MINSKA VÄNTETIDER FÖR OPERATION
ANALYS OCH FÖRBÄTTRINGSFÖRSLAG MED SIMULERING
DECREASING WAITING TIME FOR SURGERY
ANALYSIS AND IMPROVEMENT PROPOSAL OF A SURGERY DEPARTMENT WITH SIMULATION
Subtitle
Examensarbete inom huvudområdet Produktionsteknik Kandidatnivå 30 Högskolepoäng
Vårtermin 2020
Eric Frandsen Fredrik Engqvist
Examinator: Amos Ng
Huvudhandledare: Ainhoa Goienetxea Biträdande handledare: Enrique Ruiz Zúñiga Examinator: Amos Ng
I
Förord
Kandidatuppsatsen omfattar 30 hp av de totala 180 hp som produktionsingenjör programmet innefattar på Högskolan i Skövde.
Arbetet i denna uppsats är utförd på Skaraborgs sjukhus (SkaS) i Skövde. Vi vill tacka våra handledare Henrik Carlsson, Christian Nordqvist och Svante Lifvergren på SkaS för all hjälp och engagemang under projektets gång.
Vi vill även tacka vårdpersonalen på respektive avdelning som har gett oss den nödvändiga informationen till detta arbete, samt vill vi hylla er för den insats ni gör dag och natt.
Till sist vill tacka alla involverade personer från högskolan, våra handledare Ainhoa Goienetxea och Enrique Ruiz Zúñiga för det stöd och feedback genom hela arbetet, samt ett stort tack till Jacob Bernedixen och vår examinator Amos Ng för all hjälp med simuleringen.
Det har varit ett intressant och lärorikt examensarbete där vi har fått en inblick i hur yrkeslivet skulle kunna se ut genom att koppla samman teori och praktik under projektets tidshorisont.
Skövde, juni 2020
Eric Frandsen & Fredrik Engqvist
II
Sammanfattning
Skaraborgs Sjukhus (SkaS) i Skövde är ett akutsjukhus som erbjuder vård inom medicinska-, kirurgiska- och psykiatriska specialiteter. Detta projekt utgår från SkaS i Skövde eftersom det är där den största volymen operationer sker och för att avgränsa projektets omfattning till en mer hanterbar nivå. Projektet delades in i två olika mål, där det första målet innefattade analys av remisser och första besök och det andra målet en simuleringsstudie över operationsprocessen.
Simuleringsmodellen konstruerades i mjukvaran Facts Analyzer beta 4 och genom djupgående insamling av data och sammanställning i Excel, kunde data analyseras och integreras i simuleringsmodellen. Två olika vad händer om scenarion har tagits fram tillsammans med SkaS i Skövdes förbättringsgrupp och utvecklats i simuleringsmodellen, för att kunna bidra med underlag till förbättringar. Utefter de resultat och analyser från ostrukturerade intervjuer, studiebesök, möten med förbättringsgruppen och den framtagna simuleringsmodellen ska projektet bidra med förbättringsförslag till problemet med långa väntetider. Vid analys av simuleringsmodellen och dess olika data, har författarna bidragit med förbättringsförslag till verksamheten, genom att föreslå användning av Lean- konceptet och olika metoder och verktyg.
En teoretisk studie allmänt om simulering ingår i projektet och hur det kunde appliceras i sjukvården, även tillvägagångssättet i en simuleringsstudie med hjälp av olika metoder. Rapporten beskriver även hur simulering kan bidra i de olika aspekterna från hållbar utveckling.
Författarna hade även velat inkludera avdelningar och postoperativa avdelningen i simuleringsmodellen men på grund av tidsbrist sågs detta som en av många avgränsningar och är något som bör ses över vid framtida arbete.
Projektets mål avklarades på en högre abstraktionsnivå och har bidragit med förbättringsförslag som skulle bidra med att minska väntetider för operation samt en bättre arbetsmiljö för vårdpersonalen med hjälp av analys och simulering.
III
Abstract
Skaraborg Hospital (SkaS) in Skövde is an emergency hospital that offers care in medical-, surgical- and psychiatric specialties. This project is based on SkaS in Skövde, where the largest volume of operations takes place. To limit the scope of the project to a more manageable level, the project was divided into two different goals, where the first goal was to include an analysis of referrals and first- time visits and the second goal to do a simulation study of the operation process.
The simulation model was made in the software Facts Analyzer Beta 4 and through in-depth data collection and compilation in Excel, data could be analyzed and integrated into the simulation model.
Two different what if scenarios were developed together with improvement group at SkaS in Skövde to be able to contribute with the basis for improvements. Based on the results and analyzes from unstructured interviews, study visits, meetings with the improvement group and the developed simulation model, the project will contribute with improvement suggestions to the problem of long waiting times.
A theoretical study in general about simulation is included in the project and how it could be applied in health care, including the approach of a simulation study using various methods. The report also describes how simulation can contribute to the different aspects of sustainable development.
The authors also wanted to include departments and the post-operative department in the simulation model, but due to lack of time, this was one of many delimitations and is something that should be reviewed in future work.
The goals of the project were clarified at a higher level of abstraction and have contributed with improvement suggestions using methods and tools within the Lean concept. This would help reduce waiting times for patients and a better work environment for the staff, by using analysis and simulation.
IV
Äkthetsintyg
Denna examensrapport är inlämnad av Eric Frandsen och Fredrik Engqvist till Högskolan i Skövde för kandidatexamen inom produktionsteknik, vid institutionen för Ingenjörsvetenskap. Härmed intygas att allt material i denna rapport är vårt eget. Tydliga referenser ges till material som hämtats från annat håll.
Högskolan i Skövde den 4 juni, 2020
V
Innehållsförteckning
Förord ... I Sammanfattning ... II Abstract ... III Äkthetsintyg ... IV Figurförteckning ... VIII Tabellförteckning ... IX
1. Introduktion ... 1
1.1 Bakgrund ... 1
1.2 Problemformulering ... 1
1.3 Syfte och mål ... 1
1.4 Omfattning och Avgränsningar ... 2
1.5 Rapportens disposition ... 3
1.6 Hållbar Utveckling ... 4
2. Teoretisk referensram ... 6
2.1 Simulering ... 6
2.1.1 Diskret händelsestyrd- och kontinuerlig simulering ... 6
2.1.2 För-och nackdelar med simulering ... 7
2.1.3 Simulering som ett lämpligt verktyg ... 7
2.1.4 Potentiella fallgropar med simulering ... 8
2.2 Simuleringsstegen ... 8
2.2.1 Problemformulering (Steg 1) ... 9
2.2.2 Mål och övergripande plan (Steg 2) ... 9
2.3 Konceptuell modell (Steg 3) ... 10
2.3.1 Stegen för konceptuellmodell ... 10
2.4 Datainsamling (Steg 4) ... 11
2.5 Modelltolkning (Steg 5) ... 12
2.5.1 Utdataanalys ... 12
2.5.2 Verifiering och validering (Steg 6 och 7) ... 13
2.6 Experimentell design (Steg 8) ... 14
2.6.1 Körningar och Analyser (Steg 9 och 10) ... 15
2.7 Dokumentation och implementering (Steg 11 och 12) ... 15
2.8 Lean - produktionstekniska metoder och verktyg ... 16
2.8.1 Heijunka ... 16
2.8.2 Standardiserat arbetssätt ... 17
VI
2.8.3 5S ... 17
2.8.4 7+1 Slöserier ... 17
2.8.5 Kompentensmatris ... 18
3. Litteraturstudie ... 19
3.1 Simulering i sjukvården ... 19
3.2 Simulering för en förbättrad operationsavdelning ... 20
4. Metod ... 22
4.1 Val av struktur i projektet ... 22
4.3 Datainsamling ... 23
4.4 Val av mjukvaror ... 24
5. Genomförande ... 25
5.1 Nulägesbeskrivning och problemförståelse ... 25
5.1.1 Elektiva patientflödet ... 25
5.2 Konceptuell modell ... 28
5.3 Datainsamling ... 29
5.3.1 Databaser ... 29
