskydd och beredskap (MSB) ger ut publikationer som ger stöd åt regioner och kommuner i hur deras beredskapsplaner kan se ut (MSB, 2018).
I Sverige har varje region det övergripande ansvaret över att upprätta och underhålla en katastrofplan för sitt område (Socialstyrelsen, 2001b). En del i denna är en katastrofmedicinsk beredskapsplan som i detalj specificerar hur sjukvården ska organiseras i ett katastrofläge. Enligt föreskrifterna skall en plan finnas för hur sjukvården larmas vid en händelse, vem som leder och organiserar vården och vilka andra aktörer som ska samverka vid katastrofhändelser. Den katastrofmedicinska beredskapen bygger på regionens risk- och sårbarhetsanalys. Denna i sin tur bygger på innehållet i 7 kap. 2 § tredje stycket i hälso- och sjukvårdslagen. Där nämns att regionen har ansvaret att planera vården och att säkerställa att beredskapsplaner finns (Socialstyrelsen, 2017).
Katastrofmedicinskt Centrum (KMC) i Linköping är en självständig enhet inom Region Östergötland och Linköpings universitet. Det övergripande uppdraget från regionen är att ”vara
ett nationellt och internationellt centrum inom ämnesområdena katastrofmedicin och traumatologi” (Region Östergötland, 2020). Vidare ansvarar KMC bland annat för den
regionala kris- och katastrofmedicinska beredskapen, vilket innebär att planera, agera och följa upp före, under och efter en särskild händelse/katastrof. De förvaltar och utvecklar även Emergo Train System (ETS), ett regionägt, analogt simuleringsverktyg för övning och utbildning i katastrofmedicin (Region Östergötland, 2020). I dagsläget pågår forskning gällande en digitaliserad vidareutveckling av ETS vid KMC. Denna ämnar resultera i ett simuleringsverktyg som ska kunna användas för katastrofmedicinsk förmågeanalys (Lantz Cronqvist, 2018).
1.2 Syfte
Syftet med denna studie är att utveckla en konceptuell modell över patientflödena inom ett sjukhus vid en katastrofmedicinsk händelse. Modellen skall ha utgångspunkt i hur den svenska akutsjukvården ser ut idag. Modellen skall kunna implementeras i det stokastiska simuleringsverktyg för katastrofmedicinsk förmågeanalys (StoF) som är under utveckling vid KMC och därmed bidra till denna forskning.
1.3 Avgränsningar
Studien avser utveckla en konceptuell modell som kan analysera svenska sjukhus katastrofmedicinska förmåga. Specifikt kommer modellen omfatta akutmottagning, intensivvårds- och operationsavdelning och därmed exkludera andra avdelningar samt servicegivande enheter så som röntgen och laboration. Modellen ämnar beskriva ett, enskilt sjukhus vid en katastrofmedicinsk händelse, varför inte konsekvenser från samarbeten mellan olika sjukhus, såsom externa patienttransporter, kommer inkluderas. Modellen skall beskriva den svenska sjukvården och kommer därför inte valideras ur ett internationellt perspektiv. På grund av begränsade möjligheter till egen insamling av data kommer studien i stor omfattning bygga på sekundärdata.
1.4 Disposition
Kapitel 1 ger en bakgrund till studien och dess syfte. Det andra kapitlet tar upp den teori som studien bygger på och berör logistik, modellering och simulering med tillhörande underområden. Kapitel 3 ger en bild av nuläget gällande de utbildnings- och simuleringsverktyg som KMC utvecklat och tillhandahåller och där denna studie ämnar ta vid. Kapitel 4 redogör för de metoder som använts för att genomföra studien, dess metodteori samt motivering till val av metod. Kapitel 5 beskriver det modellerade systemet, hur det ser ut och patientens väg genom det. Kapitel 6 redogör sedan för den konceptuella modellen och hur denna utvecklats och ämnar fungera. På detta följer resultat, analys och diskussion samt slutsats i kapitel 7, 8 respektive 9. Resultatet knyter an till modellens syfte och mål genom att dess validitet beskrivs och bedöms. Analys och diskussion analyserar metod och resultat och diskuterar det i relation till förväntat resultat och utfall. Slutsatsen ger en sammanfattning av vad studien kommit fram till och dess bidrag liksom vidare forskning.
2. Teoretisk referensram
Detta kapitel tar upp den teoretiska bakgrunden från litteratur och tidigare forskning som berör logistik, vårdlogistik, katastrofmedicin, simulering och modellering. Detta ger en grund för studiens senare delar.
2.1 Logistik
Logistik är viktigt för alla verksamheter och processer där olika delar ska samverka mot ett gemensamt mål. Jonsson och Mattson (2017) talar om effektiva flöden och att logistiken handlar om att rätt material och produkter skall finnas i rätt kvantitet i rätt tid och på korrekt plats. De poängterar också att logistiken kan analyseras i olika stora system (avgränsningar), beroende på vad som skall analyseras. Dock är det att ha ett övergripande synsätt över alla aktiviteter, att se helheten och hela flödet, som kanske bäst beskriver vad logistik är. En logistiker bör alltså kunna ha ett konsekvenstänkande och förstå vad som sker med systemet om en del av det modelleras om och ändras. Denna lite bredare definition av ett system och helhetsförståelsen är dock vanlig när Supply Chain Management (SCM) diskuteras. Jonsson och Mattson menar också på att SCM innefattar aktiviteter som produktutveckling, marknadsföring och servicetjänster (Jonsson & Mattsson, 2017).
Oskarsson, Aronsson och Ekdahl (2013) ger en liknande bild. De menar att logistiken kan ses ur olika synvinklar eller infallsvinklar, det genomgående syftet är dock att en helhetssyn måste implementeras för att effektivisera flöden inom logistiksystemet. De menar att det handlar om att planera, genomföra samt följa upp och kontrollera de ingående processerna på bästa sätt (Oskarsson, Aronsson & Ekdahl, 2013).
Simchi-Levi, Kaminsky och Simchi-Levi (2009) tar upp logistiken specifikt ur ett SCM-förhållningssätt. De lägger ett större fokus på att också minimera kostnader. Flöden och processer måste inte bara vara effektiva ur ett produktionssynsätt med korta ledtider och hög produktivitet utan måste även vara hållbara och försvarbara ur ett ekonomiskt perspektiv. De sammanfattar det som följer: ”Supply chain management is a set of approaches to efficiently
integrate [input factors] (…) in order to minimize systemwide costs while satisfying service level requirements.” (Simchi-Levi, Kaminsky & Simchi-Levi, 2009).
