Reconstructing End-User Demand under Batch-Level Ambiguity: Flow-Constrained Record Linkage and Audit Allocation in Orthopedic Consignment Networks

Dans le monde à enjeux élevés de la chirurgie moderne, le moment où un chirurgien utilise un dispositif médical n'est que le début d'un parcours administratif complexe. Lorsqu'un hôpital utilise un implant orthopédique, comme une vis pour maintenir un os cassé en place, un dossier clinique est créé pour documenter l'événement. Cependant, le dossier financier qui confirme qui a payé pour cette vis et d'où elle provient arrive souvent plus tard, parfois sous un format différent, et est fréquemment regroupé avec d'autres dispositifs. Cet écart entre l'acte physique de la chirurgie et la trace écrite du commerce crée un angle mort. Les hôpitaux et les distributeurs doivent savoir exactement quel dispositif a été utilisé pour gérer les stocks et la facturation, mais lorsque les registres arrivent tardivement ou sont regroupés, il devient difficile d'associer une vis spécifique à une chirurgie spécifique. Cette incertitude n'est pas seulement un désagrément administratif ; elle peut entraîner des pertes de revenus, des commandes de stocks incorrectes et un manque de clarté sur la manière dont les fournitures médicales circulent réellement dans le système.

Un chercheur nommé Hongjie Jiang s'est donné pour mission de résoudre ce casse-tête dans le contexte spécifique des réseaux de consignation orthopédique. Dans ces réseaux, les dispositaux médicaux sont placés dans les hôpitaux avant d'être vendus, ce qui signifie que l'hôpital détient le stock mais ne paie que ce qu'il utilise. Le défi est que les registres de ce qui a été utilisé arrivent souvent par lots, ce qui rend difficile l'identification de quel lot spécifique de vis provenant d'un distributeur correspond à une chirurgie spécifique. Jiang s'est concentré sur une seule famille de vis spinales utilisées dans un vaste réseau de distributeurs et d'hôpitaux. En examinant un mois de registres chirurgicaux et en les comparant à neuf mois de données de règlement, l'étude a tenté de reconstruire la demande réelle pour ces dispositifs, même lorsque la trace écrite était incomplète ou retardée. L'objectif était de déterminer non seulement quelles vis ont été utilisées, mais aussi de comprendre pourquoi certains enregistrements restaient non appariés et comment consacrer de manière optimale le temps et les ressources limités pour corriger ces décalages.

L'étude a commencé par traiter le processus d'appariement comme un problème de flux plutôt que comme une simple comparaison de listes. Imaginez que vous essayez de faire correspondre un ensemble de clés uniques à un ensemble de serrures alors que certaines clés pourraient s'adapter à plusieurs serrures, et que certaines serrures pourraient avoir été ouvertes par des clés arrivées tardivement. Le chercheur a construit un modèle qui respecte les limites physiques du système : un distributeur ne peut pas fournir plus de vis qu'il n'en a dans son lot, et une seule chirurgie ne peut pas utiliser plus de vis que ce qui a été enregistré. En appliquant ces règles strictes, le modèle pouvait déterminer quels appariements étaient possibles et lesquels étaient impossibles. Lorsque le modèle a tourné, il a trouvé que sur les 540 registres chirurgicaux pouvant être comparés, seuls 229 présentaient une correspondance unique et claire avec un enregistrement de règlement. 84 autres avaient une correspondance, mais il s'agissait de l'une de plusieurs possibilités. Les 311 restants n'avaient aucune correspondance claire. Cela laissait un groupe important de demande « non résolue » qui devait être comprise.

Pour donner un sens à ces 3 de 311 enregistrements non appariés, l'étude a examiné le calendrier et la nature des liens manquants. Il s'est avéré que les raisons du décalage n'étaient pas aléatoires. Environ un tiers des enregistrements non appariés attendaient simplement l'arrivée de leur documentation ; la chirurgie avait eu lieu, mais le règlement financier n'avait pas encore été traité à l'échéance. Un quart des enregistrements non appariés étaient bloqués parce que plusieurs chirurgies concouraient pour le même lot de vis, ou parce que les registres du distributeur étaient trop vagues pour identifier une source unique. Le groupe le plus important, représentant près de la moitié des enregistrements non appariés, semblait appartenir à un chemin totalement différent. Il s'agissait probablement de vis qui avaient circulé via des canaux de vente en gros ou d'autres systèmes d'inventaire qui ne figuraient pas dans les registres de consignation spécifiques étudiés. Le modèle a assigné des probabilités à chacun de ces scénarios, créant ainsi une carte de l'endroit où résidait l'incertitude.

