anÁlise do fluxo de pacientes em um pronto …
TRANSCRIPT
ANÁLISE DO FLUXO DE PACIENTES
EM UM PRONTO ATENDIMENTO POR
MEIO DA SIMULAÇÃO A EVENTOS
DISCRETOS
Milena Silva de Oliveira
Tábata Fernandes Pereira
Carollini Tumani
Marianna Oliveira
Este trabalho possui o objetivo de melhorar a utilização dos recursos
do pronto atendimento de um hospital visando a redução do tempo de
permanência do paciente no sistema. A análise desse sistema justifica-
se pela criticidade do tempo de espera dos pacientes pelo atendimento,
podendo causar a piora de seu quadro clínico. Além disso, a adição de
recursos não era uma alternativa viável para a solução desse
problema. Para alcançar este objetivo, a metodologia adotada para a
realização do projeto de simulação segue as etapas de Concepção,
Implementação e Análise. Na etapa de concepção foi utilizada a
técnica IDEF-SIM no ambiente do software DIA para a construção do
modelo conceitual. Na etapa seguinte utilizou-se software ProModel14
para a construção do modelo computacional. Após a construção do
modelo computacional validado, foi testado o cenário alternativo que
incluía a redução dos tempos de parada da triagem e da consulta
médica obedecendo uma proporção de redução de 30% e 50%,
respectivamente. Os resultados obtidos mostram que houve uma
diminuição de 70% no tempo de permanência dos pacientes no sistema,
bem como a redução de 76% da variabilidade do processo.
Palavras-chave: Pronto atendimento, Simulação a Eventos Discretos,
simulação aplicada à saúde
XXXVIII ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO “A Engenharia de Produção e suas contribuições para o desenvolvimento do Brasil”
Maceió, Alagoas, Brasil, 16 a 19 de outubro de 2018.
1
1. Introdução
O uso da simulação tem se tornado cada vez mais recorrente em diversas áreas, pois é um
recurso que possibilita uma melhor visualização dos processos e facilita a modificação de
fatores do sistema. Sendo assim, a simulação viabiliza a execução de diversos cenários sem
custos desnecessários, como, por exemplo, o custo de mudanças físicas. Portanto, a simulação
auxilia os gestores na tomada de decisões.
Na área da saúde, considerando os serviços de atendimento prestados à população, é cada vez
mais recorrente a aplicação da simulação, principalmente por envolver fatores humanos com
baixa ou nenhuma tolerância a falhas no sistema. A simulação torna-se assim uma grande aliada
para a identificação de problemas frequentes nesses ambientes e apoia na formulação de
alternativas capazes de otimizar os processos.
Neste trabalho, o objetivo é melhorar a utilização dos recursos disponíveis em um pronto
atendimento de um hospital, de forma a reduzir o tempo de permanência dos pacientes no
sistema. A avaliação será realizada por meio da simulação no software ProModel®, com a
construção de um modelo que reflete a realidade do pronto atendimento, de acordo com os
dados que foram coletados e com as observações no local.
Este artigo se encontra dividido em cinco seções. A primeira mostra a contextualização do tema
desta pesquisa. Já na segunda seção é apresentado o referencial teórico. Na seção três tem-se a
metodologia empregada. Na quarta seção, a metodologia é aplicada. Por fim, a quinta seção
mostra as conclusões e recomendações.
2. Referencial teórico
2.1. Simulação a Eventos Discretos
Segundo Banks et al. (2009), a simulação é a reprodução de operações de um processo real
envolvendo a geração de uma história artificial e sua observação, com o intuito de se fazer
inferências sobre as características operacionais do sistema. De acordo com Harrel, Ghosh e
Bowden (2004), a simulação é a imitação de um sistema real utilizando um modelo
computacional com o objetivo de avaliar e melhorar o desempenho do sistema em questão.
Montevechi et al. (2007) definem a simulação como a importação da realidade para um
ambiente controlado, facilitando assim, o estudo do comportamento desse sistema sob diversas
condições, sem envolver altos custos e/ou riscos físicos.