5.3.2 Intervjuer och möten ... 30
5.3.3 Resultat av bearbetade och insamlade data ... 30
5.4 Modelltolkning ... 33
5.5 Verifiering och validering ... 34
5.5.1 Resultat validering ... 34
5.5.2 Utvärdering av resultatet ... 36
5.6 Experimentell design ... 36
6. Resultat ... 38
6.1 Resultat experimentell design ... 38
6.2 Analys – remisser och första besök ... 39
7. Diskussion ... 42
7.1 Resultat från scenarion ... 42
7.2 Generellt om projektet ... 42
7.2.1 Simuleringsmjukvaran Facts Analyzer ... 42
7.2.2 Fördelning av tider ... 43
7.2.3 Under projektets gång ... 43
7.2 Hållbar utveckling ... 43
8. Slutsats och framtida arbete ... 45
8.1 Slutsats ... 45
VII
8.2 Framtida arbete ... 46
8.2.1 Vad kan förbättras? ... 46
8.2.2 Kunde projektet utförts på ett annat sätt? ... 47
10. Referenser ... 48 Bilaga 1 Dataanalys utförda operation 2019
Bilaga 2 Processkarta
Bilaga 3 Dataanalys remissbedömning Bilaga 4 Dataanalys första besök Bilaga 5 Första Konceptuellmodell Bilaga 6 Salstider
Bilaga 7 Förberedelsetider - Easyfit Bilaga 8 Operationstider - Easyfit Bilaga 9 Efterarbetestider - Easyfit Bilaga 10 Arbetsscheman
Bilaga 11 Tiden mellan operationerna per sal Bilaga 12 Antal utförda operationer per sal Bilaga 13 Prioritering och väntetider Bilaga 14 Förbättringsförslag från SkaS
Bilaga 15 Sammanställning av resultat Akuta patienter Bilaga 16 Sammanställning av resultat alla Elektiva patienter
VIII
Figurförteckning
Figur 1. Förenklad bild på vårdgarantins omfattning. ... 1
Figur 2. Visualisering av rapportens disposition. ... 4
Figur 3. Venndiagram, tolkad från Gröndahl & Svanström (2011) ... 5
Figur 4. Exempel på ett kontinuerligt system, tolkad från Banks et al. (2005). ... 7
Figur 5. Olika stegen i simuleringsprojekt, fritt tolkat från Banks et al. (2005). ... 9
Figur 6. Tillvägagångsätt för konceptuell modell, verifiering och validering, tolkad från Banks et al. (2005). ... 11
Figur 7. Replikeringsanalys, tolkad från Hoad et al. (2007). ... 13
Figur 8. Simuleringsexperiment: Lösningsområdet, tolkad från Robinson (2014). ... 14
Figur 9. Fri tolkning av Hulshof et. al. (2012) taxonomiska klassificering ... 20
Figur 10. Första målet i projektet ... 22
Figur 11. Andra målet i projektet ... 23
Figur 12. Egen tolkning av remiss till första besök. ... 26
Figur 13. Egen tolkning av patientflödet för operation. ... 27
Figur 14. Slutgiltig konceptuell modell ... 29
Figur 15. Egen tolkning av registrerade tidpunkter i Orbit samt tolkning av underlag från SkaS Skövde. ... 30
Figur 16. Utförda operationer under dagtid per sal visas i ett cirkeldiagram ... 31
Figur 17. Slutgiltiga simuleringsmodellen i Facts Analyzer beta 4 ... 34
Figur 18 antal utförda besök per månad, öron-näsa-halsmottagning ... 40
Figur 19 antal utförda besök per månad, polopteam-mottagning ... 40
IX
Tabellförteckning
Tabell 1. Förklaring av olika fördelningstyper enligt Banks et al. (2005). ... 12
Tabell 2. Exempel på en enkel variant av kompentensmatris ... 18
Tabell 3. Exempel på en mer väldokumenterad variant av kompetensmatris ... 18
Tabell 4. Egen sammanställning av operationer utförda under dagtid på Skas Skövde. ... 31
Tabell 5. Arbetsschemat för operationsteamen ... 32
Tabell 6. Författarnas tolkning av veckoschema för de olika opererandeenheterna och antal läkare. .. 32
Tabell 7 Resultatet av genomströmningen av patienter per dag (mån-fre) för operationsavdelningen. 32 Tabell 8. Urklipp från bilaga 14. Sammanställning av resultat Akuta patienter ... 35
Tabell 9. Urklipp från bilaga 15. Sammanställning av resultat alla Elektiva patienter ... 35
Tabell 10. Sammanställning mellan simuleringsmodell och verklighet ... 36
Tabell 11. Modelltekniska inställningar och prestandamått för scenario 1 ... 37
Tabell 12. Modelltekniska inställningar och prestandamått för scenario 2 ... 37
Tabell 13 Resultat från scenario 1, minska förberedelsetiden. ... 38
Tabell 14 Resultat från scenario 2, ett extra operationsteam. ... 38
1
1. Introduktion
I detta kapitel redogörs vad för typ av problem som ska behandlas och hur rapporten är dispositionerad.
En kort beskrivning om sjukhuset introduceras där arbetet har utförts samt de avgränsningar om vad som inte har studerats. Projektets syfte och mål beskrivs för att få en uppfattning om vad som ska uppnås.
1.1 Bakgrund
Skaraborgs Sjukhus (SkaS) är ett akutsjukhus som erbjuder vård inom medicinska-, kirurgiska- och psykiatriska specialiteter med en upptagningskapacitet som omfattar approximativt 260 000 invånare.
Verksamheten är en del av Västra Götalandsregionen och är lokaliserade i Falköping, Lidköping, Mariestad och Skövde. SkaS har två akutmottagningar i Skövde och Lidköping, samt tre operationsavdelningar i Skövde, Falköping och Lidköping, varav den största volymen av operationer sker i Skövde. Ett stort problem inom sjukvården är de växande operationsköerna och en generell ökning av väntetider. Variationerna kan vara olika beroende på vilket landsting som patienten står skriven.
1.2 Problemformulering
Att erhålla ett effektivt patientflöde till operationsavdelningen är avgörande för att säkerställa patienternas välbefinnande samt en säker och högkvalitativ vård. SkaS i Skövde har som mål att 100 procent av elektiva (planerade) patienterna ska få sin operation/behandling inom 90 dagar och första besök inom 90 dagar, se figur 1. Idag har SkaS problem med att inte kunna säkerställa att patienter får sin vård i tid. Under 2019 fick endast ca 70 procent av patienterna sin operation/behandling inom 90 dagar och ca 75 procent fick sitt första besök inom 90 dagar.
Detta medför inte bara försämrad patientsäkerhet men också att patienter får söka vård hos en annan vårdgivare enligt 9 kap. 1§ hälso- och sjukvårdslagen (2017:30). Detta innebär att SkaS får köpa vård, något som SkaS vill undvika på grund av ekonomiska skäl. Vårdgarantins omfattning, se figur 1.
- Om en remiss skickas till planerad specialiserad vård ska besök ske inom 90 dagar
- Efter ett beslut har tagits om behandling, exempelvis operation, ska en tid till detta avsättas och utföras inom 90 dagar.
Figur 1. Förenklad bild på vårdgarantins omfattning.
1.3 Syfte och mål
Projektets syfte är att ge förslag på åtgärder som kan öka patienternas tillgänglighet till vård som inbegriper behov av operativt ingrepp, dvs. patienter ska få ett besök för bedömning inom 90 dagar och därefter opereras inom 90 dagar från den första kontakten gjorts med mottagningen. För att uppnå detta kommer projektet att genomföra en simuleringsstudie som förväntas bidra med underlag för beslutsfattaren om hur flödeseffektiviteten kan förbättras för att kunna uppnå 100 procent måluppfyllelse.
2 Projektet har flera specifika mål:
- Identifiera och analysera relevant litteratur kring användning av simulering för att designa eller förbättra sjukvårdsprocesser med ett särskilt fokus på operationsflöden.
- Förstå patientflödet genom mottagningen, operationsavdelningen och den postoperativa vården och uppföljningen av patienten.
- Identifiera, samla in och analysera relevanta data, inklusive förbättringsförslag som finns under diskussion.
- I dialog med verksamhetsföreträdare bygga en konceptuell modell som representerar
”verkligheten” (inkludera data som behövs baserat på förenklingar och antaganden).
- Bygga en simuleringsmodell av det nuvarande läget
- I dialog med verksamhetsföreträdare testa minst två vad händer om scenarier som kan förbättra väntetiderna för operation.
- Presentera vad händer om scenarier och resultat av simulering för verksamhetsföreträdare för återkoppling och validering.