Hela logistikkedjan är komplex med många ingående aktörer och användare, spridd över geografiska områden. De olika aktörerna eller delarna har ofta olika, egna mål och krav. Dessa är inte sällan i konflikt med de andra ingående delarna. Kedjan kan även beskrivas som dynamisk med varierande behov, kravställningar, produktionsmöjligheter och fluktuerande processtider (Simchi-Levi, Kaminsky & Simchi-Levi, 2009).
2.1.1 Flöden
Eftersom de aktiviteter som sker i logistikkedjan ofta handlar om förflyttningar av material och information blir flöden ett betydande begrepp. Material flödar från en fysisk plats till en annan. Information av olika slag flödar också i logistikkedjan, men då mellan olika avdelningar, aktörer och andra delar som ingår i kedjan. Dessa flöden är dock nog så viktiga att effektivisera då de ofta har en betydande inverkan på de fysiska flödena (Levi, Kaminsky & Simchi-Levi, 2009).
Flöden är viktiga att analysera för att bättre förstå vad som påverkar dem Analysen kan i sin tur hjälpa till att belysa flaskhalsar och hur de bäst kan åtgärdas (Olhager, 2018). Olhager beskriver flöden, flödesanalyser och materialflödesanalyser som hjälpmedel för att hitta förbättringsområden. Han menar också att flödet bör styra hur produktionen samt de ingående processerna designas och styrs upp. Ett logiskt uppbyggt system efter hur flödena ser ut ger
bättre förutsättningar för minskade ledtider, bättre utnyttjandegrad och högre effektivitet (Olhager, 2018).
2.1.2 Processer
En process skiljer sig från flöden på så vis att en process kan utgöra en eller flera delar av ett flöde. Mer specifikt definierar Jonsson och Mattson (2017) en process som ”…en följd av
logiskt och villkorat sammanhängande aktiviteter som upprepas gång efter gång och har en tydlig början och slut”. En process omvandlar något ingående till ett resultat; en produkt eller
något nytt som skiljer stadiet från hur det såg ut vid processens början (Jonsson & Mattsson, 2017).
Hela logistikkedjan kan beskrivas som en serie processer med definierade mål, där varje process i sin tur kan bestå av underprocesser. Processerna behöver inte sällan utföras i en hierarkisk serie eller ordning (Jonsson & Mattsson, 2017).
Jonsson och Mattsson (2017) menar vidare att processer traditionellt kan klassificeras efter vilken egenskap eller värdeskapande funktion de har. De beskriver kärnprocesser, stödprocesser och ledningsprocesser. Kärnprocesserna är processer som initieras av en händelse, eller nådd status, och inbegriper flera olika funktioner inom logistikkedjan. Stödprocesserna inbegriper exempelvis prognostisering och produktionsplanering och är alltså stödjande processer till kärnprocesserna. Ledningsprocesserna handlar mer om strategiska, ingående faktorer som affärsplanering och produktutveckling (Jonsson & Mattsson, 2017). En process behöver vara planerad och standardiserad så långt som möjligt. Vid initierandet av processen måste det vara klart för alla ingående parter vad som skall göras och vad som förväntas av dem. På så vis kan processer liknas vid rutiner. Processer måste även ha ett tydligt syfte, och kan gärna inkludera flera moment för att på så vis få en längd och en helhet som är enkel att förstå och hantera (Oskarsson, Aronsson & Ekdahl, 2013). Oskarsson, Aronsson och Ekdahl (2013) knyter vidare an flöden med processer. De menar att flera flöden kan ingå i en process, men att flöden i sig inte lever upp till kraven för att kallas en process då flöden inte nödvändigtvis måste vara repetitiva eller ha en tydlig början och ett slut. Även Simchi-Levi, Kaminsky och Simchi-Levi (2009) tar upp vikten av att processer är standardiserade. De menar att standardiserade processer för varje produkt eller aktivitet kan ge styrkor till logistikkedjan på så vis att beslutspunkter kan skjutas fram, ledtider minskas och flexibiliteten ökas. Detta är mycket önskvärt där osäkerhet är en besvärande faktor (Levi, Kaminsky & Simchi-Levi, 2009).
2.1.3 Flaskhalsar
Olhager (2018) beskriver en flaskhals som något som ”…begränsar flödet i värdekedjan”. En flaskhals kan ha många orsaker. Det kan vara brist på produktionsresurser eller råvarutillgångar, transportbegränsningar och marknadsberoende faktorer (Olhager, 2018). Enligt Kraljic (1983) resulterar flaskhalsar för ett producerande företag i ökade kostnader och ej uppfyllda leveranstider och/eller kvantiteter, liksom ökade lagernivåer innan flaskhalsen (Kraljic, 1983). Inom hälso- och sjukvård kan flaskhalsar innebära längre genomloppstider för patienter, ökade vårdkostnader och överskridna vårdgarantier (Arvidsson, 2007).
Just på grund av ovan nämnda orsaker är flaskhalsar viktiga att hantera både skyndsamt och på ett korrekt sätt. Olhager (2018) belyser det faktum att flödet begränsas i just flaskhalsen, varför utnyttjandegraden av just den resursen måste ligga så nära 100% som möjligt. Flaskhalsen, sedd som en produktionsresurs, får inte stå utan material och det bör säkerställas att resursen inte genererar material eller produkter som är defekta. Kvalitetssäkring blir därför en extra viktig
aktivitet. Även den övriga produktionen blir beroende av flaskhalsen och styrs därmed av dess kapacitet (Olhager, 2018).
Ett vårdgivande system, exempelvis på ett sjukhus, kan hävdas vara ett betydligt mer dynamiskt system än till exempel en produktionsanläggning på så vis att sjukvårdssystemets balans ofta ändras, inte sällan timme för timme. Detta gör att flaskhalsar i ett sjuvårdsgivande system är rörliga, de kan flytta runt och beror alltså på behovet av en viss resurs för stunden. Sauser, Vickery och Davis. (2015) belyser detta där de hävdar att akutmottagningar då de är överbelagda, fungerar som flaskhalsar för resterande delar av sjukhuset. Akutmottagningen blir därmed den styrande faktorn för sjukhusets totala kapacitet när patienter inte kommer igenom denna flaskhals och ut till behandlande avdelningar (Sauser, Vickery & Davis, 2015).