2
Já a Simulação a Eventos Discretos é uma ferramenta empregada na modelagem de sistemas
reais que alteram o seu estado em momentos discretos no tempo devido a ocorrência de um
evento (CHWIF; MEDINA, 2015). Com a ascensão dos estudos na área de simulação a eventos
discretos é possível reconhecer os inúmeros benefícios obtidos com sua utilização nos mais
diversos sistemas (serviços, manufatura, logística, hospitais e militar) (MIRANDA et al.,
2010).
Assim, a simulação contribui tanto para a análise de problemas quanto para o melhor
entendimento acerca do sistema, podendo auxiliar gestores na tomada de decisão. É importante
considerar também que para os casos de problemas complexos, dinâmicos e com aleatoriedade,
a simulação torna-se a melhor ferramenta (CHWIF; MEDINA, 2015).
2.2. Simulação na área da saúde
A aplicação da Simulação a Eventos Discretos no contexto da saúde tem crescido nas últimas
décadas. De acordo com Young (2005), o fato de o contexto da saúde ser complexo e altamente
intolerante aos erros, cria diversas oportunidades para a aplicação da simulação. A
complexidade destes sistemas, que são em sua maioria dinâmicos e estocásticos, se dá pela
grande interdependência e variabilidade que seus processos apresentam (ROBINSON et al.
2012).
De acordo com Pitt (2008), a Simulação a Eventos Discretos tem focado principalmente
modelos operacionais em departamentos de pronto atendimento, além de problemas com
tempos de espera dos pacientes (SETIJONO, 2010), desempenho operacional (HUANG, 2016)
e alocação de recursos (SHARMA, 2007), entre outros.
Segundo Robinson et al. (2012), os benefícios do uso da simulação no contexto da manufatura
podem ser facilmente transferidos para o contexto da saúde, pois esta possibilita melhorar
processos por meio de testes e experimentos antes que investimentos sejam realizados. Nesse
sentido, a simulação pode ser usada para quantificar o impacto de mudanças em um sistema,
apontando a melhor forma de alocar recursos (SHARMA, 2007).
O envolvimento dos stakeholders é um aspecto importante de um projeto de simulação no
contexto da saúde. Para Baril (2016) é necessário envolver todos os stakeholders de um
processo para garantir a construção de um modelo consistente, a identificação de oportunidades
de melhorias relevantes e o engajamento na execução das mudanças necessárias.
3
3. Metodologia
Neste trabalho foi utilizado o método de pesquisa quantitativa modelagem e simulação,
seguindo a metodologia proposta por Montevechi et al. (2010), em que descrevem um fluxo de
atividades a serem realizadas para a estruturação de um modelo de simulação, segmentado em
três etapas: fase conceitual, fase de implementação e fase de análise. A Figura 1 apresenta essas
etapas.
Figura 1 – Etapas para a elaboração de um modelo de simulação
Fonte: Montevechi et al. (2010)
4
Brooks e Robinson (2001) afirmam que a descrição do modelo que se deseja simular é obtida
pelo modelo conceitual, e este é independente da escolha do software de simulação que será
utilizado.
Para Montevechi et al. (2010), o modelo conceitual não é relevante somente para a fase de
concepção, mas também para obter o modelo operacional, no qual o modelo já está verificado
e validado para o uso em diferentes cenários na fase de análise. Os autores afirmam ainda que
o modelo conceitual acelera o processo de elaboração do modelo computacional e orienta o
estágio de coleta de dados, facilitando a definição dos pontos de coleta.
Neste trabalho, a técnica de mapeamento IDEF-SIM foi empregada para representar o modelo
conceitual e após a validação do modelo conceitual e a formulação dos dados de entrada, inicia-
se a fase de implementação do modelo computacional, no qual foi utilizado o software de
simulação ProModel®.
4. Aplicação
4.1. Concepção
Objetivos e definição do sistema
O objeto de estudo é o setor de pronto atendimento de um hospital que atende aos pacientes de
sua cidade e região. O paciente que chega no pronto atendimento deve fazer uma ficha de
atendimento na recepção, onde será realizado um cadastro. Após seu cadastro, ele deverá
aguardar pela triagem, onde receberá uma classificação de risco que indica o tempo máximo
que poderá aguardar pelo atendimento médico. Essa classificação é estabelecida pelo Protocolo
de Manchester, utilizado para classificar o risco de pacientes que procuram os serviços de
urgência e emergência. Esse protocolo apresenta cinco tipos de classificação para os pacientes:
o vermelho, que deve ser atendido imediatamente, o laranja, que deve ser atendido em até 10
minutos, o amarelo, que deve ser atendido em até 60 minutos, o verde que deve ser atendido
em até 120 minutos e o Azul, que deve ser atendido em até 240 minutos.