1.4 Omfattning och Avgränsningar
I operationsprocessen på SkaS behandlas och opereras patienter med elektiva och akuta vårdbehov:
- I den akuta processen besöker patienterna först akutmottagningen på SkaS. Efter medicinsk bedömning och, i vissa fall en utvidgad medicinsk utredning för diagnos, får patienterna därefter en planerad tid för operation. Beroende på tillståndets allvarlighetsgrad kan patienterna gå direkt från akutmottagning till operation alternativt vårdas/stabiliseras på kirurgisk akutvårdsavdelning (KAVA)/intensivvårdsavdelning (IVA) inför operationen. Efter operationsingreppet vårdas patienterna, antingen inneliggande på sjukhuset (vårdavdelning, KAVA eller IVA) eller hemma med råd för egenvård till exempel vid dagkirurgi, beroende på typ av ingrepp. Slutligen följs resultatet av operationen upp vid återbesök inom SkaS eller primärvården.
- I den elektiva processen skickas remisser till olika mottagningar på SkaS för en första bedömning. Efter medicinsk bedömning och, i vissa fall en utvidgad medicinsk utredning för diagnos, får patienterna därefter en planerad tid för operation. Efter operationsingreppet vårdas patienterna, antingen inneliggande på sjukhuset eller hemma med råd för egenvård till exempel vid dagkirurgi, beroende på typ av ingrepp. Slutligen följs resultatet av operationen upp vid återbesök eller genom besök hos inremitterande instans till exempel av primärvården.
Rapportens omfattning är att utveckla en simulering över elektiva patientflödet från det operationsanmälan skapats till operation/behandling är utförd, detta inkluderar även akuta patientflödet då det påverkar operationsprocessen. Projektet omfattar även en analys från remiss till första besök.
Projektet inkluderar analyser och förslag på förbättringar i att minska väntetiden för elektiva patienten.
Avgränsningar och antaganden kommer att ske löpande under arbetet i dialog med verksamhetsföreträdare och handledare.
Bestämda grova avgränsningar:
- Endast SkaS i Skövde kommer att simuleras. Kommer inte behandla patienter från Lidköping och Falköping.
- Primärvården eller återbesök kommer inte att simuleras.
- Ögonpatienter kommer inte att behandlas.
- Kommer inte att behandla den ekonomiska aspekten eller implementering av förbättringsförslagen.
3
- Data från akuta patientflödet kommer att inkluderas då det påverkar det elektiva patientflödet till operation, men kommer inte att analyseras.
- Akutmottagningen, KAVA, IVA, röntgen och laboratorium kommer inte att simuleras eller att behandlas.
- Tillgängligheten på sjuksköterskor på respektive avdelning och mottagning kommer inte analyseras utan enbart antalet tillgängliga vårdplatser.
Berörda mottagningar/verksamhetsområden till första besök som kommer att analyseras:
- Bum: Barn-och Ungdomsmedicinsk mottagning.
- Kirurgi: Urologi-, Övre gastro-, Nedre gastro-, PEBB- och Kärlmottagning.
- Kvinna: Gynekologimottagning.
- Ortopedi: Barn-, Polop-, Protes-, Rygg, och Traumateam.
- Öron: Öron-Näsa-Halsmottagning.
Opererande enhetsteam för operationsprocessen som kommer analyseras och simuleras:
- Access and Device - Barn
- Kirurgi - Kvinna - Kärl
- Nedre gastro - Övre gastro - Ortopedi - PEBB - Kardiologi - Urologi - Öron
- Övrigt: Tandvård, Smärta, radiologi, käkkirurgi, njurmedicin, pedonti och anestesi-operation.
1.5 Rapportens disposition
Rapportens inledande del innehåller en introduktion om arbetets bakgrund, problemformulering, syfte och mål samt en beskrivning av projektets omfattning och avgränsningar. Kapitel två och tre innehåller relevant teori och vetenskapliga artiklar om ämnet simulering för att beskriva och stödja de metoder som har använts under arbetet. I kapitel fyra och fem behandlas de valda metoder och hur projektet har genomförts. I den avslutande delen, kapitel sex till åtta beskrivs de resultat som har uppnåtts tillsammans med diskussion och slutsatser kring projektet. Rapportens disposition visualiseras enligt figur 2.
4
Figur 2. Visualisering av rapportens disposition.
1.6 Hållbar Utveckling
Begreppet hållbar utveckling fick en världsomfattande spridning år 1987 av den FN (förenta nationerna) tillsatta Brundtlandskommissionen. 1987 publicerade Brundtlandskommissionen rapporten, vår gemensamma framtid, även så kallad Brundtlandsrapporten. Hållbar utveckling beskrivs i rapporten som utveckling att möta nutidens behov utan att äventyra kommande generationers möjlighet att möta sina behov. I Riokonferensen 1992 antogs hållbar utveckling som ett gemensamt mål för samtliga länder att sträva mot, där definitionen hållbar utveckling i Brundtlandsrapporten anses som ett accepterat övergripande mål för världens framtida utveckling (Gröndahl & Svanström, 2011). Mänskligheten står idag enligt Gröndahl & Svanström (2011) inför en gemensam utmaning att uppnå en hållbar utveckling.
I Brundtlandsrapporten delas hållbar utveckling upp i fyra olika etiska grundprinciper:
- Ekosystemens och människans beroende av varandra.
- Människors beroende av varandra och rättvisa mellan människan.
- Rättvisa och jämlikhet mellan generationer.
- Delaktighet i beslutsfattande.
Ekosystemets och människans beroende, menas med förståelse om att ekosystemens produktion och ekosystemtjänster är viktigare för mänskligheten än den förståelse som finns i dag. Människors beroende av varandra och rättvisa mellan människan innebär att alla jordens invånare ska ha rätt till en hög livskvalitet och i det globala samhället kan det som görs i Sverige påverkas negativt i andra delar av världen. Rättvisa och jämlikhet mellan generationer handlar om att kommande generationer ska ha samma möjliga rätt till ett lika gott liv som dagens generation. Delaktighet i beslutsfattande innebär att kunna inkludera alla människor i att vara delaktiga i beslutsfattandet för att kunna bidra till samhällets utveckling (Gröndahl & Svanström, 2011).
5
Hållbar utveckling har vanligtvis tre dimensioner: samhälle eller sociokulturella aspekter, miljö eller ekologi samt ekonomi. I figur 3 visualiseras de tre dimensionerna med hjälp av ett Venndiagram, där överlappningen av de tre cirklarna representerar uppfylld målbild för en hållbar utveckling (Gröndahl
& Svanström, 2011).
Figur 3. Venndiagram, tolkad från Gröndahl & Svanström (2011)
6
2. Teoretisk referensram
I detta kapitel redovisas relevant teori om ämnet simulering, viktiga begrepp och termer förklaras till hjälp att frambringa kunskap i vad som krävs för att lösa problemen under arbetets gång. Teoretiska referensramen kommer användas som stöd för att öka tillförlitligheten av projektets genomförande och resultat.
2.1 Simulering
En simulering är en imitation av en verklig process eller system över tid. Systemets beteende när det utvecklas över tid studeras till hjälp av en simuleringsmodell, antingen med dator eller för hand. I verkligheten finns det faktorer som kan påverka och försvåra simuleringsmodellens trovärdighet, därför utvecklas modellen av en uppsättning antaganden och data för processen eller systemet. Dessa antaganden förklaras i matematiska, symboliska och logiska samband mellan entiteter och objekt av intresse för systemet. Dessa entiteter kan vara kunder som anländer till en affär eller maskiner i en produktionsprocess som samverkar med varandra. (Banks et al., 2005)
Appliceringsområden som simulering används inom är:
- Produktion och industri - Uppbyggnad av IT-system - Sjukvården
- Logistik och transport - Servicesystem för kunder
2.1.1 Diskret händelsestyrd- och kontinuerlig simulering
Diskret händelsestyrd simulering innebär en representation och en modulering av ett system över tid, där variablerna ändras vid specifika och separata händelser av tid (Law, 2007). Banks et al. (2005) presenterar ett exempel på detta som kan vara antalet kunder som är inne i en affär, där tillståndsvariabeln, antalet kunder, ändras diskret över tiden när en kund går in eller ut ur affären. En annan typ av simulering är kontinuerlig simulering där systemets tillståndsvariabler enbart ändras kontinuerligt över tid (Banks et al., 2005). Ett exempel på detta är vattennivån i en dammbyggnad ökar eller sjunker över tid. Regnet tillför vatten till sjön bakom dammen och vatten avleds genom dammen för att exempelvis producera elektricitet. Även avdunstning kan minska vattennivån. Figur 4 och 5 nedan illustrerar händelser i kontinuerliga system och diskreta system.
