Utilisation de la simulation pour améliorer les horaires des médecins et des équipements dans un département de Radio-Oncologie

En 2000, le cancer est devenu la première cause de mortalité au Québec. Depuis, le nombre de mortalités liées au cancer ne cesse de croître. À ce facteur s'ajoute le vieillissement de la population, la pénurie des spécialistes et les coûts croissants des opérations, représentant des défis de taille pour les départements de Radio-Oncologie. Ces derniers, malgré ces différents facteurs, ont l'obligation d'offrir un service de qualité à la population. À ce titre, la radiothérapie est de plus en plus utilisée comme traitement contre le cancer. Cependant, la réussite de ce type de traitement dépend du délai d'attente des patients avant de recevoir leur traitement, délai encadré par le ministère de la santé et des services sociaux, et de la capacité à réaliser des sessions de traitements aux patients sans interruptions. Ce dernier point est un enjeu majeur pour les départements de Radiothérapie qui y parviennent difficilement. Une des causes de cette difficulté réside dans la gestion des priorités des patients. Les départements traitent principalement des patients palliatifs et des patients curatifs. Les patients palliatifs, prioritaires, ont un délai court pour recevoir les sessions de traitement. Ceci conduit souvent à des bouleversements importants dans la planification des traitements engendrant même des reports de début de traitement pour des patients curatifs et énormément d'activités à non-valeur ajoutées sans compter les frustrations au sein des équipes. Cette présente recherche s'applique à résoudre les problèmes d'organisation des départements de Radio-Oncologie afin d'optimiser le nombre de patients traités et maximiser l'utilisation des ressources humaines et matérielles tout en fournissant un haut niveau de service dans le respect des différentes normes. L'analyse touche aux différents aspects du processus de traitement des patients atteints de cancer, à commencer par une rencontre avec le radio-oncologue, spécialisé selon le type de cancer, pour déterminer la pertinence de suivre un traitement de radiothérapie. Si le traitement est approuvé, les étapes qui suivent sont la localisation de la zone à traiter à l'aide d'un CT-Scan, la planification du traitement par l'unité de dosimétrie et les vérifications du traitement par une simulation. La complexité de ce processus pousse à l'utilisation d'outil avancé tel que la simulation à évènement discret. Le modèle développé dans cette recherche a permis de tester divers scénarios « What-if » afin d'étudier les façons de réduire au maximum le délai entre l'approbation du médecin lors de la consultation et le premier traitement du patient. Plusieurs défis ont été rencontrés durant le développement du modèle. Ce dernier est basé sur le fonctionnement futur d'un département de Radio-Oncologie situé à Laval mais qui n'était pas encore fonctionnel. La stratégie de collecte de données a permis de pallier à ce problème grâce à des rencontres avec divers spécialistes du milieu et des analyses de données en provenance d'autres hôpitaux. D'un point de vue technique, les frontières larges du modèle pour représenter toute la chaîne des opérations, soit depuis la consultation jusqu'au dernier traitement, ont poussé à développer une réflexion importante sur les stratégies de modélisation. Au final, le modèle inclut 4 accélérateurs linéaires et plus de 30 professionnels de la santé ayant divers spécialités. Or la clé du succès dans la gestion des opérations est la coordination entre ces différents professionnels. Ces derniers ont le choix de réaliser à un moment donné différentes tâches. Au niveau du simulateur, les prises de décisions ont été modélisées sous forme d'arbre de décision permettant de prioriser les différentes tâches selon plusieurs conditions en utilisant l'approche « agent-based model ». Le modèle offre trois applications majeures. D'abord, une analyse des flux de patients qui, pour le département de radio-oncologie en question, a permis de cibler avec précision le goulot dans le processus, comme par exemple le manque de dosimétristes, et d'amener des solutions viables. Des résultats sur le respect de la norme provinciale et de la grille de classification des types de cancer ont permis à l'administration d'ajuster leur stratégie de gestion et ceci avant l'ouverture du département. Une autre application de ce modèle consiste en la standardisation des tâches des médecins qui a également été testée pour le département étudié. Le principal bénéfice de cette standardisation est de pouvoir préparer un patient en 5 jours versus 20 jours. Finalement, pour que les traitements palliatifs n'interfèrent pas sur les traitements curatifs, le modèle a permis d'analyser la faisabilité de réserver des plages des accélérateurs linéaires exclusivement aux traitements palliatifs. Il est à souligner qu'une validation des résultats obtenus par la simulation a été effectuée après l'ouverture du département. Cette validation a permis de constater la robustesse du modèle. La principale faiblesse réside dans le nombre de plages à réserver pour les patients palliatifs. Le modèle a sous-évalué ce nombre mais la taille de l'échantillon reste encore faible pour conclure. Enfin, des recommandations génériques sont proposées pour l'ensemble des départements de Radio-Oncologie sur le calcul de capacité des accélérateurs en prenant en compte la variabilité des traitements, sur la gestion des ressources humaines en considérant leur productivité et sur la politiques des rendez-vous pour les CT-Scan et sur les accélérateurs linéaires. La première recommandation est la détermination du nombre de patients pouvant être traité annuellement. L'approche actuelle est une moyenne du nombre de traitements pour les patients curatifs et les patients palliatifs conduisant à une surestimation de la capacité des accélérateurs. L'approche proposée considère la variabilité du nombre de traitements donnant un portrait plus juste de la capacité des accélérateurs linéaires. La deuxième recommandation est la gestion des rendez-vous pour les patients curatifs. L'approche actuelle est de réserver la première plage disponible aux patients. Cette approche pose des problèmes sur la priorisation au sein des patients curatifs. Deux solutions sont proposées mais non testées. La première est de systématiquement retarder le rendez-vous des patients curatifs moins prioritaires pour assigner des plages libres aux patients plus prioritaires et la deuxième solution est de développer un modèle de recherche opérationnelle. La troisième recommandation est de réserver au moins 3 plages par accélérateur linéaire pour les patients palliatifs pour une proportion de 27% de patients palliatifs demandant un traitement de radiothérapie. La quatrième recommandation est la standardisation des tâches des médecins en développant un calendrier hebdomadaire pour 7 médecins. Ceci permettrait de préparer un patient en 5 jours. La cinquième recommandation est le balancement des ressources pour 4 accélérateurs linéaires. Différents scénarios ont permis de déterminer le nombre idéal de ressources pour les différentes tâches. Au final, le modèle ainsi développé peut servir d'outil stratégique de planification pour les administrations, afin d'analyser par exemple l'impact des différentes arrivées de patients à partir des données collectées, ce qui permettra de prendre rapidement des décisions stratégiques sans requis d'investissements pour la mise en place de tests pilotes.