2.2 Vårdlogistik
Logistik inom vården har under de senaste 10–15 åren fått ett betydligt större fokus än tidigare. Definitionen liknar i hög grad den som görs för traditionell logistik och Arvidsson (2007) definierar det som ”Rätt patient får rätt vård av rätt kvalitet, på rätt nivå, på rätt plats, vid rätt
tidpunkt, till rätt kostnad”. Detta knyter an till den ökade helhetssynen i vården som framträder
allt mer där patienten ses som en kund som utnyttjar ett system av tjänster (Arvidsson, 2007). Supply Chain Management, med just helhetsgreppet över vårdkedjan, lyfts fram av de Vries och Huijsman (2011) som ett lämpligt alternativ för utveckling. De talar om vårdlogistik som alla de flöden som berör hälso- och sjukvården; material, mediciner, information och patienter. De menar också på att SCM inom vården lägger stor vikt på processer. Som exempel nämner de att den idag inom traditionell SCM så viktiga inköpsprocessen (konceptet) med tydliga och öppna samarbeten mellan olika aktörer blir allt vanligare inom sjukvården. Vårdaktörer börjar i högre grad samarbeta, dela på resurser eller allokera specialistresurser till en plats med en gemensam kö. De utvecklade och fördjupade samarbetena leder då till ett bättre resursutnyttjande med snabbare behandling, kortare väntetider och en högre generell servicenivå (de Vries & Huijsman, 2011).
Wiger (2013) drar många paralleller till industriell logistik och SCM men belyser även en mycket viktig aspekt som utmärker vårdlogistiken, nämligen patientflödet, något hon fokuserar mycket på i sin studie. Inom vården är det ofta svårt att prata om processer då kraven för en process sällan uppfylls. Varje patient är olik den andra och i många fall går det inte att säga vilken utkomst ett fall kommer få. Alltså bör det inom vården talas om ett set av flöden som patienten går igenom under sin tid i vårdkedjan. Det är också detta som skapar många av de problem som vi idag ser inom den svenska vården. Varje flöde, eller delflöde om hela kedjan ska betraktas som ett flöde, är inte kopplat till nästa del. Wiger lyfter dock också fram några exempel där hon anser att det går att tala om processer inom vården, exempelvis standardiserade operationer där komplikationer är mycket ovanliga, så som exempelvis höftleds-, knä- och korsbandsoperationer (Wiger, 2013).
En uppdelning av vårdens ingående funktioner kan även göras efter deras värdeskapande egenskaper. Utefter Jonsson och Mattsons modell med kärnprocesser, stödprocesser och ledningsprocesser applicerar Wiger (2013) detta på vården. Kärnfunktioner är enligt Wiger akutavdelningen, kirurgavdelningen och vårdande avdelningar (IVA etc.). Stödfunktioner är diagnostiserande avdelningar, läkarsekreterare och annan administrativ personal liksom övriga behandlande avdelningar. Ledningsfunktionerna är sjukvårdsledning, planerings- och HR-avdelningen (Wiger, 2013).
Vården kan, och bör kanske, ses om en producerande enhet, och vården kan liknas vid en serviceproducerande enhet snarare än en industriellt producerande enhet. De flaskhalsar och dess köer som identifieras måste minimeras och dess resurser prioriteras högre för att kunna
maximera den aktiva patientiden, alltså den tid resursen kommer till nytta för patienten (Arvidsson, 2007).
Wiger (2013) lyfter även upp en viktig aspekt gällande hur vårdsystemet fungerar ur en svensk synpunkt. Hon likställer en patients väg genom vårdsystemet med en kundcykel. Denna cykel är mycket svår att kartlägga till en början men utgången, eller resultatet, klarnar ju längre in i systemet patienten kommer. Detta innebär att variationen i systemet är betydligt större i början av flödet, i motsats till i en industriell produktion där det motsatta förhållandet ofta råder. Varje del av flödet och varje beslut som tas kan ses som en ordercykel där patienten lägger en order, mottagande avdelning ger en orderbekräftelse och initierar ordern (behandlingen). Ordern levereras då behandlingen utförs och cykeln avslutas med att patienten går vidare i flödet. Wiger skriver att just detta upplägg bäddar för en naturlig suboptimering, något som självklart inte är önskvärt (Wiger, 2013).
2.3 Katastrofmedicin
Katastrofmedicin är den gren inom sjukvården som täcker ett omfattande spektrum av händelser med stor inverkan på människor, hälsa och välmående. Ofta täcks här in allt från naturkatastrofer och stora olyckor till andra händelser som kan hanteras med bibehållen vårdnivå om den tillgängliga vården organiseras på rätt sätt. Katastrofer medför en kraftigt ökad belastning på vårdapparaten och då speciellt på den akuta vården. Stora patientvolymer med varierande skadeläge kommer in till sjukhus där organisationen snabbt behöver anpassas efter den nya situationen. Vårdbehovet blir stort i förhållande till de resurser som står till förfogande (Lennquist, 2009).
Lennquist (2009) nämner vidare att en konsekvens som kan tänkas uppkomma är att den vårdambition som i vanliga fall finns kan bli svår att upprätthålla. Snabbare och förenklade diagnos- och triagemetoder1 kan behöva användas. Dessutom kan tillgång och tid till
avancerade hjälpmedel saknas och patienter med mindre kritiska skador kan få vänta betydligt längre än vanligt (Lennquist, 2009).
Vad som särskiljer katastrofmedicinen från den dagliga sjukvården liksom akutsjukvården är främst den stora volym av skadade, och ofta omfattningen på dessa skador, som inkommer till vården. Resultatet är, som Socialstyrelsen beskriver: ”…att de tillgängliga resurserna är
otillräckliga i förhållande till det akuta vårdbehovet och belastningen är så hög att normala kvalitetskrav trots adekvata åtgärder inte längre kan upprätthållas” (Socialstyrelsen, 2001b).
Med katastrofmedicin avses även den vård och räddning som sker på skadeplatser av denna karaktär, till exempel efter tågurspårningar, flygkrascher och kemiska utsläpp, där livsuppehållande insatser och viss triage behöver ske direkt på plats (Zhonghai, 2016).