Figur 4. Exempel på ett diskret system, tolkad från Banks et al. (2005).
7
Figur 4. Exempel på ett kontinuerligt system, tolkad från Banks et al. (2005).
2.1.2 För-och nackdelar med simulering
Pegden et al. (1995) har sammanställt ett antal för-och nackdelar med simulering och några av dessa är listade nedanför.
Fördelar:
- Möjligheter att testa olika förändringar inom exempelvis produktion-och organisationsprocesser eller informationsflöden utan att störa det verkliga systemet.
- Hypoteser om hur olika händelser inträffar kan testas för dess trovärdighet.
- Upptäcka systemets flaskhalsar.
- Vad händer om scenarier kan bli besvarade.
Nackdelar:
- Särskild träning och kunskap krävs för skapande av simuleringsmodeller.
- Resultaten från simuleringen kan vara svårtolkade, då de flesta genererade resultat är slumpmässiga variabler. Detta försvårar säkerställande om en observation är resultat av ett slumpmässigt system eller ett inbördes system.
- Byggandet av modelleringen och analyseringen av systemet kan vara tids- och kostnadskrävande.
2.1.3 Simulering som ett lämpligt verktyg
Banks et al. (2005) förklarar att möjligheterna i att använda simulering som ett verktyg att hantera massiv datahantering har gjort simulering till ett av det mest användbara och accepterade verktyg i operationsanalys och systemanalys. Banks et al. (2005) beskriver olika områden där användning av simulering är ett lämpligt verktyg:
- Interna interaktionerna av ett komplext system eller delsystem synliggörs med hjälp av simulering.
- Den insamlade kunskapen vid uppbyggnaden av simuleringsmodellen kan bidra till framtida förbättringsarbeten.
- Införandet av en ny design eller policy kan testas innan implementering med hjälp av simulering.
- Simulering kan användas till att verifiera analytiska lösningar.
- Genom att ändra ingående data i simuleringsmodellen och observera resultatet kan bidra till en ökad förståelse över vilka variabler som är viktiga och hur de påverkar varandra.
Dock är simulering inte alltid ett lämpligt verktyg. Banks et al. (2005) har sammanställt tio regler när användning av simulering ska avrådas. Första och andra regeln är om problemet kan lösas genom sunt förnuft eller enkla matematiska formler. Tredje regeln är om det är lättare att utföra direkta experiment
8
i det verkliga systemet. Fjärde regeln är ifall kostnaden överstiger besparingen. Femte och sjätte regeln är ifall resurser eller tid inte finns tillgängligt. Sjunde regeln är att det ibland kan kräva mycket data och om data inte finns tillgängligt eller inte går att estimera, avråds simulering. Åttonde regeln är ifall det inte går att säkerställa verifieringen och valideringen på modellen är simulering inte att föredra. Nionde regeln, chefen kan komma med orimliga förväntningar på simuleringen. Sista regeln är ifall om systemets komplexitet inte går att definiera till exempel är människors beteende ibland en komplex faktor att simulera.
2.1.4 Potentiella fallgropar med simulering
Det finns många faktorer som kan påverka utfallet av simuleringsprojektet. De Vin et al. (2004) har listat några potentiella fallgropar som är vanligt förekommande och bör naturligtvis undvikas. Dessa beskrivs nedan (De Vin et al., 2004):
- Datainsamling och modellbyggandet. Dessa två steg kan lätt hända att det spenderas för mycket tid på, vilket kan komma resultera i att under verifiering och validering stressas i genom.
Law (2007) förklarar att en olämplig detaljnivå på modellen tenderar att vara en förklarande faktor till resultatet.
- Dåligt definierat projekt. Oklara och dåliga definierade mål i början leder vanligtvis till att grova antagande kan komma behöva göras längre fram i projektet. Enligt Law (2007) ökar risken med att misslyckas ifall inte hela projektgruppen är involverad från start.
- Insamlade data granskas inte kritiskt. Trots en korrekt uppbyggd modell så fungerar den inte bättre om inte insamlade data är representativt. Ett exempel är att felaktig sorts fördelning (spridning kring medelvärdet) av det insamlade data antas i simuleringsmodellen (Law, 2007).
- Slutsatser baseras endast på animeringen. Att få ett helhetsgrepp genom enbart studera animationen av simuleringsmodellen är begränsande. För att undvika negativt förutfattade antagande kring modellens presentationsförmåga skall dessa begränsningar förklaras.
- Saknad eller bristande analyser av utdata och resultat. Större utdata variationer kan bero på att modellen inte hunnit uppnå ett stabilt läge utan fortfarande befinner sig i uppvärmningsfasen, se avsnitt om stabilitetsanalys.
- Simulering är ingen ersättning för förståelse. Om det råder bristande förståelse kring vad som ska simuleras, hur ska resultaten i så fall kunna begripas?
2.2 Simuleringsstegen
Tillvägagångsättet för att lyckas med ett simuleringsprojekt består av 12 viktiga steg (Banks et al., 2005).
Figur 5 beskriver arbetsgången genom de olika stegen hur modellen bör byggas. Dessa steg skall inte ses som en standard utan mer som stödpelare genom hela projektet. De 12 olika stegen är enligt Banks et al. (2005): 1; Problemformulering, 2; Mål och övergripande plan, 3; Konceptuellmodell, 4;
Datainsamling, 5; Modelltolkning, 6; Verifiering, 7; Validering, 8; Experimentell design, 9; Körning och analyser, 10; Ytterligare körningar och analyser, 11; Dokumentation och 12; Implementering.
9
Figur 5. Olika stegen i simuleringsprojekt, fritt tolkat från Banks et al. (2005).
2.2.1 Problemformulering (Steg 1)
En tydlig och välstrukturerad problemformulering är grundförutsättningen för ett lyckat simuleringsprojekt. Problemet bör redogöras för samtliga involverade i projektet och klargöras om simulering är enda lösningen på problemet. Uppdragsgivare eller kunden behöver också vara överens med den som utvecklar modellen. Råder det osäkerhet under utförande av projektet kan en återblick på problemformulering vara bra att göra.
2.2.2 Mål och övergripande plan (Steg 2)
En tydlig målformulering skapas genom förståelse över problemformuleringen. Målen indikerar de frågor som ska besvaras av simuleringen. En övergripande plan sätts upp ifall resultatet från målformuleringen visar på att simulering är ett lämpligt tillvägagångsätt. Projektplanen skall inkludera antalet involverade i projektet, kostnad, antal dagar som krävs för att utföra de olika stegen och de resultat som förväntas vid varje steg.
10
2.3 Konceptuell modell (Steg 3)
Robinsson (2014), menar att en konceptuell modell ska beskriva det verkliga systemet i syfte att ge en överblick av systemets delar och dess interaktioner. Modellen ska innehålla beskrivning av målen, ingående- och utgående parametrar, information, förenklingar och antaganden. Förenklingar är inkorporerad i modellen i syfte att utveckla modellen snabbare och dess användning, men också förbättra modellens transparens. Modellens antaganden skapas antingen vid osäkerhet eller övertygelser i det verkliga systemet för att kunna fylla luckor vid bristande kunskap av det studerande systemet.
Konceptuella modellen ska beskriva systemet på en förenklad och generell nivå så den inte behöver tolkas med hjälp av någon särskild mjukvara, men samtidigt vara giltig, trovärdig, genomförbar och användbar. Vanliga metoder för representation av konceptuell modell är exempelvis processflödesdiagram, logiska flödesdiagram, komponentlista eller aktivitetscykeldiagram (Robinsson, 2014).
2.3.1 Stegen för konceptuellmodell
Första steget i byggande av den konceptuella modellen består av att observera det verkliga systemet och interaktionerna mellan de olika komponenterna och dess data över systemets beteende. Det är sällan som enbart observationer ger en tillräcklig förståelse över systemet, därför bör individer som har kunskap om systemet eller delsystemet rådfrågas i syfte att ge djupare förståelse. Detta kan vara en krävande process då nya frågor kan uppkomma över verkliga systemets struktur och dess beteende (Banks et al., 2005)
Det andra steget i modellbyggandet är konstruktionen till konceptuella modellen. Den innehåller en samling antagande om komponenterna och systemets struktur samt hypoteser om modellens ingående parametrar. Viktig aspekt innan konstruktionen av konceptuella modellen utförs är att skapa en tydlig riktlinje. Detta för att undvika att onödigt komplexa modeller konstrueras vid start, utan att alltid tänka på att skapa en enkel modell till början. Därefter komplettera med komplexa funktioner till modellen för att uppnå en högre trovärdighet. Avgränsningar är en viktig aspekt i hur modellen ska kunna hanteras och bör skapas av kunden eller uppdragsgivare. En god förståelse över systemet är stor grund till att modellen konstrueras korrekt (Banks et al., 2005).
