MODELLO PREDITTIVO PER LO SMART SCHEDULING DEGLI INTERVENTI TECNICI DI UN LABORATORIO DI DISPOSITIVI MEDICI

MODELLO PREDITTIVO PER LO
SMART SCHEDULING DEGLI
INTERVENTI TECNICI DI UN
LABORATORIO DI DISPOSITIVI MEDICI
Althea Italia S.p.A.
Il gruppo di lavoro
Claudia Di Martino
Dott.ssa in Ingegneria Clinica
DIA – Dipartimento di Ingegneria e Architettura
Università degli Studi di Trieste
Borsista di ricerca
Althea Italia S.p.A.
Descrizione
La Business Unit Workshop di Althea Italia si occupa della gestione e
manutenzione di tecnologie biomediche e fornisce servizi su scala nazionale e
internazionale attraverso laboratori dedicati. Alcune delle tecnologie coinvolte
hanno un forte impatto sulla quotidianità dei servizi sanitari.
Nel 2022 ha effettuato circa 70.000 interventi tecnici su dispositivi multimarca
con modi di guasto altamente variabili grazie a circa 65 tecnici specializzati.
L’imprevedibilità del mix delle apparecchiature in ingresso e la disponibilità dei
tecnici non permettono sempre certezza sui tempi di riparazione e di
restituzione dei dispositivi alle strutture ospedaliere.
Il progetto nasce dalla necessità di superare l’attuale metodologia empirica
adottata e realizzare una procedura di ottimizzazione per la pianificazione e
programmazione degli interventi tecnici.
Il progetto consiste nella realizzazione di un modello predittivo di Smart
Scheduling per la manutenzione di dispositivi medici tramite modelli di
Intelligenza Artificiale e metodiche di Business Intelligence. In particolare, si
utilizzano Big Data e Intelligenza Artificiale per programmare efficientemente
gli interventi di manutenzione, minimizzando i tempi di riparazione e
garantendo la massima disponibilità dei dispositivi medici al personale sanitario.
Focus sul problema:
Il laboratorio di manutenzione di
tecnologie endoscopiche di TS adotta
una metodologia non strutturata basata
sull’esperienza della figura Responsabile
e dalle informazioni relative al contratto
(rispetto termini contrattuali).
• non consente di attribuire in modo
oggettivo la priorità;
• non sempre considera tutte le
variabili che possono determinarla;
• non garantisce una programmazione
e ri-programmazione in tempo reale
all’ingresso di nuovi strumenti;
• le improvvise urgenze creano
inaspettati ritardi ai clienti.
Obiettivi e destinatari del lavoro
Destinatari
Laboratorio di manutenzione della Business Unit Workshop
Althea di tecnologie endoscopiche
Beneficiari
Operatori sanitari e strutture ospedaliere
Creazione di un modello predittivo di Smart Scheduling che consenta una programmazione efficiente, intelligente e dinamica
degli interventi tecnici di manutenzione delle tecnologie endoscopiche della Business Unit Workshop di Althea.
Metodi
Raccolta e analisi dei
dati
Sviluppo dell’algoritmo
Implementazione del modello in
linguaggio Python
Test e
ottimizzazione
L’algoritmo di Smart Scheduling:
➢ L’algoritmo elabora un dataset in formato excel contente la lista e le informazioni dei dispositivi medici in ingresso al laboratorio ed in attesa di
riparazione. Il dataset è caricato in un dataframe di Pandas ed elaborato in modo che l’algoritmo esegua un ordinamento degli interventi sulla
base di un sistema di priorità assegnato Wi. La priorità è assegnata secondo una regola euristica che considera una serie di fattori come:
✓ cliente e tempiste contrattuali
✓ tipologia di strumento e disponibilità di un MD sostitutivo
✓ tempo e specificità dell’intervento manutentivo
✓ criticità dell’intervento: numero e tipologia di strumento per funzione che uno stesso cliente ha in attesa di riparazione
✓ disponibilità del pezzo di ricambio in magazzino
➢ L’algoritmo di ottimizzazione del tipo «assegnamento» basato su una matrice di competenze dei tecnici e di requisiti di competenze per ciascun
intervento di manutenzione genera il miglior affidamento possibile al tecnico specializzato. L’algoritmo massimizza il rispetto dei vincoli delle
skills dei tecnici, del loro piano ferie e della specificità di intervento sulle lavorazioni.
➢ Il sistema si avvale di modelli di machine learning (IA) avanzati: si utilizza la libreria scikit-learn per addestrare un modello di regressione lineare
in grado di prevedere i futuri interventi, ottimizzare la pianificazione ed effettuare analisi predittive su dati storici ventennali degli interventi
manutentivi del laboratorio.
considera una moltitudine di variabili nella determinazione della priorità e nell’affidamento
degli interventi ai tecnici, generando il migliore affidamento possibile al tecnico specializzato.
Risultati e benefici attesi
Determinazione oggettiva della priorità degli
interventi tecnici sugli strumenti in coda di
riparazione.
Minimizzazione del tempo di riparazione e di
restituzione del dispositivo medico al personale
sanitario: grazie alla Smart Scheduling sarà
possibile ridurre il TAT di 1 settimana rispetto
alle tempistiche attuali, migliorando il servizio
fornito.
Ottimizzazione della gestione degli interventi
urgenti: il modello di Smart scheduling
consentirà di gestire in modo più efficiente gli
interventi urgenti sui dispositivi medici.
Innovazione nella modalità di gestione e analisi
dei dati.
Innovazione nella modalità di pianificazione e
programmazione degli interventi manutentivi
sulle tecnologie endoscopiche.
Monitoraggio continuo delle attività e delle
prestazioni del Laboratorio di manutenzione
attraverso indici di performance.
Miglioramento della qualità del servizio e
aumento della soddisfazione del cliente.
Dott.ssa Claudia Di Martino
ext.claudia.dimartino@althea-group.com
Borsista di ricerca
1 de 6