2.4 Simulering av logistiksystem
Simuleringsmodeller används inom ett flertal olika forskningsområden, däribland vårdlogistik och katastrofmedicin. Simulering handlar i grunden om att med hjälp av olika metoder och tillvägagångssätt skapa en modell, ofta databaserad, av ett verkligt system. Syftet är att då kunna observera systemet och utföra experiment i detta för att därmed kunna testa och utvärdera olika scenarion i systemet (Kelton, Sadowski & Zupick, 2015). Shannon (1975) definierar simulering som:
1
Triage är den kategorisering av patienter som görs, vanligen som en första bedömning när en patient ankommer ett sjukhus eller omhändertas av sjukvårdspersonal. Den baseras på skadeläge och bedömt vårdbehov. För en grundligare definition och redogörelse för skillnaderna mellan triage och prioritet hänvisas till kapitel 4.2.3. Det existerar olika metoder för att utföra triagering, varför det kan talas om olika triagemetoder eller triagesystem.
”…the process of designing a model of a real system and conducting experiments with this model with the purpose of either understanding the behavior of the system or of evaluating various strategies (within the limits imposed by a criterions or set of criteria) for the operation of the system.” (Shannon, 1975).
I de fall då modellen är enkel och utan osäkerheter kan matematiska metoder så som differentialekvationslösning och köteori vara aktuella lösningsmetoder. Verkligheten är dock sällan så enkel. System är komplicerade och så även människorna och processerna i dem. Det kan därmed bli missvisande att förenkla dessa system i sådan utsträckning att modellen kan lösas på ett sätt som genererar exakta, numeriska värden (Kelton, Sadowski & Zupick, 2015). Simulering möjliggör modellering av osäkerhet på ett sätt som andra matematiska metoder sällan kan. Det är därmed en användbar metod när de studerade systemen är stora och komplicerade. Idag finns dessutom ett stort antal databaserade mjukvaror för att modellera och implementera simuleringsmodeller vilket många gånger gör det till ett kostnadseffektivt och flexibelt alternativ (Kelton, Sadowski & Zupick, 2015). Dessa möjliggör modellering av osäkerheter och dynamik mellan de komponenter som är en del av systemet. Detta är fördelar gentemot andra matematiska metoder men även jämfört med alternativet att genomföra experimenten i verkligheten (Law, 2007).
Det som nämns som simuleringens fördelar kan dock också ses som dess nackdelar. Då ett verkligt system modelleras med dess tillhörande osäkerheter, så kallad stokastisk data, medför det att även resultaten inkluderar osäkerheter (Kelton, Sadowski & Zupick, 2015). Simuleringsmodellers utdata presenteras sällan som enkla, numeriska värden utan kräver vidare tolkning gällande vad resultaten faktiskt säger och om de kan anses tillförlitliga. Det är alltså inte bara den som utformar simuleringsmodellen som behöver ha kunskap inom området, det krävs även av den som ska tolka resultaten (Banks, Carson, Nelson & Nicol, 2014).
Inom vårdlogistiken är osäkerhet och komplexitet två vanligt förekommande faktorer. Därför är simulering ett verktyg som i många fall kan vara en lämplig metod för att analysera och utvärdera olika delar av vårdsystemet. Flödena är många med stor variation vilket många gånger medför att flaskhalsar och resursutnyttjande blir ett problemområde i organisationen. I dessa fall är simulering ett effektivt verktyg för att identifiera problem och modellera hur situationen skulle kunna förändras (Levi, Michaelson, Admi, Bregman & Bar-Nahor, 2002). Utöver att kunna analysera kapaciteten och resursutnyttjandet i syfte att ge underlag till eventuella förbättringsåtgärder, kan simulering inom vården även vara ett utbildningsverktyg. 2011 presenterades ett simuleringsverktyg där läkarstudenter utbildades i hantering av katastrofmedicinska händelser vid akutmottagningar i Kanada. Det kunde konstateras att denna utbildning stärkte studenternas självförtroende inför den typen av händelse (Franc, Nichols & Dong, 2012). Ytterligare en studie har använt simuleringen för att illustrera en akutmottagnings katastrofmedicinska förmåga och i denna undersökte man huruvida olika triagesystem påverkade patientflöde (Lee & Franc, 2015). En studie som använde simulering mer som ett verktyg för kapacitetsanalys gjordes 2014 och även där fokuserades det på den katastrofmedicinska förmågan. Vidare nämns hur relevanta mätvärden identifierades samt varför det ansågs att median är att föredra framför medelvärde som centralmått (Franc, Ingrassia, Verde, Colombo & Della Corte, 2015).
Simuleringsmodeller kan utformas på flertalet olika sätt. Kelton, Sadowski och Zupick (2015) samt Banks et al. (2014) nämner tre huvudsakliga kategoriseringsområden:
• Statisk eller dynamisk – beskriver vilken roll tiden spelar i modellen. En statisk modell beskriver ett system vid en specifik tidpunkt medan en dynamisk modell representerar hur det modellerade systemet förändras med tiden.
• Kontinuerlig eller diskret – beskriver på vilket sätt saker förändras i modellen. I en kontinuerlig modell sker förändringar sammanhängande i ett flöde medan de i en diskret modell sker vid specifika, identifierbara tidpunkter.
• Deterministisk eller stokastisk – beskriver huruvida indata i modellen inkluderar några osäkerheter eller ej. En deterministisk modell inkluderar ingen slumpgenererad data (och genererar därmed även utdata med samma egenskaper), medan indata i en stokastisk modell inkluderar osäkerhetsfaktorer och slump i viss omfattning (Banks et al., 2014; Kelton, Sadowski & Zupick, 2015).
2.4.1 Diskret händelsestyrd simulering
Diskret händelsestyrd simulering beskrivs av Banks (2014) som ett sätt att utforma simuleringsmodeller av system där dess tillstånd enbart förändras vid diskreta tidpunkter. Vidare nämner han även att en simuleringsmodell körs snarare än löses, till skillnad från många andra matematiska modeller, så som exempelvis differentialekvationer. Det beror på att modellen vid simuleringsstudier förväntas vara en förenklad motsvarighet av ett verkligt system och ska därmed även ge resultat som liknar de som ges av detta. Då modeller av verkliga system ofta är stora sett till omfattning och dessutom innefattar stora mängder data av olika karaktär, körs ofta modellerna med hjälp av någon form av databaserat verktyg (Banks et al., 2014). Simuleringsmodeller som tillhör denna kategori är dynamiska och diskreta. De inkluderar oftast även någon form av slump vilket gör att de i de flesta fall även är stokastiska (Kelton, Sadowski & Zupick, 2015).
