Data-Driven Bed Capacity Planning Using $M_t/G_t/\infty$ Queueing Models with an Application to Neonatal Intensive Care Units

Questo studio propone un framework basato su dati e modelli di coda $M_t/G_t/\infty$ per una pianificazione dinamica della capacità delle unità di terapia intensiva neonatale, dimostrando come le euristiche statiche siano inadeguate di fronte alla variabilità temporale della domanda e della durata della degenza.

L'essenziale

Immagina di essere il capitano di una grande nave, ma invece di navigare su un oceano, la tua nave è un Reparto di Terapia Intensiva Neonatale (NICU), dove i piccoli pazienti sono i passeggeri e i letti sono le cabine.

Il problema è questo: non sai mai esattamente quanti passeggeri arriveranno domani, né quanto tempo rimarranno a bordo. A volte arriva una "tempesta" di nascite, a volte c'è calma piatta. E a volte, i passeggeri rimangono in cabina molto più a lungo del previsto.

Se pianifichi i letti basandoti solo sulla media storica (come dire: "in media arrivano 10 bambini al mese"), rischi di trovarti con la nave piena di passeggeri in piedi mentre tu pensi che ci siano ancora posti liberi. Oppure, rischi di avere troppe cabine vuote che costano soldi inutilmente.

Questo articolo è come una mappa meteorologica avanzata per i capitani degli ospedali. Ecco come funziona, spiegato in modo semplice:

1. Il vecchio modo di fare (La "Regola del 85%")

Fino a poco tempo fa, gli ospedali usavano una regola semplice: "Mantieni l'occupazione al 85% e va tutto bene".
È come dire: "Se la nave è piena all'85%, siamo sicuri di non affondare".
Il problema? Questa regola ignora le tempeste. Se arriva un'ondata improvvisa di passeggeri (una "surge"), anche se la media mensile è bassa, potresti trovarti con il 120% di passeggeri in un singolo giorno. La nave è sovraccarica, lo staff è stressato e i bambini potrebbero non trovare posto subito.

2. La nuova soluzione: Il "Modello Mt/Gt/∞"

Gli autori hanno creato un nuovo sistema che non guarda solo la media, ma guarda il tempo che passa.
Immagina di avere un oracolo matematico che fa tre cose:

• Ascolta il ritmo delle maree (Arrivi): Non guarda solo il numero totale di nascite, ma analizza quando arrivano. Sa che in certi mesi arrivano più bambini, o che ci sono picchi specifici. Usa una tecnica chiamata "STL" che è come separare il rumore di fondo dalla musica vera e propria per vedere il ritmo reale.
• Prevede la durata del viaggio (Soggiorno): Non assume che tutti i bambini restino lo stesso tempo. Sa che alcuni restano 3 giorni, altri 30. Analizza la "forma" di queste durate: sono tutte uguali o c'è molta variabilità?
• Simula il futuro: Invece di dire "servono 20 letti", dice: "Se vuoi essere sicuro al 99% di non avere mai un bambino senza letto, anche durante la tempesta peggiore, ti servono 31 letti".

3. L'analogia del "Paracadute"

Pensa alla capacità del reparto come a un paracadute.

• Il vecchio metodo ti diceva di usare un paracadute della taglia media. Se saltavi da un'altezza normale, andava bene. Ma se saltavi da un aereo in picchiata (una richiesta improvvisa), il paracadute si rompeva.
• Il nuovo metodo calcola la taglia del paracadute in base alla probabilità di una caduta pericolosa. Se vuoi essere sicuro al 99% di atterrare sani e salvi, devi usare un paracadute più grande (più letti). Sì, costerà di più e sarà più pesante da trasportare nei giorni di calma, ma ti salva la vita quando serve davvero.

4. La sorpresa: Più variabilità, meno letti?

C'è una scoperta curiosa nel paper. Di solito pensiamo che se le cose sono imprevedibili (alta variabilità), serve più spazio.
Ma qui hanno scoperto che, se i bambini escono in modo molto disordinato (alcuni partono subito, altri restano lunghissimo), in realtà si crea meno "ingorgo" simultaneo. È come se gli autobus lasciassero i passeggeri in momenti diversi: la fermata non si intasa tutta insieme.
Al contrario, se tutti escono nello stesso momento (bassa variabilità), si crea un picco di domanda di letti che richiede più spazio. È controintuitivo, ma la matematica lo conferma!