Abstract

In 2000, cancer became the leading cause of death in Quebec and the number of cancer-related deaths has since been increasing. In addition to this fact, the aging of the Canadian population, the shortage of specialists and the increase of costs of operation represent significant challenges for Radio-Oncology treatment centers throughout the country. The latter, despite these factors, have an obligation to provide quality service to the public. As such, radiation therapy is increasingly used as a form of treatment against cancer. However, the success of this type of treatment depends on the delay before patients start receiving their treatment, delay regulated by the Ministry of Health and Human Services. The success of the radiotherapy session depends also on the ability to conduct sessions with patients without treatment interruptions which is a major issue for radio-oncology departments who deal with the complex issue of patient prioritization. Two main types of patients are treated in a radio-oncology department: palliative and curative patients. For palliative patients, who have to be treated in priority, the delay before receiving treatment has to be short as prescribed by the Minsitry of Health and Human Service. This constraint often leads to major upheavals in treatment planning generating postponements of curative treatment start for some patients in addition to creating a significant amount of non value-added activities within the process as well as frustration within the team. The present research aims to solve organizational challenges that Radio-Oncology departments are facing in order to maximize the number of patients and the use of human and material resources while providing a high level of service in respect to governmental standards. An analysis is also made of the various key processes relating to the treatment of cancer patients, beginning with a start-off consultation with the specialized radiation oncologist to determine which treatment is best suited for the patient. If treatment is approved, the following step is the localization of the affected area by CT-Scan, followed by the planning of the treatment by the dosimetry unit and finally a validation of the success of the treatment. The complexity of this process leads to the use of advanced tools such as discrete event simulation. The model developed in this research was used to test various "what-if" scenarios in order to study ways to minimize the waiting period between the moment the physician approves the radiotherapy treatment during the start-off consultation and the moment the patient actually receives his first treatment. Several challenges were encountered during the development of this model. Indeed, this model is based on the future running of a Radio-Oncology department located in Laval which was not yet functional at the time it was developed. The data collection strategy has made it possible to overcome this problem through validation meetings with various specialists in the field and analysis of records coming from established hospitals. From a technical standpoint, the broad boundaries of the model to represent the entire chain of operations led to an important reflection on modeling strategies. Ultimately, the model includes four linear accelerators and more than 30 health professionals with various specialties. The key to success in operations management is the coordination between the different professionals who have to attend to multiple tasks. In the simulator, the decisions have been modeled as a decision tree to prioritize tasks according to several conditions using the approach “agent-based model.” The model has three major applications. First, flow analysis of patients which, for the department of radio-oncology in question, allowed precise targeting of bottlenecks in the process, such as the lack of dosimetrists, and proposal of viable solutions. Results on the compliance with regulations have allowed the administration to adjust their management strategy before the opening of this department. Another application of this model is the standardization of physicians' tasks which was also tested for the department studied. The main benefit of this standardization has been the reduction of patient waiting time from 20 to 5 days in the preparation process. Finally, to make sure that palliative treatments do not interfere with curative treatments, the model was used to analyze the feasibility of dedicating slots in the use of the linear accelerators for palliative treatments only. It is noteworthy that a validation of the results of the simulation was performed after the creation of the department. This validation showed the robustness of the model, the main weakness, however, lying in the number of slots to be reserved for palliative patients. The model underestimated the count but the sample size remains too small to conclude. Finally, general recommendations are offered for Radio-Oncology departments when determining the capacity of accelerators and managing their resources. The first one concerns the estimation of the number of patients being treated annually. The current approach is based on an average number of treatments for curative and palliative patients leading in some cases to an overestimation of the ability of accelerators. The proposed approach considers the variability in the number of treatments giving a more accurate picture of the capacity of linear accelerators. The second recommendation is in regards to managing appointments for patients curative. The current approach is to reserve the first track available to patients. This approach generates conflicts in the prioritization among curative patients. Two solutions have been put forward and have yet to be tested. The first is to systematically delay the appointment of curative patients, with a lower priority, to be able to assign empty slots to higher priority cases. The second solution is to develop an operational research model to improve management of appointments. The third recommendation is to book at least three slots per linear accelerator for palliative patients. The fourth recommendation concerns the standardization of physicians' tasks by developing a weekly schedule for seven doctors. This standardization of tasks would make it possible to prepare a patient in five days. The fifth recommendation is in regards to number of resources needed to operate four linear accelerators. Various scenarios were used to determine the ideal number of resources to assume the different tasks. In conclusion, the model developed can serve as a strategic tool for administrators in order to analyze the impact of patient flow from data collected, which will make it possible to make strategic decisions faster and avoid the cost of investing in pilot tests.