Mais conteúdo relacionado

Similar a MODELLO PREDITTIVO PER LO SMART SCHEDULING DEGLI INTERVENTI TECNICI DI UN LABORATORIO DI DISPOSITIVI MEDICI

Smg 2012 sosel rev7Smg 2012 sosel rev7
Smg 2012 sosel rev7canaleenergia
285 visualizações20 slides

Similar a MODELLO PREDITTIVO PER LO SMART SCHEDULING DEGLI INTERVENTI TECNICI DI UN LABORATORIO DI DISPOSITIVI MEDICI(20)

Smg 2012 sosel rev7Smg 2012 sosel rev7
Smg 2012 sosel rev7
canaleenergia285 visualizações
CV Fabrizio Avanzini - ITA 2012CV Fabrizio Avanzini - ITA 2012
CV Fabrizio Avanzini - ITA 2012
Fabrizio Avanzini440 visualizações
I BENEFICI DELL'IMPARZIALITÀI BENEFICI DELL'IMPARZIALITÀ
I BENEFICI DELL'IMPARZIALITÀ
convegnonazionaleaiic458 visualizações
Analisi del sistema informativo di un'A.O. LombardaAnalisi del sistema informativo di un'A.O. Lombarda
Analisi del sistema informativo di un'A.O. Lombarda
Nicola Volonterio533 visualizações
Cv  m. pasquazzo   ITACv  m. pasquazzo   ITA
Cv m. pasquazzo ITA
Marcello Pasquazzo421 visualizações
Premio forum pa sanita 2021   auto mdr on-issPremio forum pa sanita 2021   auto mdr on-iss
Premio forum pa sanita 2021 auto mdr on-iss
PaoloIzzo365 visualizações
Premio forum pa sanita 2021   documento di approfondimentoPremio forum pa sanita 2021   documento di approfondimento
Premio forum pa sanita 2021 documento di approfondimento
AntoniettaSantoro92 visualizações
PROGETTO WONDERPROGETTO WONDER
PROGETTO WONDER
convegnonazionaleaiic300 visualizações
Storia di successo Profesia: TEXA & IBMStoria di successo Profesia: TEXA & IBM
Storia di successo Profesia: TEXA & IBM
Profesia Srl, Lynx Group51 visualizações

