1 / 24

Dispositifs Médicaux Réutilisables (DMR) et Stérilisation

Minimisation du temps moyen d’attente des dispositifs médicaux à l’étape de lavage d’un service de stérilisation hospitalier Onur OZTUR K (1) , Maria DI MASCOLO (1) , Marie-Laure ESPINOUSE (1) , Alexia GOUIN (2)

lorene
Download Presentation

Dispositifs Médicaux Réutilisables (DMR) et Stérilisation

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Minimisation du temps moyen d’attente des dispositifs médicaux à l’étape de lavage d’un service de stérilisation hospitalier Onur OZTURK (1),Maria DI MASCOLO (1), Marie-Laure ESPINOUSE (1), Alexia GOUIN (2) (1)Laboratoire G-SCOP, (2)GIPSA-LabGrenoble UniversitésFrance

  2. Dispositifs Médicaux Réutilisables (DMR) et Stérilisation • Dispositifs Médicaux Réutilisables • Stérilisation : • enlever les microorganismes après les interventions chirurgicales • essentielle pour empêcher les infections nosocomiales • processus cyclique

  3. Processus de stérilisation

  4. Contexte général et motivation • Amélioration de la performance du service de stérilisation • Différents critères de performance : le temps de séjour dans le système, le nombre de DM stérilisés par jour, … • Travaux précedents • Modèles spécifiques et génériques de simulation, proposition de modèles stochastiques[ NGO CONG, K. « Etude et amélioration de l’organisation de la production de dispositifs médicaux stériles »Thèse de doctorat, GIPSA-Lab, 2009 ] • Projet 2E2S : enquête auprès de différents hôpitaux de la région Rhône-Alpes • Principal goulet : l’étape de lavage[Enquete 2E2S ; Albert, F., Di Mascolo, M., Marcon, E. « Analyse de différentes stratégies de remplissage de laveurs dans un service de stérilisation de dispositifs médicaux », MOSIM’08]

  5. Améliorer l’organisation du processus de stérilisation

  6. Remplissage des laveurs • Problèmes posés et méthodes de résolution • Conclusion et perspectives

  7. Remplissage des laveurs Predésinfection Rinçage+lavage Stock du lavage OpX OpY • ensemble de DMR = tous les DMR utilisés dans une intervention • ensembles de tailles différentes • instants d’arrivée différents • former des batch pour le lavage • couper les ensembles • décisions à prendre: comment former les batch + quand lancer le lavage • objectifs :minimiserle temps total de lavage, minimiserle nombre de cycles de lavage lancés, minimiser le temps moyen d’attente, ...

  8. Stratégie générale de remplissage des laveurs • pas de stratégie précise pour le remplissage des laveurs • laveurs remplis au fur et à mesure del’arrivée de nouveau DMR • règle générale pour le lancement d’un cycle de lavage: un batch est fermé si un nouvel ensemble de DMR n’entre pas dans le batch • attente trop longue de DMR avant le lavage • durée élevée de pré désinfection • peu d ’échange d’information entre les blocs et le service de stérilisation • arrivées de DMR non connues à l’avance • ¿connaître l’arrivée de DMR à l’avance ?

  9. Modélisation de l’étape de lavage • Problème de remplissage des laveurs / pb. d’ordonnancement par batch • laveurs / machines identiques en parallèle • ensembles de DMR / jobs • instants d’arrivée des DMR / dates de disponibilité des jobs • durée de lavage / durée d’exécution d’un batch • taille d’un ensemble de DMR / taille d'un job • Fonction objectif étudiée : minimiserl’attente moyenne des DMR (∑fj/N) • Toutes les données sont déterministes (intérêt de connaître à l’avance l’arrivée des DMR)

  10. Notation du problème et Complexité disponi-bilité des jobs durées d’exécution égales tailles des jobs capacité machine machines identiques « parallel batching » objectif • P | p-batch;rj; pj=p, wj, B |∑ fj /N • un cas spécial du problème (rj = 0 pour tout jest NP-hard) démontré comme NP-hard (Uzsoy, R., 1994, “Scheduling a single batch processing machine with non identical job sizes”, Int J Prod Res, vol. 32(7), p. 1615-1635.)