Banks (2014) omnämner både logistik och vården som områden där diskret händelsestyd simulering är en användbar metod. Han nämner ett antal olika studier som presenterats vid
Winter Simulation Conference, vilka bland annat inkluderar Dispensing Plan for Emergency Medical Supplies in the Event of Bioterrorism och Verification of Lean Improvement for Emergency Room Process (Banks et al., 2014). Att kunna testa olika scenarion i en
simuleringsmodell innan förändringar implementeras i det verkliga systemet är en av fördelarna med simulering. Detta är något som värderas högt inom vården då det är önskvärt att på ett riskfritt och kostnadseffektivt sätt kunna utvärdera vad en förändring i organisationen skulle kunna få för konsekvenser (Robinson, 2004). Även Law (2007) belyser att diskret händelsestyrd simulering är ett lämpligt verktyg inom vården då det möjliggör modellering av vårdens komplexitet (Law, 2007). Det finns ett flertal exempel på studier inom vården där diskret händelsestyrd simulering använts. Blasak, Starks, Armel och Hayduk (2003) och Samaha, Armel och Starks (2003) har utvecklat modeller för att analysera patientflöden och genomloppstider (Blasak et al., 2003; Samaha, Armel & Starks, 2003). Vidare har denna typ av modellering även använts för att prognostisera framtida kapacitet vid akutmottagningar (Beasler, Jahnsen & DaCosta, 2003; Wiinamaki & Dronzek, 2003).
2.5 Konceptuell modellering
Robinson (2008b) beskriver den konceptuella modelleringen som den svåraste men också viktigaste delen av en simuleringsstudie. Syftet med en konceptuell modell är att skapa en modell av ett verkligt system. Trots att det beskrivs som en essentiell del vid utveckling av en simuleringsmodell är det enligt Robinson svårt att hitta en klar definition över vad konceptuell modellering är. En möjlig anledning till detta nämner han är att det mer kan liknas vid en
konstform än vid faktisk vetenskap, vilket försvårar ett utformande av standardiserade metoder och tillvägagångssätt (Robinson, 2008b).
Enligt Zeigler (1976) är alla konceptuella modeller en förenkling av det verkliga eller föreslagna system som önskas efterlikna. Vidare nämner han att konceptuell modellering handlar om att stegvis förenkla ett verkligt system till en modell som är kompatibel med en databaserad programvara (Zeigler, 1976). Gällande implementeringen av modellen belyser dock Nance (1994) att den konceptuella modellen inte inkluderar information om hur den ska programmeras i den databaserade programvaran (Nance, 1994). Detta nämns även av Pace (2000) som anser att den konceptuella modellen i hög grad är oberoende av hur mjukvaran är designad och hur implementeringen görs. Vidare nämner han att det som han anser en konceptuell modell ska inkludera är antaganden, algoritmer, egenskaper, förhållanden och data (Pace, 2000).
Definitionerna av en konceptuell modell är många och åsikterna gällande exakt vad de ska inkludera går isär. Robinson (2008a) har dock identifierat några huvudsakliga egenskaper som många modellerare är eniga om gällande en konceptuell modell. Det råder bland de flest enighet om att det handlar om att förenkla ett verkligt system till en modell och att arbetsprocessen är iterativ och repetitiv. Detta gör att modellen blir en förenkling av verkligheten som är oberoende av den databaserade delen av modelleringen. Ytterligare en aspekt som de flesta är eniga om är att det är viktigt att alla parter i modelleringsprocessen, både uppdragsgivare och modellerare, är eniga om syftet med utformningen av modellen (Robinson, 2008a).
2.5.1 Krav på en konceptuell modell
Robinson (2008a) nämner fyra krav som kan ställas på en konceptuell modell för att den dels ska uppfylla sitt syfte och dels för att vara så enkel som möjligt samtidigt som dess mål uppfylls. Den eftersträvade enkelheten beskriver han genom ett citat av Antonie de Saint-Exupery som
“Perfection is achieved, not when there is nothing more to add, but when there is nothing left to take away.” (Robinson, 2008a).
De fyra krav som Robinson nämner är validitet (validity), trovärdighet (credibility), användbarhet (utility) och genomförbarhet (feasibility). Motsvarande krav nämns även av Brooks och Tobias (1996) som utvecklar dessa begrepp något mer och beskriver vad de konkret innebär. Validitet betyder att modellen omfattar och beskriver ett område av intresse, god korrekthet i de resultat som modellen ger samt att den byggts upp av teoretiskt korrekt fakta. Trovärdigheten beskriver hur pass begriplig och lättförståelig modellen är. Användbarheten bedöms utifrån portabilitet och hur pass kompatibel modellen är med andra modeller. Genomförbarheten redogör för hur resurskrävande modellen är att bygga, använda samt analysera resultat ifrån, både sett till tid och ekonomi (Brooks & Tobias, 1996).
Dessa fyra krav underställer sig dock det tidigare nämnda kravet på enkelhet (Robinson, 2004). Modellen skall utformas så enkel som möjligt givet att de uppsatta målen fortfarande uppfylls. Robinson listar flertalet fördelar som detta ger: det gör att modellen kan utvecklas och köras snabbare, blir mer flexibel samt att den kräver mindre data och dess resultat blir lättare att tolka. Likt ovan nämnda citat av Antonie de Saint-Exupery, så avses det att inte inkludera mer aspekter än vad som faktiskt behöves för att uppfylla målen med modellen. En modell är alltid en förenkling av verkligheten och det gäller att hitta den detaljgrad och omfattning som gör att målet precis uppfylls. Denna optimala nivå illustreras i figur 1, där x är den nivå av detaljgrad och omfattning som önskas. I grafen kan ses att genom att addera mer av dessa två efter punkt x inte tillför något nämnvärt gällande modellens korrekthet och detta är då något som bör undvikas. Om valet att göra modellen alltför detaljerad görs kan det också ses att det finns en
punkt då modellens korrekthet sjunker, vilket beror på att tillräckliga data för den komplexa modellen inte finns tillgänglig (Robinson, 2008a).