Mais de convegnonazionaleaiic(20)

PROGETTO ICAREPROGETTO ICARE
PROGETTO ICARE
convegnonazionaleaiic156 visualizações
MODELLO DI PIANO DI RINNOVO TRIENNALEMODELLO DI PIANO DI RINNOVO TRIENNALE
MODELLO DI PIANO DI RINNOVO TRIENNALE
convegnonazionaleaiic57 visualizações
INTEROPERABILITÀ E ODONTOIATRIA: PACS E DATA RETRIEVEINTEROPERABILITÀ E ODONTOIATRIA: PACS E DATA RETRIEVE
INTEROPERABILITÀ E ODONTOIATRIA: PACS E DATA RETRIEVE
convegnonazionaleaiic87 visualizações
FLASH NEXT HYBRID TROLLEY CON INTELLIGENZA ARTIFICIALEFLASH NEXT HYBRID TROLLEY CON INTELLIGENZA ARTIFICIALE
FLASH NEXT HYBRID TROLLEY CON INTELLIGENZA ARTIFICIALE
convegnonazionaleaiic391 visualizações
SERVIZIO DI HYPERCARE CON PIATTAFORMA INTEGRATA PER CONTROL ROOMSERVIZIO DI HYPERCARE CON PIATTAFORMA INTEGRATA PER CONTROL ROOM
SERVIZIO DI HYPERCARE CON PIATTAFORMA INTEGRATA PER CONTROL ROOM
convegnonazionaleaiic254 visualizações