  11. Etat de l’art pour l’Ordonnancement par Batch Objectif : [1] Cmax, [2] ∑Cj , [3] ∑wj*Cj

  12. Remplissage des laveurs • Méthodes de résolution • Conclusion et perspectives

  13. Méthodes de résolution • Optimiser la d’attente moyenne →PLNE (solution optimale) • Optimiser le nombre de batch → Modèle ε-contrainte (solution optimale) → Heuristique à horizon glissant (solution approchée)

  14. PLNE Notations : • Données • N nombre de jobs • M nombre de machines • wj taille du job j • rj date de disponibilité du job j • B capacité machine • p durée d’exécution • nb nombre minimum de • batch à former • (nb= ) • Q : un très grand nombre • Variables • xjkm 1 si job j mis dans batch k et sur machine m • 0 sinon • bkm 1 si batch k formé sur machine m • 0 sinon • Skm début d’exécution du batch k sur machine m • fj attente du job j avant le lavage

  15. PLNE chaque job affecté à un batch Contrainte de capacité au cas où le batch k est formé sur la machine m un batch exécuté sur une seule machine les premiers “nb” batch affectés consécutivement sur les machines (afin d’éviter les solutions multiples) début d’exécution du batch k plus grand que les disponibilités des jobs qu’il contient différence de “p” entre les exécutions des batch sur une même machine attente du job j avant le lavage

  16. ε-contrainte • approche multicritère • minimiser ∑ fj /N, puis le nombre de batch en respectant la valeur optimale de l’attente moyenne • schéma de résolution :

  17. Heuristique • Heuristique « Intervalle First Fit » (IFF) • heuristique minimisant le nombre de batch dans un intervalle de temps prédéfini (FF rajoute une caractéristique de minimisation de batch) • 1 Trier les jobs en ordre croissant des rj : L1 • 2 Tant que L1n’est pas vide • 2.1 Mettre le premier job, j1, de L1dans un batch et mettre à jour L1 • 2.2 Définir le moment de décision : t = max (r1 + α*p, prochaine libération parmi toutes les machines) • 2.3 Appliquer l’algorithme « first fit » pour ajouter les jobs j de L1 tels que rj ≤ t, dans le batch actuel • 2.4 Mettre à jour L1, • 2.5 Dès que t est atteint, lancer un cycle de lavage avec le batch précédemment créé, calculer la nouvelle date de disponibilité de la machine • Fin tant que

  18. Spécifications des tests • CPLEX 10.2 • données inspirées du réel et inspirées de Damodaran et Velez-Gallego (2009) (benchmark) • p = 60 minutes • Capacité : 6 DIN • pour les données inspirées du réel : • arrivée job (1-5 arrivées par heure) • pour les données de Damodaran etVelez-Gallego (2009) • p = 10 heures • Capacité : 20 • taille job uniformément créée entre U[1, MaxW] où MaxW la taille max (5 et 20) • disponibilité job U[1, ρZ] (ρ=0.05, 0.1 et 0.05, Z=somme des durées d’exécution des jobs)

  19. Limites de résolution avec ε-contrainte

  20. Comparaisons des résultats (données inspirées du réel) TAM : Temps d’attente moyen en minutes

  21. Comparaisons des résultats (données inspirées du réel)

  22. Autres résultats Exemple illustratif - 4 machines - capacité:6 DIN - durée d’exécution: 60 minutes - nombre d’ensemble de DMR à traiter = 56 - plage horaire du service : 9h30-19h - 15-20 minutes en moyenne entre les différentes arrivées de DMR 34 batch 14 batch TAM : Temps d’attente moyen en minutes

  23. Remplissage des laveurs • Méthodes de résolution • Conclusion et perspectives

  24. Conclusion • Modéliser l’étape de lavage comme un problème d’ordonnancement par batch • Minimisation du temps moyen d’attente pour le lavage • Perspectives • Envisager les incertitudes dans les arrivées de DMR • Proposer des heuristiques correctives, semionline ou online • Impact de l’optimisation du lavage sur tout le système • Correlation entre le nombre de batch et l’attente moyenne (définir une fonction bi-critère)

More Related