La partie la plus significative de la recherche n'était pas seulement d'identifier les décalages, mais de comprendre comment les corriger efficacement. Les hôpitaux et les distributeurs disposent d'un personnel et d'un temps limités pour examiner ces registres. Ils ne peuvent pas vérifier chaque entrée non appariée. Le chercheur a posé la question suivante : si vous ne pouvez examiner qu'une petite fraction des registres, lesquels devriez-vous choisir pour obtenir le plus de clarté ? Une intuition courante est de vérifier les commandes les plus importantes en premier, en supposant que les grands chiffres sont les plus importants. Cependant, l'étude a révélé que cette approche était inefficace. De nombreuses commandes volumineuses étaient déjà claires et stables, de sorte que leur vérification n'apportait que peu de nouvelles informations. Au lieu de cela, l'étude a proposé une stratégie basée sur la « valeur de l'information ». Cette méthode donne la priorité aux registres qui sont à la fois importants en quantité et hautement incertains. Elle recherche les cas spécifiques où une révision pourrait lever une ambiguïté majeure, comme une chirurgie qui aurait pu être alimentée par trois distributeurs différents.

Lorsque le chercheur a testé cette nouvelle stratégie par rapport à l'ancienne méthode consistant à vérifier les plus grosses commandes, la différence était flagrante. Avec un budget pour examiner seulement 20 % des registres, la nouvelle stratégie résolvait plus de la moitié de l'incertitude totale du système. En revanche, la méthode traditionnelle de vérification des plus grosses commandes ne résolvait qu'environ un tiers de l'incertitude. La nouvelle approche était capable de récupérer autant de clarté avec 40 % de révisions en moins que ce que l'ancienne méthode aurait nécessité pour obtenir un résultat similaire. Cela signifie qu'en se concentrant sur les registres où la confusion est la plus élevée, plutôt que sur les registres ayant simplement les plus grands nombres, les organisations peuvent gagner du temps et de l'argent tout en obtenant une image beaucoup plus claire de leur chaîne d'approvisionnement.

L'étude a également testé si ces conclusions resteraient valables si les données présentaient des différences mineures. Par exemple, que se passerait-il si certains registres étaient des doublons d'une même chirurgie ? Ou si le distributeur le plus actif était retiré de l'analyse ? Dans chaque scénario, la nouvelle stratégie demeurait supérieure. Même lorsque les données étaient simplifiées ou que le réseau changeait, la méthode consistant à cibler les registres à haut volume et haute incertitude surpassait systématiquement l'approche standard. La recherche a également montré que l'incertitude n'était pas répartie uniformément ; elle était fortement concentrée chez certains distributeurs et à certains moments du mois, particulièrement vers la fin du cycle de facturation lorsque les registres sont les plus susceptibles d'être retardés.

En fin de compte, ce travail fournit un guide pratique pour gérer les lacunes invisibles des chaînes d'approvisionnement médical. Il démontre que l'incertitude n'est pas un problème unique à résoudre en vérifiant davantage de données, mais une ressource à gérer en vérifiant les bonnes données. En combinant le calendrier des événements avec les limites physiques de l'inventaire, l'étude offre un moyen de transformer un tas chaotique de registres mal appariés en un plan clair et exploitable. Pour les gestionnaires qui supervisent ces réseaux, le message est clair : ne regardez pas seulement les plus grands chiffres. Cherchez les endroits où l'histoire est floue, et concentrez votre attention là. Cette approche leur permet de réconcilier leurs comptes plus rapidement, de gérer leurs stocks plus précisément et de s'assurer que les dispositifs utilisés pour soigner les patients sont correctement comptabilisés, même lorsque la trace écrite est imparfaite.