Att omvandla ett formulerat problem till en modellspecifikation eller att omvandla en framställd modell i ett flödesschema till ett fungerande datorprogram, är utvecklat och framtaget i verifiering av modellen.
Syftet med att verifiera den konceptuella modellen är för att se till att den stämmer överens med den slutgiltiga representationen (Banks, 1998).
Figur 6 visualiserar tillvägagångsättet vid byggandet av konceptuella modellen enligt Banks et al.
(2005).
11
Figur 6. Tillvägagångsätt för konceptuell modell, verifiering och validering, tolkad från Banks et al.
(2005).
2.4 Datainsamling (Steg 4)
Det är många gånger nödvändigt att använda människors expertis och instinktiva uppfattning om hur särskilda komponenter av ett komplext system uppför sig, speciellt om inget tidigare system finns då det inte går att använda information och data från ett tidigare skede. Den individ som konstruerar simuleringsmodellen måste arbeta ihop med de som är experter inom området och har kunskap om hur processen ser ut. Detta är på grund av att de är bekanta med det befintliga systemet och vet hur det mesta fungerar (Law, 2007).
Enligt Law (2007), kan det vara problematiskt att hantera data eftersom det finns många aspekter att ta hänsyn till. Fem potentiella svårigheter med data ser ut som följande.
- Representativ. Det krävs data som är relevant för projektet och som ska ingå i modellen.
- Format. Typ av data eller format på data som används är inte lämpad för användning.
- Mätfel. Avrundningar och mätfel ger inget exakt värde i slutändan och medför att uträkningar som använder data med avrundningar blir fel
- Ensidig. De data som finns i systemet kan vara ensidig/partisk, då en verksamhet kan få data att se bättre ut än vad den faktiskt är.
- Enhet. Användning av olika enheter, det vill säga, meter på ett ställe och fot på ett annat.
Robertson & Perera (2002) förklarar att insamling av data är ett av de viktigaste stegen vid uppbyggnad av simuleringsmodell. Detta är på grund av att det data som används påverkar resultatet och bidrar till hur exakt en simuleringsmodell är jämfört med verkligheten. Om fel typ av data används, påverkas trovärdigheten och den detaljrikhet som en simuleringsmodell ska innefatta för att kunna efterlikna systemet i verkligheten och kan därför ge ett missvisande resultat. Insamling av data är en uppgift som tar lång tid då detta arbete till största delen görs manuellt. En automatiserad insamling av data vore till stor fördel för att spara både tid och kapital (Robertson & Perera, 2002).
12
För att säkerställa att simuleringsmodellens data förhåller sig till verkligheten och även randomiseras på ett likartat sätt som det verkliga systemet, är det viktigt att använda rätt sorts sannolikhetsfördelning.
Om en korrekt sannolikhetsfördelning har valts kommer denna att representera verkligheten om inte den insamlade data är alltför heterogen, det vill säga, alldeles för slumpartad (Law, 2007).
Det finns hundratals olika typer av fördelningar och många av dessa är väldigt lika varandra, därför används datorprogram för att identifiera den fördelning som är mest lämplig. Olika exempel på fördelningar som kan användas i en simulering beskrivs i tabell 1 (Banks et al., 2005).
Tabell 1. Förklaring av olika fördelningstyper enligt Banks et al. (2005).
Fördelningstyp Förklaring
Normal
En normalfördelad variabel brukar vara placerad nära medelvärdet och antar sällan värden med en stor avvikelse. En normalfördelad graf ser ut som en kulle, exempelvis cykeltid.
Lognormal
Fördelningen av en process kan tolkas som produkten av flertalet delprocesser, exempelvis räntan på en investering är produkt på avkastningen under ett antal perioder.
Poisson
Modulerar självständiga händelser som inträffar under en bestämd tid eller plats, exempel antalet kunder som kommer till en affär under en timme.
Exponentiell
Fördelningen har en hög variation och modulerar tiden mellan självständiga händelser, exempelvis tiden mellan ankomsten av en större mängd av potentiella kunder som agerar självständigt från varandra.
2.5 Modelltolkning (Steg 5)
Insamlade data tolkas med olika förenklingar och antaganden för att kunna skapa en simuleringsmodell med rätt simuleringsmjukvara för att representera verkligheten och lösa modellen på ett bra sätt.
Eftersom programmering av modellen kan vara en tidskrävande process, bör val av simuleringsmjukvara tas i beaktande. Många simuleringsmjukvaror har även funktioner som förbättrar flexibiliteten i modellen, men flexibiliteten kan variera betydligt mellan olika mjukvaror (Banks, 2005).
2.5.1 Utdataanalys
Simuleringsmodellen genererar data utifrån utdataanalysen, med syftet att förutse prestandan av ett system eller att jämföra med två eller mer alternativa system med annorlunda design. Behovet av statistisk utdataanalys kommer från observationer av simuleringsmodellens utdata som kan, med användning av en slumpgenerator, slumpa fram värden till indata variabler. Om modellen simuleras två gånger kommer resultatet från de slumpmässigt genererade värdena leda till en skillnad på utdata från de två simuleringarna (Banks, 2005).
Stabilitetsanalys
Stabilitetsanalys är ett begrepp som används inom simulering för att bedöma om utdata har uppnått ett konstant läge, med små variationer över tid. Tillståndet som systemet befinner sig i innan en stabilitetsanalys kan utföras kallas för uppvärmningsperiod (Banks, 2005).
13 Replikeringsanalys
Hoad et al. (2007) menar en replikeringsanalys bör göras med ett större antal replikeringar och att en tumregel är att minst tre till fem replikeringar ska utföras för att få ett mer sant resultat. Hur många replikeringar som ska utföras beror på vilken simuleringsmodell analysen genomförts på, men något som ska tas i beaktande är att inte använda för få replikeringar då detta anses olämpligt och kan medföra icke träffsäkra resultat och att dåliga beslut fattas baserat på detta. Om det utförs för många replikeringar leder detta till slöseri på resurser, exempelvis den tid som individen befinner sig framför datorn. Ett felsäkerhetstal används för att bedöma trovärdigheten av utdata i systemet, mellan siffrorna 0 till 1, där 1 är ett bra värde och 0 inte alls bra. Om ett högre felsäkerhetstal efterfrågas, ska antalet replikeringar ändras i replikeringsanalysen, med samma simuleringshorisont som tidigare simuleringsexperiment.
(Hoad et al., 2007). I figur 7 nedan visas exempel på hur en replikeringsanalys kan gå till.
Figur 7. Replikeringsanalys, tolkad från Hoad et al. (2007).
2.5.2 Verifiering och validering (Steg 6 och 7)
Verifiering av simuleringsmodellen ska ske i samband med expert inom området och se till att modellens flöde imiterar det verkliga systemet (Banks et al., 2005). Enligt Banks (1998) innebär validering av modellen att den uppträder med en god noggrannhet inom det tillämpade området och stämmer överens med de mål som har skapats för studien. En trestegsmetod har formulerats och används som hjälpmedel i valideringsprocessen (Naylor & Finger (1967) se Banks et al. (2005), ss. 362 – 363):
1. Konstruera en modell med hög validitet: Modellen ska stämma överens med verkligheten med avseende på de antaganden som gjorts angående systemets struktur och det data som använts.
2. Validera modellantaganden: För att kunna validera modellantaganden finns det två generella klasser att efterfölja, dessa är följande:
Strukturella antaganden: Förenklingar av verkligheten och svarar på frågor samt antaganden som hur systemet fungerar.
Data antaganden: Ska baseras på trovärdig- och statistiska data.