5. Guardando avanti: Il "Motore delle Nascite"

Infine, il sistema non guarda solo il passato. Si collega ai dati demografici.
Immagina di sapere che tra 5 anni nasceranno più bambini in quella città. Il modello usa queste informazioni per dire: "Oggi ti servono 20 letti, ma tra 5 anni, se la popolazione cresce, ti serviranno 25". Ti permette di pianificare l'acquisto di nuovi letti prima che la nave si riempia davvero.

In sintesi

Questo studio dice agli ospedali: "Smettete di guardare solo la media. Guardate le tempeste, guardate le onde e preparatevi con un paracadute della misura giusta."

Non si tratta solo di risparmiare soldi, ma di garantire che, quando arriva un bambino malato, ci sia sempre un letto pronto per lui, anche nei giorni più caotici. È un passaggio da una pianificazione "statica" (come un calendario fisso) a una pianificazione "dinamica" (come un GPS che aggiorna il percorso in tempo reale).

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento in italiano, strutturata secondo le sezioni richieste.

Titolo: Pianificazione della Capacità dei Letti Basata sui Dati Utilizzando Modelli di Code Mt/Gt/∞ con Applicazione alle Unità di Terapia Intensiva Neonatale (NICU)

1. Il Problema

Le unità di terapia intensiva (ICU), in particolare le NICU, affrontano sfide significative nella pianificazione a lungo termine della capacità a causa della domanda incerta e non stazionaria.

• Limiti degli approcci attuali: Le pratiche tradizionali si basano su modelli di code in stato stazionario (es. M/M/c) o su euristiche fisse, come la "regola dell'85%" (mantenere l'utilizzo medio al di sotto dell'85% per garantire resilienza). Questi metodi assumono tassi di arrivo e durata della degenza (LOS - Length of Stay) costanti nel tempo.
• La realtà dinamica: In realtà, i tassi di ammissione fluttuano (stagionalità, dinamiche demografiche) e la distribuzione della LOS varia in base alla gravità dei pazienti, alle pratiche cliniche e alla composizione dei casi.
• Conseguenze: Gli approcci basati su medie a lungo termine tendono a sottostimare i picchi di occupazione, portando a sovraccarichi quotidiani (spesso superiori al 100% della capacità) anche quando le medie annuali sembrano sicure. Inoltre, la variabilità della LOS, non solo la sua media, è cruciale per determinare quanto i pazienti si sovrappongono nel sistema.

2. Metodologia

Gli autori propongono un quadro di lavoro data-driven basato sul modello di coda Mt/Gt/∞ (code a server infiniti con tassi di arrivo e distribuzione dei servizi variabili nel tempo). Questo modello è scelto perché riflette la priorità di ammissione immediata nelle cure critiche (assenza di code di attesa, ma presenza di sovraccarico delle risorse).

Il framework si articola in quattro componenti principali:

1. Stima dei Tassi di Arrivo e della Media della LOS (STL Decomposition):

   • Utilizzando dati storici di ammissioni e LOS, viene applicata la decomposizione STL (Seasonal-Trend decomposition using Loess).
   • Una ricerca su griglia (grid search) ottimizza i parametri per separare trend, stagionalità e rumore, generando stime lisce e temporali dei tassi di ammissione ($\lambda_t$) e della media della LOS ($\mu_t$).

2. Modellazione della Distribuzione della LOS:

   • Vengono adattate distribuzioni parametriche (Weibull, Lognormale, Gamma, Fisk, Esponenziale) ai dati storici.
   • Un'analisi chiave rivela che il parametro di forma ($\kappa$) rimane stabile nel tempo, mentre la media e la varianza variano. Il modello fissa $\kappa$ per sito e ricalibra i parametri rimanenti per adattarsi ai momenti temporali (media e varianza) stimati tramite STL.
   • Vengono calcolate probabilità di sopravvivenza condizionate $P(S > u | \tau = t-u)$ per ogni giorno.

3. Stima dell'Occupazione Attesa (Convolution):

   • L'occupazione attesa $\rho_t$ al giorno $t$ è calcolata come la convoluzione dei tassi di ammissione passati con le probabilità di sopravvivenza della LOS:
     $$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u | \tau = t-u)$$
   • Questo approccio cattura l'effetto cumulativo delle ammissioni passate e della variabilità della durata della degenza.