MODELLO PREDITTIVO PER LO SMART SCHEDULING DEGLI INTERVENTI TECNICI DI UN LABORATORIO DI DISPOSITIVI MEDICI

  • 1. MODELLO PREDITTIVO PER LO SMART SCHEDULING DEGLI INTERVENTI TECNICI DI UN LABORATORIO DI DISPOSITIVI MEDICI Althea Italia S.p.A.
  • 2. Il gruppo di lavoro Claudia Di Martino Dott.ssa in Ingegneria Clinica DIA – Dipartimento di Ingegneria e Architettura Università degli Studi di Trieste Borsista di ricerca Althea Italia S.p.A.
  • 3. Descrizione La Business Unit Workshop di Althea Italia si occupa della gestione e manutenzione di tecnologie biomediche e fornisce servizi su scala nazionale e internazionale attraverso laboratori dedicati. Alcune delle tecnologie coinvolte hanno un forte impatto sulla quotidianità dei servizi sanitari. Nel 2022 ha effettuato circa 70.000 interventi tecnici su dispositivi multimarca con modi di guasto altamente variabili grazie a circa 65 tecnici specializzati. L’imprevedibilità del mix delle apparecchiature in ingresso e la disponibilità dei tecnici non permettono sempre certezza sui tempi di riparazione e di restituzione dei dispositivi alle strutture ospedaliere. Il progetto nasce dalla necessità di superare l’attuale metodologia empirica adottata e realizzare una procedura di ottimizzazione per la pianificazione e programmazione degli interventi tecnici. Il progetto consiste nella realizzazione di un modello predittivo di Smart Scheduling per la manutenzione di dispositivi medici tramite modelli di Intelligenza Artificiale e metodiche di Business Intelligence. In particolare, si utilizzano Big Data e Intelligenza Artificiale per programmare efficientemente gli interventi di manutenzione, minimizzando i tempi di riparazione e garantendo la massima disponibilità dei dispositivi medici al personale sanitario. Focus sul problema: Il laboratorio di manutenzione di tecnologie endoscopiche di TS adotta una metodologia non strutturata basata sull’esperienza della figura Responsabile e dalle informazioni relative al contratto (rispetto termini contrattuali). • non consente di attribuire in modo oggettivo la priorità; • non sempre considera tutte le variabili che possono determinarla; • non garantisce una programmazione e ri-programmazione in tempo reale all’ingresso di nuovi strumenti; • le improvvise urgenze creano inaspettati ritardi ai clienti.
  • 4. Obiettivi e destinatari del lavoro Destinatari Laboratorio di manutenzione della Business Unit Workshop Althea di tecnologie endoscopiche Beneficiari Operatori sanitari e strutture ospedaliere Creazione di un modello predittivo di Smart Scheduling che consenta una programmazione efficiente, intelligente e dinamica degli interventi tecnici di manutenzione delle tecnologie endoscopiche della Business Unit Workshop di Althea. Metodi Raccolta e analisi dei dati Sviluppo dell’algoritmo Implementazione del modello in linguaggio Python Test e ottimizzazione L’algoritmo di Smart Scheduling: ➢ L’algoritmo elabora un dataset in formato excel contente la lista e le informazioni dei dispositivi medici in ingresso al laboratorio ed in attesa di riparazione. Il dataset è caricato in un dataframe di Pandas ed elaborato in modo che l’algoritmo esegua un ordinamento degli interventi sulla base di un sistema di priorità assegnato Wi. La priorità è assegnata secondo una regola euristica che considera una serie di fattori come: ✓ cliente e tempiste contrattuali ✓ tipologia di strumento e disponibilità di un MD sostitutivo ✓ tempo e specificità dell’intervento manutentivo ✓ criticità dell’intervento: numero e tipologia di strumento per funzione che uno stesso cliente ha in attesa di riparazione ✓ disponibilità del pezzo di ricambio in magazzino ➢ L’algoritmo di ottimizzazione del tipo «assegnamento» basato su una matrice di competenze dei tecnici e di requisiti di competenze per ciascun intervento di manutenzione genera il miglior affidamento possibile al tecnico specializzato. L’algoritmo massimizza il rispetto dei vincoli delle skills dei tecnici, del loro piano ferie e della specificità di intervento sulle lavorazioni. ➢ Il sistema si avvale di modelli di machine learning (IA) avanzati: si utilizza la libreria scikit-learn per addestrare un modello di regressione lineare in grado di prevedere i futuri interventi, ottimizzare la pianificazione ed effettuare analisi predittive su dati storici ventennali degli interventi manutentivi del laboratorio. considera una moltitudine di variabili nella determinazione della priorità e nell’affidamento degli interventi ai tecnici, generando il migliore affidamento possibile al tecnico specializzato.
  • 5. Risultati e benefici attesi Determinazione oggettiva della priorità degli interventi tecnici sugli strumenti in coda di riparazione. Minimizzazione del tempo di riparazione e di restituzione del dispositivo medico al personale sanitario: grazie alla Smart Scheduling sarà possibile ridurre il TAT di 1 settimana rispetto alle tempistiche attuali, migliorando il servizio fornito. Ottimizzazione della gestione degli interventi urgenti: il modello di Smart scheduling consentirà di gestire in modo più efficiente gli interventi urgenti sui dispositivi medici. Innovazione nella modalità di gestione e analisi dei dati. Innovazione nella modalità di pianificazione e programmazione degli interventi manutentivi sulle tecnologie endoscopiche. Monitoraggio continuo delle attività e delle prestazioni del Laboratorio di manutenzione attraverso indici di performance. Miglioramento della qualità del servizio e aumento della soddisfazione del cliente.
  • 6. Dott.ssa Claudia Di Martino ext.claudia.dimartino@althea-group.com Borsista di ricerca