14
3. Jämföra modellens in- och utdata med motsvarande in- och utdata för det verkliga systemet: Testar helheten i modellen och testar modellens möjligheter till att förutse framtiden av det verkliga systemet genom att använda riktiga data från verkligheten och använda detta i modellen. Simuleringsmodellen ska vara konstruerad så att denna kan vara träffsäker nog att göra goda förutsägelser med hjälp av det data som sätts in i systemet i form av inputs. För att undersöka om modellen stämmer överens med verkligheten används historiska data för att kalibrera modellen, eftersom denna data redan gett ett resultat sen tidigare går det att validera att modellen stämmer överens med verkligheten. Efter detta test genomförts framgångsrikt simuleringsmodellen användas för att förutspå vad som kommer att hända i det verkliga systemet. Systemet måste däremot testas igen efter ändringar i det verkliga systemet och valideras ännu en gång, och använda flertalet olika valideringstekniker för att säkerställa att modellen visar en imitation av verkligheten.
2.6 Experimentell design (Steg 8)
I detta steg involverar det att söka efter en lösning på problemet eller minst en förbättring från det verkliga systemet som har adresserats av simuleringsstudien. Det kan handla om att finna det bästa scenariot, något som tillfredsställer kundens krav eller att utveckla en bättre förståelse över det verkliga systemet (Robinson, 2014)
Robinson (2014) förklarar att denna process som sökningen av lösningsområdet, vilket är det totala intervallet av olika tillstånd som simuleringsmodellen kanske körs i. Figur 8 visar minimum- och maximumvärdet där fem experimentella faktorer som simuleringsmodellen kan tas. Där lösningsområdet är regionen som representerar alla möjliga kombinationer utifrån de experimentella faktorerna.
Figur 8. Simuleringsexperiment: Lösningsområdet, tolkad från Robinson (2014).
Sökningen till att finna lösningsområden täcker tre nyckelområden (Robinson, 2014):
- Jämföra resultatet från två eller flera olika scenarier - Känslighetsanalys
- Metoder för att söka lösningsområden: experimentell design, metamodellering och optimering
15
2.6.1 Körningar och Analyser (Steg 9 och 10)
När det kommer till att jämföra olika scenarion behöver modellanvändaren bestämma vilket alternativ som är bättre än det andra. Robinson (2014) har sammanställt tre faktorer som ska tas hänsyn till vid jämförandet:
- Vad är skillnaden på medelvärdet från de olika scenarierna?
- Vad är standardavvikelsen på medelvärdet?
- Hur många replikeringar kördes för att generera resultatet?
Ytterligare körningar och analyser?
Utifrån analysen av körningarna som har färdigställts, så bestäms det ifall ytterligare körningar behövs och vilken design det ytterligare experimentet bör följa (Banks et al., 2005). Resultatet ska ställas emot de specifika målen med simuleringsstudien.
2.7 Dokumentation och implementering (Steg 11 och 12)
Dokumentation är i allmänhet en avgörande del under simuleringsstudien och kan delas i tre kategorier:
modell-, användar-, projektdokumentation. Några användbara former av dokumentation finns listade nedan (Robinson, 2014).
Modelldokumentation:
- Konceptuella modellen
- Lista med antaganden och förenklingar - Modelldesign
- Ingående data och experimentella faktorer: Inklusive antaganden, datakällor och tolkningar.
Projektdokumentation:
- Projektspecifikationen
- Utförda verifieringar och valideringar - Körningar med experimentella scenarion - Resultat från olika experiment
- Slutrapport
Implementering menas med att genomföra eller tillämpa något (Robinson, 2014). En framgångsrik implementering beror på kontinuerligt engagemang av modellanvändaren och av framgångsrikt genomförande av alla stegen (Banks 12-stegsmetod, se figur 5) i processen. Banks et al. (2005) anser att det mest avgörande steget under hela processen är under valideringen (steg 7), därför att en invalidmodell kommer leda till felaktiga resultat, vilket i sin tur kan bli kostsamt eller rent av farliga ifall de blir implementerade.
Enligt Robinson (2014) kan implementeringen i samband med simuleringsstudier tolkas på tre sätt:
implementera resultatet från studien, implementera modellen eller implementera som lärande.
Implementeringen bör inte ses som något som sker när simuleringsstudien är färdigställd utan att den är del av en interaktiv process genom hela modelleringsprocessen (Robinson, 2014).
16
2.8 Lean - produktionstekniska metoder och verktyg
Poppendieck (2011) förklarar att Lean är en filosofi som är till för att förstå vad som adderar värde och vilka aktiviteter och resurser som är absolut nödvändiga för att skapa det värdet, allting annat är slöseri, se kapitel 2.8.4 7+1 slöserier.
Melton (2005) menar att en process som redan är effektiv är något som felaktigt uppfattas allt för många gånger. Rent funktionellt kan många processer ses som effektiva men med tillämpningen av Lean granskas hela kedjan av processer varav det avslöjar flaskhalsar och ineffektivitet i hela kedjan. Lean – tänkare arbetar mot perfektion och vill aldrig att förbättringscykeln ska sluta, det vill säga ständiga förbättringar. Lean är ett speciellt sätt att tänka och utföra saker på vilket kan vara en stor kulturförändring för många. För att få en säker hållbarhet kommer de som investerar tid och ansträngningar kunna hantera denna kulturförändring (Melton, 2005).
Liker (2009), berättar om 14 principer som driver kvalitet och effektivitet framåt genom implementering av Lean och ständiga förbättringar. Principerna berättar inte hur saker ska göras utan ska användas som riktlinjer för att kunna hitta värdet i processen och avgöra vad som är rent slöseri. Följande 14 principer är enligt Liker (2009):
1. Basera ledningsbeslut på långsiktigt tänkande, även om det sker på bekostnad av ekonomiska mål.
2. Utforma kontinuerliga processflöden som för upp problemet till ytan.
3. Låt efterfrågan styra för att undvika överproduktion.
4. Jämna ut arbetsbelastning, se kapitel 2.8.1 Heijunka.
5. Skapa en kultur i verksamheten där man stoppar processen för att lösa problem, så att kvaliteten blir rätt från start.
6. Lägg standardiserat arbetssätt till grund för ständiga förbättringar samt personalens delaktighet.
7. Använd visuell styrning, så att inga problem förblir dolda.
8. Använd enbart pålitlig, väl utprövad teknik som stöder processerna och medarbetarna.
9. Utveckla ledare som förstår arbetet, lever efter verksamhetens filosofi och lär ut det till andra.
10. Utveckla enastående människor och team som följer verksamhetens filosofi.
11. Respektera det utökade nätverket av leverantörer och partners genom att utmana dem och hjälpa till dem att bli bättre.
12. Gå ut och se med egna ögon för att verkligen förstå situationen, Genichi genbutsu.
13. Fatta beslut långsamt, i konsensus och överväg samtliga alternativ, verkställ snabbt.
14. Bli en lärande organisation genom att ständigt reflektera, Hansei, och ständigt förbättra, Kaizen.
Inom Lean finns olika verktyg för att hitta värde och identifiera slöseri, några av dessa nämns nedan.
2.8.1 Heijunka
Liker (2009) menar att Heijunka, som är en japansk term, är till för att kunna förutse ett mönster över tid och utjämna variationsmix samt olika volymer i ett flöde. När Heijunka introducerats och efterföljs med perfektion är arbetstempo och arbetsuppgifter jämnt och harmoniskt (Liker, 2009).
En icke utjämnad process kan se ut som följande, enligt Rother et al., (2001):
- Hög arbetsvolym som är ojämn över tid med mycket hög variation och onödig belastning.
- Kundens verkliga behov försvinner och blir svårt att bedöma vad som faktiskt ska göras.
- Det är svårt att anpassa förändringar efter en lagd beställning.
17
2.8.2 Standardiserat arbetssätt
Standardiserat arbete innebär att arbetsmomentet utförs på den för närvarande bästa kända metoden.
Förutsättningen för att kunna förbättra sina processer krävs det att arbetet är standardiserat, annars blir förbättringen ännu bara en processvariant som används ibland och i slutändan ignoreras helt (Liker, 2009). Standardisering finns inom bland annat flödesnivå och processnivå (Pettersson et al., 2007). På en processnivå kan det gälla standards för verktyg, omställning, uppmärkning med mera och inom processnivå finner man metodstandarder, vilket syftar på standarder för manuella arbeten. Syftet är detsamma inom båda nivåerna att upprätthålla en standard för en arbetsuppgift eller process för på så vis kunna identifiera avvikelser och skapa stabilare processer. Till hjälp av metodstandardisering för att synliggöra dessa avvikelser och på så sätt motverka dessa (Pettersson et al., 2007).
