Skip navigation
Please use this identifier to cite or link to this item: http://repositorio.unb.br/handle/10482/37946
Files in This Item:
File Description SizeFormat 
ARTIGO_ReducingOvercrowdingEmergency.pdf420,41 kBAdobe PDFView/Open
Title: Reducing overcrowding in an emergency department: a pilot study
Authors: Amorim, Fábio Ferreira
Almeida, Karlo Jozefo Quadros de
Barbalho, Sanderson Cesar Macedo
Balieiro, Vanessa de Amorim Teixeira
Machado Neto, Arnaldo
Dias, Guilherme de Freitas
Santana, Levy Aniceto
Aguiar, Cristhiane Pinheiro Teixeira Gico de
Silva, Cláudia Cardoso Gomes da
Dasu, Sriram
metadata.dc.identifier.orcid: http://orcid.org/0000-0003-0929-5733
http://orcid.org/0000-0001-7468-9451
http://orcid.org/0000-0003-1664-4866
http://orcid.org/0000-0002-0619-2475
http://orcid.org/0000-0002-5442-4293
http://orcid.org/0000-0002-3728-1307
http://orcid.org/0000-0001-7743-4892
http://orcid.org/0000-0002-8745-291X
http://orcid.org/0000-0001-6314-0711
http://orcid.org/0000-0002-7331-3900
Assunto:: Tempo - administração
Serviços médicos de emergência
Simulação (Computadores)
Serviços de saúde
Satisfação do paciente
Issue Date: 2019
Publisher: Associação Médica Brasileira
Citation: AMORIM, Fábio Ferreira et al. Reducing overcrowding in an emergency department: a pilot study. Revista da Associação Médica Brasileira, São Paulo, v. 65, n. 12, p. 1476-1481, dez. 2019. DOI: https://doi.org/10.1590/1806-9282.65.12.1476. Disponível em: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S0104-42302019001201476&lng=en&nrm=iso. Acesso em: 02 June 2020. Epub 24 jan. 2020.
Abstract: OBJETIVO Explorar o uso de modelos de previsão e ferramentas de simulação para estimar a demanda e reduzir o tempo de espera dos pacientes em Departamentos de Emergência (DE). METODOLOGIA A análise foi baseada em dados coletados em maio de 2013, no DE do Recanto das Emas, Distrito Federal, Brasil, que utiliza o Protocolo de Manchester como sistema de triagem. Um total de 100 pacientes consecutivos foram incluídos: 70 amarelos (70%) e 30 verdes (30%). Padrões de fluxo, tempo de espera observado e tempos entre as chegadas dos pacientes foram registrados. Mapas de processo, demanda e dados de capacidade foram utilizados na construção de uma simulação que foi calibrada de acordo com o fluxo observado. Uma análise do tipo “e se...” foi conduzida para reduzir os tempos de espera. RESULTADOS Os padrões de tempo de chegada para pacientes verdes e amarelos foram semelhantes, mas os tempos entre chegadas foram 5 e 38 minutos, respectivamente. O tempo de espera foi de 14 minutos para pacientes amarelos e 4 horas para pacientes verdes. A equipe médica era composta por quatro médicos por turno. Uma simulação previu que a inclusão de mais um médico por turno reduziria o tempo de espera para 2,5 horas para pacientes verdes, com um impacto pequeno no tempo de espera dos pacientes amarelos. A manutenção de quatro médicos e a inclusão de um médico exclusivamente para pacientes verdes reduziria o tempo de espera para 1,5 horas para pacientes verdes e aumentaria em 15 minutos para os pacientes amarelos. O melhor cenário simulado utilizou cinco médicos por plantão, com dois médicos exclusivos para pacientes verdes. CONCLUSÃO Os tempos de espera podem ser reduzidos equilibrando a distribuição de médicos para pacientes verdes e amarelos e relacionando a disponibilidade dos médicos aos padrões de demanda previstos. Simulações de DE podem ser utilizadas para gerar e testar soluções para diminuir a superlotação.
Abstract: OBJECTIVE Exploring the use of forecasting models and simulation tools to estimate demand and reduce the waiting time of patients in Emergency Departments (EDs). METHODS The analysis was based on data collected in May 2013 in the ED of Recanto das Emas, Federal District, Brasil, which uses a Manchester Triage System. A total of 100 consecutive patients were included: 70 yellow (70%) and 30 green (30%). Flow patterns, observed waiting time, and inter-arrival times of patients were collected. Process maps, demand, and capacity data were used to build a simulation, which was calibrated against the observed flow times. What-if analysis was conducted to reduce waiting times. RESULTS Green and yellow patient arrival-time patterns were similar, but inter-arrival times were 5 and 38 minutes, respectively. Wait-time was 14 minutes for yellow patients, and 4 hours for green patients. The physician staff comprised four doctors per shift. A simulation predicted that allocating one more doctor per shift would reduce wait-time to 2.5 hours for green patients, with a small impact in yellow patients’ wait-time. Maintaining four doctors and allocating one doctor exclusively for green patients would reduce the waiting time to 1.5 hours for green patients and increase it in 15 minutes for yellow patients. The best simulation scenario employed five doctors per shift, with two doctors exclusively for green patients. CONCLUSION Waiting times can be reduced by balancing the allocation of doctors to green and yellow patients and matching the availability of doctors to forecasted demand patterns. Simulations of EDs’ can be used to generate and test solutions to decrease overcrowding.
Licença:: (CC BY NC)
DOI: https://doi.org/10.1590/1806-9282.65.12.1476
Appears in Collections:Artigos publicados em periódicos e afins

Show full item record " class="statisticsLink btn btn-primary" href="/jspui/handle/10482/37946/statistics">



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.