4. Pianificazione della Capacità e Proiezioni Future:

   • Strategie di Capacità:
     • Basata sulla media: $B_{average} = \bar{\rho} + \sqrt{\bar{\rho}}$ (aggiunta di un buffer statistico).
     • Vincolata dall'overflow: Si minimizza il numero di letti $B$ tale che la probabilità di superare una soglia di utilizzo $\gamma$ (es. 85% o 100%) sia inferiore a un rischio accettabile $\alpha$ (es. 1% o 5%). Si assume che l'occupazione segua una distribuzione di Poisson con media $\rho_t$.
   • Proiezioni Future: Un modulo guidato dalle nascite proietta la domanda futura combinando le previsioni demografiche (nascite) con la ricampionamento dei pattern storici di arrivo e LOS, permettendo scenari "what-if".

3. Contributi Chiave

• Framework Mt/Gt/∞ Non Stazionario: Integrazione di tassi di arrivo e distribuzioni di LOS variabili nel tempo in un modello di coda analitico e tracciabile, superando le limitazioni dei modelli stazionari.
• Gestione della Variabilità della LOS: Dimostrazione che la varianza della LOS è un fattore critico per la pianificazione della capacità, influenzando la sovrapposizione dei pazienti e i picchi di occupazione.
• Spostamento dall'Utilizzo alla Resilienza: Passaggio da regole basate sull'utilizzo medio (es. 85%) a soglie basate sulla probabilità di overflow, fornendo garanzie esplicite di resilienza.
• Adattamento ai Dati Reali: Applicazione a dati reali di 5 siti NICU a Calgary, con un metodo per correggere le trasferenze tra siti guidate dalla capacità, stimando la domanda "intrinseca" di ciascun sito.

4. Risultati

L'analisi è stata condotta su dati NICU di Calgary (2016-2023).

• Inadeguatezza delle Regole Fisse: La regola dell'85% ha portato a sottostimare la capacità necessaria. Ad esempio, in un sito con alta variabilità, l'occupazione ha superato il 100% della capacità pianificata in oltre il 23% dei giorni, nonostante l'utilizzo medio fosse vicino all'85%.
• Trade-off Efficienza-Resilienza:
  • Le strategie vincolate all'overflow ($B_{0.05}$ e $B_{0.01}$) richiedono più letti rispetto alla media storica per mantenere il rischio di sovraccarico basso.
  • Questo riduce l'utilizzo medio (es. dal 85% al 56-65%), ma protegge dai picchi.
  • Il modello mostra che ridurre la varianza della LOS (rendendola più deterministica) paradossalmente aumenta la capacità necessaria in un sistema a server infiniti, poiché concentra le dimissioni e aumenta la sovrapposizione temporale.
• Proiezioni Future: Le proiezioni per il 2030 indicano che, mantenendo costanti i tassi di ammissione per nascita, sono necessari 4-6 letti aggiuntivi per la strategia a rischio moderato (5%) e 8-13 letti per la strategia conservativa (1%) rispetto alle stime basate sulla media.
• Disparità tra Siti: L'analisi ha rivelato squilibri strutturali nascosti dalle trasferenze tra ospedali; un sito ad alta domanda richiederebbe significativamente più letti se dovesse gestire la propria domanda senza trasferimenti.

5. Significato e Implicazioni

• Supporto Decisionale: Il framework offre un supporto interpretabile e basato sui dati per i decisori sanitari, permettendo di quantificare esplicitamente il rischio di congestione.
• Pianificazione Dinamica: Sostituisce le regole statiche con un approccio che si adatta alle fluttuazioni temporali e alle tendenze demografiche.
• Gestione del Rischio: Evidenzia che l'efficienza operativa (alta occupazione media) e la resilienza (protezione dai picchi) sono in conflitto in sistemi non stazionari. La scelta della soglia di capacità deve riflettere la tolleranza al rischio dell'istituzione.
• Generalizzabilità: Sebbene applicato alle NICU, il modello è trasferibile ad altre unità ICU e contesti ospedalieri dove la domanda e la durata della degenza sono variabili nel tempo.

In sintesi, lo studio dimostra che la pianificazione della capacità ospedaliera deve abbandonare le medie statiche a favore di modelli stocastici non stazionari che incorporino la variabilità temporale e la distribuzione completa della durata della degenza per garantire la sicurezza dei pazienti e la sostenibilità operativa.