2.8.3 5S
Är en metod med olika aktiviteter för att eliminera slöserier som kan bidra till misstag, skador på arbetsplatsen och defekter (Liker, 2009). Metoden kallas 5S på grund av att varje steg börjar på bokstaven ”S” och dessa beskrivs som följande:
1. Sortera. Rensa ur sällan använda verktyg eller material på arbetsplatsen genom att märka dem.
2. Strukturera. Organisera det som är nödvändigt och märk upp en plats för varje sak. Fotografera arbetsplatsen för att visuellt visa ordningen (Meland, 2007).
3. Städa. Gör rent regelbundet.
4. Standardisera. Införa regler och rutiner för att upprätthålla de tre första S:en.
5. Skapa vana/självdisciplin. Skapa vana för att underlätta att ordningen upprätthålls, genom exempelvis utforma beskrivningar eller checklistor.
2.8.4 7+1 Slöserier
Sju huvudtyper av slöserier har identifierats av Toyota, men även ett åttonde slöseri tilläggs förklarar Liker (2009). Dessa sju huvudtyper av slöserier gäller inte enbart vid produktion utan även andra processer inom exempelvis administration eller orderregistrering. Enligt Liker (2009) är följande sju plus en slöserier:
1. Överproduktion. Producera mer än vad som har beställt, vilket leder till slöseri i form av överlager som i sin tur förorsakar överbemanning, onödiga lagerkostnader samt transporter.
2. Väntan. Uppstår exempelvis när en operatör står och övervakar en automatiserad maskin, eller har inget att göra på grund av materialbrist, maskinstillestånd eller flaskhalsar i processen.
3. Onödiga förflyttningar eller transporter. Att förflytta produkter långa vägar i arbetet, ineffektiva transporter eller flytta material mellan processer.
4. Överarbetning eller felaktig bearbetning. Onödiga åtgärder vidtas för att bearbeta komponenterna. Producera produkter med högre kvalitet än vad som är nödvändigt. Ineffektiv bearbetning på grund av dåliga verktyg eller produktutformning, vilket genererar i felaktigheter och onödiga arbetsmoment.
5. Överlager. Onödiga mängder råvaror, färdiga produkter eller produkter i arbete som orsakar längre genomflödestider. Överlager döljer även problem inom processerna exempelvis stillestånd, långa ställtider och felaktiga produkter.
6. Onödiga arbetsmoment. Samtliga onödiga rörelser som görs under arbetsmomenten, till exempel sträcka sig, leta efter eller lägga från sig verktyg samt att gå är en form av slöseri.
7. Defekter. Producera defekta komponenter eller justeringar/reparationer. Detta är slöseri i form av tid, energi och hantering.
18
8. Outnyttjad kreativitet. Att inte lyssna på sina medarbetare eller att inte engagera sig går miste om idéer, kompetens, förbättringar och tillfällen att lära sig.
2.8.5 Kompentensmatris
Enligt Sjölinder (2006), är metoder som kompetenskartläggning och instruktioner en avgörande faktor för att kunna öka hastigheten av förbättringsarbetet. Genom att använda kompetensmatris till systematisk inlärning och uppföljning av individen underlättas verksamhetens kompetensutveckling.
Arbetsmoment och de olika individerna skrivs upp i matrisen varav de olika rutorna fylls i efter hand, som då medför i att individen uppfyller de krav på det moment som är ifyllt (Sjölinder, 2006). Se tabell 2, exempel på enkel variant av kompentensmatris.
Tabell 2. Exempel på en enkel variant av kompentensmatris
En enkel variant av kompentensmatris ger en tydlig överblick över vilka moment individen kan, men även hela gruppens kompentens vilket gör det enklare vid planering om vem som ska göra vad.
Exempelvis i tabell 2, om individ 1 är sjuk eller på annat sätt frånvarande, finns det fortfarande individer som kan utföra moment 1 och 5 och då täcka upp för den tillfälliga förlorade kompetensen. Trots att en enkel kompentensmatris visar vilka individer som kan utföra vilka moment kan det vara bättre att göra en tydligare och väldokumenterad variant av kompetensmatrisen. Detta är för att kunna visa kunskapsnivån på de olika momenten och inte bara vem som kan göra vilket moment. De olika kunskapsnivåerna delas upp i olika nivåer som fylls i efterhand för att följa varje individs kompetens på respektive moment, se tabell 3.
Tabell 3. Exempel på en mer väldokumenterad variant av kompetensmatris
Sjölinder (2006) menar att kompentensmatrisernas mål är till för att ge en överblick av hur mycket- samt fördelningen av kunskap i en grupp av individer. Dock kan det vara en tidskrävande metod ju mer detaljerad matrisen är gjord och kan leda till att arbetet med att följa upp individernas kompentens inte följs upp (Sjölinder, 2006).
19
3. Litteraturstudie
I detta kapitel redovisas litteraturstudien tillhörande rapporten. Litteraturstudien innehåller vetenskapliga artiklar som är hämtade från databaser som Google Scholar, DiVA (Digitala Vetenskapliga Arkivet) och böcker från Högskolan i Skövdes bibliotek för att ge en djupare förståelse inom de områden som kan relateras till detta arbete. Två valda områden inom simulering i sjukvården och simulering för en förbättrad operationsavdelning har studerats. Kapitel 3.1 beskriver att sjukvården har en stor komplexitet med hög variation och med hjälp av händelsestyrd simulering kunna testa olika vad händer om scenarion som kan leda till att öka effektiviteten. Kapitel 3.2 nämner värdet av att använda simulering och ger en mer jämn fördelning av resurser. Att använda simulering är speciellt viktigt i operationssammanhang då den vanligaste flaskhalsen i vårdkedjan är operationssalen.
3.1 Simulering i sjukvården
Det finns många olika tekniker för att förbättra en process och dessa tekniker har olika syften som gör att de är anpassade utefter vilken typ av problem som behandlas. Några exempel på förbättring av processer finns inom linjär programmering, händelsestyrd simulering, värdeflödesanalys med mera. Det har visats att olika typer av simuleringstekniker är det som är bäst anpassat för komplexa system med hög variation (Ramis et al., 2008).
Enligt Ruiz Zúñiga (2015), kräver komplexiteten och variationen i sjukvårdsprocessen en omfattande analys av händelsestyrd simulering. Händelsestyrd simulering är nödvändig för att kunna kontrollera de vanliga flödena av patienter inom sjukvården samt medför att en större utveckling kan ske inom sjukvårdens system och öka produktiviteten av modellering (Ruiz Zúñiga, 2015). Simuleringsmodeller som utvecklas i sjukvården är enligt Gunal & Pidd (2006) till för att skapa förståelse om hur de olika faktorerna påverkar prestandan av systemet. Även Roberts (2011), förklarar att simuleringsmjukvaror har ökat och anpassats till sjukvården genom förbättrade visualiseringar och modellering, vilket leder till att de som är involverade lättare begriper omfattningen. Simulering förser med ett strategiskt värde såväl som ett verktyg för att tillämpa förbättringar av operationell prestanda som utvidgar användningen av simulering för att kunna förbättra sjukvårdssystem över hela världen (Roberts, 2011).
Hay et al. (2006), menar att den stora variationen och komplexiteten som finns i sjukvårdssystemen kräver en större analytisk förmåga och använder sig därför av händelsestyrd simulering. Eftersom introducering av händelsestyrd simulering har visats vara kostnadseffektivt och ökat effektiviteten i sjukvården bidrar detta till att allt fler parter världen över vill ta del av detta (Hay et al., 2006).
Händelsestyrd simulering i sjukvården ger möjligheten till att svara på olika vad händer om scenarion.
Dess resultat är viktigt för att kunna utvärdera förändring som utförs eller variationer i processer, rutiner och anläggningar för att kunna öka effektiviteten (Young et al., 2009). Händelsestyrd simulering är ett efterfrågat verktyg för beslutsfattare inom sjukvården och kan enligt Jacobson et al. (2006) förbättra effektiviteten i verksamheten samt minska leveranskostnader genom planering och visualisering med hjälp av verktyget. Det går även att använda händelsestyrd simulering som ett verktyg för att kunna ställa prognoser och se påverkan av förändringar på patientflöde, resurser och kapacitet (Jacobson et al., 2006).
Händelsestyrd simulering används enligt Karnon et al. (2012), som ett kraftfullt verktyg i komplexa system och har på senare tid börjat användas inom sjukvården. Andra orsaker till att simulering används inom sjukvården är för att utveckla verktyg som är anpassade och bidrar till en ökad produktivitet i sjukvårdssystemet (Hay et al., 2006).