Figur 1. Relationen mellan modellens omfattning och detaljnivå och dess korrekthet. Efter ett original av Robinson 2008a (s.287).
Att konstruera en konceptuell modell ställer höga krav på den kreativa förmågan hos modelleraren (Henriksen, 1989). Pidd (1999) föreslår ett antal mer generella riktlinjer att förhålla sig till där en enkel, tydlig och sparsmakad modell är målet. Vidare nämner han att modelleraren även ska undvika att ”förälska sig i data”, bygga för stora modeller och vara medveten om att det inte finns något konkret, förutbestämt arbetssätt att följa när det gäller modellering (Pidd, 1999).
2.5.2 Robinsons fem steg
2008 presenterade Robinson ett tillvägagångssätt för utvecklande av konceptuella modeller för simulering i vilket han definierade fem huvudsakliga steg:
1. Förstå problemsituationen som önskas undersökas 2. Fastställa målen med modelleringen av systemet. 3. Identifiera de utdata som modellen ämnar ge.
4. Identifiera vilka experimentella faktorer som modellen skall innefatta.
5. Fastställa modellens omfattning och detaljnivå samt vilka antaganden och förenklingar som då måste göras (Robinson, 2008b).
Vidare beskriver han att dessa aktiviteter utförs iterativt. Det första steget måste dock göras i inledningen av modelleringsprocessen för att förstå det system som ska modelleras. När denna förståelse finns ska målen fastställas vilket måste ske i dialog mellan uppdragsgivare och modellerare. Genom att ha detta definierat kan sedan iterativt arbete leda fram till den konceptuella modellen. Detta görs genom att undersöka och bestämma vilken utdata modellen ska ge, vilken data som krävs för att kunna generera denna samt vilken detaljnivå och omfattning som krävs. Denna iterativa process upprepas till dess att modellen anses uppfylla det eller de mål som bestämts. Under arbetets gång görs antaganden och förenklingar som anses lämpliga (Robinson, 2008b). Att arbeta utefter ett förutbestämt, standardiserat tillvägagångssätt anses ha fördelar då det kan främja kreativiteten inom modelleringen när de mer grundläggande delarna blir standardiserade (Ferguson, Humphrey, Khajenoori, Macke & Matvya, 1997).
2.6 Verifiering och validering
Simuleringsmodeller är ett verktyg för problemlösning och beslutsfattande. Utvecklingen av modellen grundar sig på ett antal antaganden och beslut om förenklingar som ska göras av det modellerade systemet. Detta medför risker då ett felaktigt modelleringsbeslut kan få stora konsekvenser för de resultat som modellen genererar. Till skillnad från andra matematiska metoder som exempelvis optimering är det dock svårt att veta huruvida de resultat som ges är korrekta eller ej. För att hantera detta är verifiering och validering viktiga moment i modelleringsprocessen (Sargent, 2007). Syftet med dessa moment är att i den mån det är möjligt, undersöka huruvida modellen beter sig som den förväntas göra (Kelton, Sadowski & Zupick, 2015).
2.6.1 Verifiering
Verifieringens syfte är att undersöka huruvida modellen byggts på ett korrekt sätt (Banks et al., 2014). Det bör säkerställas att modellen beter sig så som ämnat att den ska göra (Kelton, Sadowski & Zupick, 2015). Det som kontrolleras är alltså modellens logik och huruvida modellen utformats på ett korrekt sätt. Verifieringen är alltså främst ämnad för den datoriserade delen av simuleringsmodellen. Genom verifieringen försäkrar sig modelleraren om att modellen utvecklas på det sätt som förväntat, utifrån de antaganden och förenklingar som gjorts (Balci, 1998). Det finns ett flertal olika metoder för att verifiera en simuleringsmodell. Kelton, Sadowski och Zupick (2015) nämner att en av de mer grundläggande verifieringsmetoderna är att stegvis följa en ensam entitet genom modellen för att kunna studera hur denna rör sig och beter sig genom systemet. En liknande kontroll kan göras genom att ersätta alla variabler och fördelningar med konstanta värden. Detta gör att det i stor utsträckning går att förutsäga vilka resultat som borde ges och därmed kan den utdata som modellen ger kontrolleras. Det rekommenderas även att göra en enkel animering för att visuellt kunna se hur systemet beter sig. Ett annat angreppssätt är att utsätta modellen för extrema förutsättningar och därmed sätta den under press, för att på så sätt kontrollera att logiken verkar tillförlitlig även under sådana förutsättningar (Kelton, Sadowski & Zupick, 2015).
Sargent (2007) framhåller verifieringen som ett verktyg för att kontrollera att den konceptuella modellen implementerats på ett korrekt sätt i simuleringsmjukvaran. Den interna logiken analyseras gällande i vilken omfattning processer i systemet agerar som det är avsett. Vidare kontrolleras relationen mellan indata och utdata och huruvida dessa relaterar till varandra på ett väntat och önskvärt sätt. Vidare belyser han även att då modellen verifieras är det viktigt att ta i beaktning att eventuella fel som upptäcks kan orsakas av flera olika moment i modelleringsprocessen. De kan ha sitt ursprung i data, den konceptuella modellen, programvaran eller implementeringen (Sargent, 2007).
2.6.2 Validering
Valideringens syfte är att undersöka huruvida en korrekt modell byggts (Banks et al., 2014). Det bedöms om modellen är en representativ avbildning av det studerade systemet sett till det syfte som simuleringsstudien har. Validering görs kontinuerligt under hela processen vid en simuleringsstudie. Validering tenderar att bli svårare desto komplexare det studerade systemet är. För ett mindre, redan existerande system, är det relativt enkelt att jämföra den modell som utformats mot det verkliga systemet och på så vis bedöma modellens validitet. En modell över ett stort och komplext system, som kanske inte heller existerar i dagsläget, är betydligt svårare att validera. Då en simuleringsstudie alltid ska ha ett uttalat syfte är det också detta som ska ha fokus vid valideringen. Eftersom en simuleringsmodell är en förenkling av verkligheten där avgränsningar gjorts för att undersöka det specifika syftet. Därmed kan en simuleringsmodell vara valid för ett visst syfte men inte för ett annat (Law & McComas, 2001).
