Die integrierte häusliche Pflege (ADI) ist ein Schlüsseldienst, der die Kontinuität der Pflege für gebrechliche, chronische und post-akute Patienten direkt zu Hause sicherstellt. Die steigende Nachfrage, die alternde Bevölkerung und die zunehmende klinische Komplexität machen es immer notwendiger, die begrenzten Ressourcen effizient zu nutzen. In operativer Hinsicht erfordert ADI komplexe und voneinander abhängige tägliche Entscheidungen:
- Zuweisung von Krankenschwestern zu Patienten
- Planungsrunden (Hausbesuche)
- Verwaltung von Fuhrpark und Fahrzeugen, Koordinierung von Zeitfenstern, klinischen Prioritäten und Kontinuität der Pflege
Die manuelle Verwaltung dieses Prozesses oder die Verwendung statischer Regeln führt leicht zu ineffizienten Routen, unausgeglichenen Lasten und Schwierigkeiten bei der Anpassung an unvorhergesehene Ereignisse. Daher ist ein quantitativer und datengesteuerter Ansatz erforderlich, um gemeinsam die Routenplanung und die Zuweisung von Personal und Fahrzeugen zu optimieren und gleichzeitig eine hohe Servicequalität zu gewährleisten. Die Implementierung wurde im Kontext einer großen ASST (>1,1 Millionen Einwohner) mit zwei Standorten für die territoriale Verwaltung des schnell wachsenden ADI-Dienstes entwickelt.
Methodischer Ansatz
Schritt 1: Integrierte Allokations- und Routingmodellierung
Der ADI-Dienst wird als ein integriertes Problem formalisiert:
- Krankenschwester-Patient-Zuweisung,
- Routenplanung mit Zeitbeschränkungen (Besuchsfenster).
Der Arbeitstag wird beschrieben durch: Aufenthaltsort der Patienten, Dauer der Dienste, Zeitfenster, benötigte Fähigkeiten; Ressourcen durch: Schichten, Verfügbarkeit von Fahrzeugen, organisatorische Zwänge. Dadurch wird ein verwalteter Prozess messbar und steuerbar.
Schritt 2: Optimierung und Szenarioanalyse für operative und strategische Entscheidungen
Auf der Grundlage der Formalisierung wird ein Optimierungsmodell entwickelt, das
- minimiert die Reisezeit/Entfernungen,
- gleicht die Last zwischen den Betreibern aus,
- achtet auf Einschränkungen und Prioritäten.
Das Modell, das mit realen Daten gespeist wird, ermöglicht sowohl die tägliche Planung als auch die Analyse von Szenarien (Änderungen der Nachfrage, der Ressourcen oder der Flotte), um Entscheidungen über die Größe und Organisation zu unterstützen.
Ergebnisse
Verkürzte Fahrzeiten
Effizientere Routen, weniger Gesamtkilometer (-12%) und bessere Fahrzeugauslastung.
Bessere Verteilung der Arbeitslast
Gleichmäßigere Verteilung der Patienten auf die Krankenschwestern, weniger Überlastung und mehr Nachhaltigkeit in der Organisation.
Höhere Servicekapazität mit den gleichen Ressourcen
Mehr Besuche pro Tag mit der gleichen Anzahl von Krankenschwestern und Fahrzeugen durch effizientere Planung möglich (+8%-10%).
Erhöhte operative Belastbarkeit
Möglichkeit der Neuplanung bei Notfällen oder unvorhergesehenen Ereignissen (Abwesenheiten, klinische Veränderungen) unter Einhaltung der Zeitfenster.