20
Brailsford et al. (2010) menar att händelsestyrd simulering är till för optimering av systemprestanda på en detaljerad nivå och används ofta i de fall där kösystem med slumpmässig variation är viktig.
Simuleringsmodeller kan vara otroligt detaljerade och de allra flesta händelsestyrda simuleringsprogram har ett användarvänligt grafiskt gränssnitt som gör det lättare för användaren att arbeta i programmet.
Med tanke på den slumpmässiga variationen måste flera replikeringar av simuleringskörningar utföras för att kunna få statistiskt betydande resultat (Brailsford et al., 2010).
Steins (2017) förklarar att när efterfrågan ökar med de befintliga begränsade resurserna medför det i längre väntetider och hög belastning på personal. Steins (2017) menar även, likt Eyjólfsson (2019), att sjukvårdens planeringsproblem är svårt på grund av dess komplexitet. Simulering används idag inom till exempel, tillverkningsindustrin och logistik, men kan och bör med fördel användas allt mer inom sjukvården än vad de gör idag. Både Steins (2017) och Eyjólfsson (2019) menar att simulering används i sjukvården idag och hjälper till att lösa dess komplexa problem. Däremot påpekar Steins (2019) att trots att allt mer akademiska publikationer tar upp hur simulering kan användas inom sjukvården, i jämförelse med andra tillämpningsområden, är det bara en väldigt liten del som omsätts i praktiken.
3.2 Simulering för en förbättrad operationsavdelning
Detta projekt är kopplat till kirurgiska vårdtjänster, se röd markering i figur 9. Hulshof et al. (2012) beskriver de kirurgiska vårdtjänsterna som att tillhandahålla operationer i form av reparation av skador samt ställa diagnos och bota vissa sjukdomar. Exempel på en kirurgisk vårdinrättning är sjukhusets operationssal och anestesianläggningar. Simulering används på en del av de olika planeringsnivåerna för att dels kunna spara tid och pengar genom bättre planering. De olika nivåerna är något som Hulshof et al. (2012) beskriver nedan genom en taxonomisk klassificering för att hjälpa och stötta sjukvården.
Simulering är en av de mest populära OR tekniker som är till för att hantera komplexa system (Hillier
& Lieberman, 2015). De olika typer av projekt som görs med OR inom sjukvården är presenterade enligt figur 9.
Figur 9. Fri tolkning av Hulshof et. al. (2012) taxonomiska klassificering
21
Enligt Hulshof et al. (2012) taxonomi används simulering framförallt inom, se figur 9:
Strategisk planering. Behandlar strukturella beslut som handlar om att definiera verksamhetens uppdrag det vill säga, strategi, riktning och utveckling inom sjukvården. Planeringshorisonten är lång och baseras mycket på sammanlagd information och prognoser. Strategisk planering kan tillexempel innefatta att bestämma placering av anläggning, dimensionera kapacitet av resurser och bestämma blandningar av kompetenser.
Taktisk planering. Behandlar bland annat planering av operationer. Ett första steg inom taktisk planering är att dela upp patienter i grupper beroende på vilken sjukdomstyp/diagnos, krav på resurser och allvarlighetsgrad. Övertid och ökad tillfällig kapacitet av personal är också del av taktisk planering som utgår från efterfrågan som måste vara en prognos baserat på väntelista och information. Strategisk planering kan tillexempel vara planering av schema för personal och schema för kirurgi som fördelar operationstiden bland olika patientgrupper.
Operationell planering. Finns som både offline och online som involverar kortsiktiga beslut samt planering av patienter och resurser på individuell nivå.
- Offline. Exempelvis patient till besök, personal till skift samt schemaläggning av kirurgiska ärenden.
- Online. Exempelvis dynamisk planering av elektiva patienter i realtid när det kommer in akuta patienter som kräver mer uppmärksamhet.
Steins (2017) menar att värdet av att använda simulering och modellering ger en jämnare fördelning av sjukhusets operationssalresurser. Simuleringsmodellen användes för att undersöka olika scenarier och genom dessa uppgick resultatet till att det var möjligt att uppnå jämnare utnyttjande av operationssalar samt större flexibilitet vid planering av operationer. Det Steins (2017) påpekar liknar detta projekt som vill testa olika vad händer om scenarion och med dessa kunna förbättra operationsprocessen för patienter genom att kunna minska väntetiden till operation.
Eyjólfsson (2019), menar att planera inför en operation har en väldigt stor betydelse inom sjukvården och med den höga komplexitet som sjukvårdens system innefattar, måste verktyg användas till att kunna göra denna planering. En lämplig metod är simulering eftersom det kan hantera komplexa system.
Simuleringsmodellen måste däremot konstrueras efter antaganden just på grund av att systemet är komplext. Genom att använda olika teknologiska lösningar inom sjukvården, som exempelvis planering med hjälp av simulering, vilket har en mycket betydande del i att patienter får sin vård i tid. (Eyjólfsson, 2019).
Malik et al. (2015), beskriver att operation är något av det viktigaste inom sjukvården när det kommer till utnyttjande av resurser, kostnader och patientflödet. Operation utför många olika typer av operationer och är ofta där flaskhalsen befinner sig då det finns 3 olika klasser av patienter (urakut, akut och elektiv).
Livsavgörande patienter kommer in till operation direkt och är ingenting som går att planera inför, medan de elektiva patienterna går att planera för veckor och månader framåt på grund av de kan vänta på sin vård. Den vanliga flaskhalsresursen i en vårdkedja är operationssalen som måste kunna planeras i förväg för de elektiva patienterna. Med en ständig efterfrågan på behandlingskapaciteten har de elektiva patienterna, i samband med de akuta patienter som kommer in, medfört i långa väntelistor till operation. De som inte kan få sin tid inom vårdgarantins ramar får möjligheten till att söka vård på annat håll, på verksamhetens bekostnad, vilket medför högre utgifter för sjukhuset (Malik et al., 2015).
22
4. Metod
I detta kapitel redovisas valda metodiken till detta arbete samt varför det valdes. Arbetets tillvägagångsätt grundas utifrån den teoretiska referensramen, litteraturstudien samt erfarenheter från handledarna.
4.1 Val av struktur i projektet
Projektet delas upp i två mål för att minska komplexiteten samt omfattningen av hela projektet. Dessa mål specificeras på ett sätt för att kunna bidra med förslag till hur patienternas väntetid kan minskas.
Första målet (första 90 dagarna av vårdgarantin): Väntetiden från remiss till förstabesök och registrering. Eftersom detta mål inte kommer att behandlas i simuleringsmodellen ska andra aktiviteter utföras för att kunna hitta förslag på förbättringar, se figur 10.
- Analys av data. Skapa större förståelse i vilken data som fanns i de olika datahanteringssystemen samt hur dess data var sammankopplat. En dataanalys ska även ge en grund för förbättringsförslag på faktiska värden vid funna avvikelser.
- Studiebesök samt ostrukturerade intervjuer. Studiebesök är till för att få en personlig inblick i processen på den besökta platsen. En ostrukturerad intervju liknar ett vanligt samtal som grundar sig i en fråga och som sedan öppnar upp för att associera fritt kring området, varav den som intervjuar ställer följdfråga på det som verkar vara av intresse.
Genom att utföra ostrukturerade intervjuer i samband med studiebesök bidrar detta till större förståelse, samt om det är något specifikt problem eller avvikelse som kan påverka processen.
Figur 10. Första målet i projektet
23
Andra målet (andra 90 dagarna av vårdgarantin): Väntetid från operationsanmälan till utförd operationen, se figur 11.
- Banks 12 steg-metodik. Är den arbetsgång som följs genom hela projektet, se Teoretisk referensram och figur 11.
Figur 11. Andra målet i projektet
4.3 Datainsamling
Kvalitativ- och kvantitativ data samlas in. De kvalitativa data samlas in genom studiebesök på berörda avdelningar och ostrukturerade intervjuer med dess personal. Detta är för att skapa större förståelse om processen samt ge information om sådant som inte är synligt vid analys av kvantitativa data. De kvantitativa data är historiska data som verksamhetsföreträdare tar fram från SkaS olika datahanteringssystem.
Historiska data analyseras från år 2019 eftersom det är det senaste fullständiga året med data. Utefter det data som år 2019 innehöll, kunde denna analyseras och bestämma olika typer av tidfördelningar. För att kunna bestämma vilken tidfördelning som var lämplig användes mjukvaran EasyFit, där framtagna data sattes in och bestämde den mest lämpliga distributionen av tid.