Sargent (2007) nämner att valideringsprocessen ofta kan vara kostsam, både sett ur ett ekonomiskt perspektiv men även tidsmässigt. Därmed är det sällan försvarbart eller möjligt att sträva efter en fullständigt valid modell. Ofta eftersträvas därför istället att den utformade modellen ska anses tillräckligt tillförlitlig för att kunna bedömas som valid givet dess syfte. Validiteten kan testas genom ett flertal olika metoder där modellen på olika sätt jämförs med det verkliga systemet. Övergripande logikvalidering är ett valideringsverktyg som innebär att sakkunniga inom området får bedöma huruvida modellen beter sig på ett sätt som kan anses rimligt. Den konceptuella modellens logik kontrolleras och ofta analyseras och bedöms även relationen mellan indata och utdata och om denna kan anses överensstämma med det verkliga systemet. Att jämföra modellen och dess resultat med andra modeller är även det ett alternativ för validering. Dels kan jämförelser med liknande simuleringsmodeller göras, dels kan resultaten som ges vid simuleringen med de som getts då modellen lösts med andra, analytiska metoder jämföras. En ytterligare metod för att validera sin modell är att genomföra degenerate
tests där det bedömes om modellen genererar förväntade resultat då vissa indata ändras.
Exempelvis kan det undersöks om kön till en resurs ökar om antalet inkommande entiteter ökas, vilket borde vara fallet (Sargent, 2007).
3. Nulägesbeskrivning
Här ges en överblick av de system som vid KMC idag finns tillgängliga för simulering av katastrofmedicinska händelser. Därmed ges förståelse för var denna studie ämnar ta vid och vidareutveckla den befintliga simuleringsmodellen, StoF.
3.1 Emergo Train System
Emergo Train System (ETS) är ett verktyg som används för att analogt simulera katastrofmedicinska händelser. Dess primära syfte är att utbilda olika aktörer i hur en katastrofmedicinsk händelse ska hanteras. Nästan 40 länder använder i dagsläget ETS och utbildningar och övningar sker via ett nätverk av instruktörer runt om i världen, med utgångspunkt i 14 fakulteter som finns i Europa, Asien och Oceanien (Hornwall & Nilsson, 2017).
Med hjälp av ETS kan katastrofhändelser av olika typ och dignitet simuleras. Det analoga systemet består främst av magnetsymboler som placeras på whiteboardtavlor för att beskriva hur det aktuella katastrofmedicinska scenariot ser ut. Symbolerna representerar patienter och olika former av resurser så som personal och räddningsfordon. Dessa kompletteras med bilder för att exempelvis ge en tydligare uppfattning om en patients visuella skadebild. Det finns även flyttbara markörer som tillhör symbolerna och indikerar attribut så som prioritet och behov av vård. Protokoll förs under tiden som simuleringen pågår och efter att den avslutats kan det utvärderas hur många patienter som fått vård inom den tid som informationen på deras kort anger att de behöver. De kan då kategoriseras utifrån deras status vid simuleringens slut. Som en slutgiltig utvärdering grupperas primärt patienterna utifrån två indikatorer: risk för undvikbar död respektive risk för undvikbar komplikation. Detta visar på i vilken utsträckning man lyckats undvika de dödsfall och komplikationer som var möjliga att motverka med rätt behandling i rätt tid (Hornwall & Nilsson, 2017).
Som en del av materialet tillhörande ETS finns en omfattande databas med relevant och verklighetsbaserad information om de olika enheterna i simuleringen. Denna innefattar bland annat ett antal omfattande patientbanker där olika patienters status beskrivs utifrån medicinsk information, kliniskt tillstånd, rekommenderad behandling och förväntad utveckling av dess hälsotillstånd (Hornwall & Nilsson, 2017).
I den nuvarande versionen (version 4) finns ett antal olika set med data gällande olika enheter i alla delar av simuleringens händelseförlopp, från utlarmning fram till vård på sjukhus. Gällande patienterna är dessa uppdelade i olika patientbanker. Denna uppdelning baseras på vilken roll de har i simuleringen. Det finns ett antal banker med de patienter som kommer från den aktuella olycksplatsen, där olika banker kan vara lämpliga beroende på vilken typ av katastrofhändelse som ska simuleras. Det finns också banker som representerar de som redan befinner sig på olika avdelningar på det aktuella sjukhuset och de som ankommer till sjukhuset under simuleringens gång utan att vara en konsekvens av den aktuella katastrofhändelsen. Patienterna har på individnivå olika egenskaper gällande vilken typ av vård de behöver för att inte drabbas av komplikationer eller avlida. Det innebär alltså att även patienter som inte kommer från den aktuella olycksplatsen i scenariot blir en del av resultatet efter avslutad simulering med avseende på risk för undvikbar död respektive komplikation (Emergo Train System, 2016; Hornwall & Nilsson, 2017).
Även gällande sjukhusen finns i ETS data tillgängligt i ett sjukhusset. Detta möjliggör utvärdering och analys av deras förmåga att hantera katastrofmedicinska händelser. Med den data som finns tillgänglig i ETS kan utvärderingar göras av både enskilda avdelningar men även av sjukhuset som helhet (Hornwall & Nilsson, 2017).
Den omfattande mängden data samt möjligheten att anpassa denna efter det scenario som önskas simuleras gör att användningsområdena för ETS är många. Flera olika aktörer som är verksamma inom räddning och respons vid katastrofhändelser kan utbildas med hjälp av ETS. Det är möjligt att utforma ett scenario för att exempelvis utbilda i triagering på skadeplatsen, koordinering av räddningsfordon eller fördelning av patienter till olika vårdinstanser (Hornwall & Nilsson, 2017).
3.2 DigEmergo
DigEmergo är en utveckling av ETS, även denna framarbetad av KMC, som i större utsträckning genomförs digitalt. Whiteboardtavlorna ersätts med touchskärmar på vilka de olika entiteterna i simuleringen finns placerade med tillhörande attribut. Deltagarna genomför då sina handlingar via skärmen istället för att flytta magneterna på tavlan. Då touchskärmen är kopplad till en server möjliggör det även för systemet att själv logga alla interaktioner som sker i simuleringen. Detta gör att instruktörerna som leder simuleringen inte behöver föra protokoll över detta, vilket både minskar deras arbetsbelastning samtidigt som det ökar korrektheten i resultaten då den mänskliga faktorn som en möjlig felkälla i momentet elimineras. Det möjliggör även att resultatet kan presenteras så fort simuleringen avslutats, inget manuellt räknande eller summerande behöver göras. Denna aspekt gäller även i andra delar av simuleringen där instruktörerna i ETS kan göra misstag. Servern motverkar eventuella systemfel i simuleringen som kan uppstå när all logik är beroende av den mänskliga faktorn. Därmed skapar det en ökad kontroll över att reglerna och logiken för simuleringen följs (Rybing, 2018).
Även om vissa delar av simuleringen i DigEmergo alltså kontrolleras av en dator och därmed ökar korrektheten och automatiseringen, kräver den fortfarande att personer deltar i simuleringen. Som ett utbildningsverktyg är detta en självklar och önskvärd egenskap. Det finns dock ett intresse av att nyttja dessa typer av system i andra syften än till ren utbildning och träning. Genom ytterligare ökad automatisering och datorstyrning kan systemen och dess omfattande databaser med information användas som ett verktyg för att simulera och analysera katastrofmedicinsk förmåga (Rybing, 2018).
3.3 Stokastisk Förmågeanalys
Vid KMC är en ytterligare utveckling av ETS och DigEmergo under uppbyggnad, ett stokastiskt simuleringsverktyg för katastrofmedicinsk förmågeanalys. Denna kan ses som ett ytterligare steg i digitaliseringsutvecklingen av ETS där man vill kunna använda den data och information som där finns tillgänglig men låta själva simuleringen göras av datorn. Därmed går syftet från att vara utbildning till att istället handla om att kunna analysera och utvärdera förmåga att hantera katastrofmedicinska händelser. Simuleringsmodellen beskriver i dagsläget vad som sker på en skadeplats av katastrofkaraktär där antalet skadade är stort och konsekvenserna allvarliga. Den omfattar alltså primärt de första delarna i det katastrofmedicinska flöde som ETS och DigEmergo beskriver, från utlarmning av respondenter fram till att patienter transporteras till sjukhus (Lantz Cronqvist, 2018).
Fram till detta moment, när patienter transporteras från olycksplatsen, är det stokastiska simuleringsverktyget väl utvecklat och användbart för att simulera och analysera dessa delar av flödet (Lantz Cronqvist, 2018). För att vidareutveckla simuleringsverktyget behövs nu en konceptuell modell över hur logistiken på sjukhusen som tar emot patienterna fungerar. Då detta är en väsentlig del av hanteringen av en katastrofmedicinsk händelse finns det intresse i att utveckla en sådan för att på så vis kunna få en mer valid modell över händelseförloppet vid denna typ av händelse.
4. Metod
Kapitlet behandlar de metoder som använts i studien och teorin bakom dessa presenteras. Kvalitativ och kvantitativ metod berörs liksom deras för- och nackdelar för just studiens syfte och mål. Vidare beskrivs skillnader mellan primär- och sekundärdata samt begreppen reliabilitet och validitet. Kapitlet avslutas med att studiens genomförande beskrivs.
4.1 Metodteori
Metod kan ses som de redskap som används i arbetet med en studie eller ett projekt. Generellt skiljs metoderna åt genom uppdelningen mellan kvalitativ och kvantitativ metod. Vilken metod som används styrs i viss mån av syftet med studien och vad objektet eller det studerade området är. Det råder ingen konkurrens mellan de olika metoderna utan de anses snarare komplettera varandra (Holme & Krohn Solvang, 1997). Hartman (2004) menar på att vid en kvantitativ studie skall problemet formuleras och avgränsas innan litteratursökning görs. Litteratursökningen ger, förutom djupare kunskap om ämnet, även en riktning och vägledning för den egna undersökningen (Hartman, 2004).
4.1.1 Kvalitativ metod
Kvalitativa metoder fokuserar mer på egenskaper än det direkt mätbara. Hartman (2004) pratar om klassificeringar som ett exempel, där klassificeringen sker efter icke numeriska egenskaper hos det klassificerade och inte i siffror som mängd eller vikt. Den kvalitativa metoden får ofta en subjektiv nyans då mycket av det som undersöks måste tolkas. Med denna metod önskas en förståelse och konsensus nås om hur omvärlden ser ut och beter sig (Hartman, 2004).
Hartman (2004) nämner även interaktiv och analytisk induktion i anslutning till kvalitativ metod, där den interaktiva induktionen anses betydligt mer modern. Kort beskrivs den analytiska induktionen som ett synsätt där det inte är önskvärt att påverka insamlingen av data med teorier eller vad som redan kartlagts. Den interaktiva induktionen går istället ut på att växla datainsamling med analys och löpande ändra fokus för datainsamlingen med hänsyn till analysens utveckling och resultat (Hartman, 2004).
Sammanfattningsvis kan kvalitativ metod anses vara tolkande och undersökande. Forskning som i sitt arbete fokuserar mer på kvalitativ metod vill förstå bakomliggande faktorer till varför världen (eller den studerade delen av världen) ser ut som den gör. Magnusson och Marecek (2015) ger flertalet exempel på forskning där just beteenden och fenomen kartläggs med hjälp av intervjuer och iakttagelser; två klassiska kvalitativa metoder. Exempel på kvalitativ forskning som Magnusson och Marecek (2015) nämner är en studie på människors självkänsla i USA och Taiwan och en om hur heterosexuella par i Norden bildar sina identiteter inom och emot jämställdhetsideologier. Dessa är exempel på att det finns studier där kvantitativa metoder inte nödvändigtvis är de bästa (Magnusson & Marecek, 2015).
Intervju som datainsamlingsmetod är ofta bra för att samla in information eller kontrollera sin egen förståelse för ett fenomen. Intervjuobjektet kan tillföra aspekter och kunskap som för forskaren är svår att tillskansa sig med hjälp av andra metoder, exempelvis arbetsmetoder, faktiska omständigheter i ett system som inte finns dokumenterade i text sedan innan eller upplevelser av hur systemet fungerar i den dagliga verksamheten. Intervjuer kan vara ostrukturerad, semistrukturerad eller strukturerad. Ostrukturerade intervjuer är mycket öppna i sin karaktär, strukturerade intervjuer kan liknas mer vid enkäter med fasta frågor, semistrukturerade frågor ligger ofta någonstans mittemellan. Fördelarna med intervju som metod är att de kan genomföras under studiens gång och därmed tillföra fakta och kunskap när behovet av det har uppstått. Detta är extra viktigt i studier där kartläggningar genomförs och