Ao ser chamado pelo médico, o paciente passará por uma consulta, e, após isso, poderá ser
encaminhado para algum exame, medicação, internação ou pode ser liberado.
Este trabalho foca as etapas de cadastro, triagem e consulta médica por ser comum a todos os
pacientes que passam pelo fluxo de atendimento e por apresentarem um alto tempo de espera.
5
É importante ressaltar que o modelo não leva em consideração os pacientes vermelhos, pois
eles não seguem o mesmo fluxo dos demais pacientes. Esses são atendidos imediatamente pelo
médico e pela enfermeira, desconsiderando as etapas de cadastro e triagem.
O objetivo da modelagem foi definido como melhorar a utilização dos recursos do pronto
atendimento visando a redução do tempo de permanência do paciente. Este setor foi escolhido
por se tratar de um departamento crítico para o hospital, que tem recebido reclamações pelo
elevado tempo de espera dos pacientes no setor. Por meio de conversas com os gestores do
hospital, identificou-se que, devido a limitações financeiras, não seria possível contratar
recursos adicionais para resolver este problema. Portanto, observou-se a necessidade de estudar
como são utilizados os recursos disponíveis no sistema atual.
Construção e validação do modelo conceitual
O modelo conceitual foi construído com base na técnica IDEF-SIM, utilizando o software
DIA®. As informações utilizadas para a sua construção foram coletadas por meio de visitas ao
hospital, logo, o modelo conceitual pode ser visto na Figura 2.
A validação do modelo conceitual foi realizada face a face com os gestores do hospital,
indicando que o modelo representava a realidade e poderia embasar a modelagem
computacional.
6
Figura 2 – Modelagem conceitual do setor de pronto atendimento do hospital
Fonte: Produção do próprio autor (2018)
7
Modelagem dos dados de entrada
Após a finalização da modelagem conceitual, foi realizada a modelagem dos dados de entrada.
Para a formulação dos dados, foram coletados os tempos de espera dos diferentes tipos de
pacientes, os tempos de cada etapa de atendimento percorrida pelo paciente, os tempos de
parada dos recursos e o intervalo entre as chegadas dos pacientes, além do tempo de
atendimento da recepção para a realização de cadastro dos pacientes e o atendimento ao público
que solicita somente informação. Esta coleta foi feita por meio da observação direta e
cronoanálise, realizada ao longo de seis dias escolhidos aleatoriamente e alternando entre os
períodos da manhã e da tarde.
Os tempos de espera pela triagem foram coletados desde o momento de emissão da Ficha de
Atendimento (FA) pela recepção até o momento em que o paciente entra na sala de triagem. O
tempo de espera pela consulta foi medido desde o momento em que o paciente deixa a sala de
triagem até o momento em que entra no consultório médico.
O tempo de parada da triagem e da consulta médica foi medido desde o momento em que um
paciente deixa a sala até o momento em que o paciente seguinte entra na sala. Este tempo
engloba porosidades, ociosidades e outras atividades de responsabilidade do médico e da
enfermeira. Porém, para este trabalho não foram analisadas com profundidade as
proporções exatas de tais elementos. Apesar disso, sabe-se que existem oportunidades de
eliminação de atividades que não agregam valor para este sistema.
O intervalo entre a chegada de pessoas na recepção foi medido coletando o intervalo a partir
do momento em que uma pessoa chega na recepção e o momento de chegada da pessoa
seguinte.
Também foram identificadas pessoas que entravam na fila da recepção apenas para solicitar
informações, das quais foram coletados os tempos em que eram atendidos, a partir do momento
em que começavam a falar com a recepcionista e finalizando no tempo em que a pessoa deixava
a recepção. Além disso, o hospital forneceu o controle diário do número de pacientes atendidos
de acordo com a classificação de risco.
As distribuições obtidas pela coleta de dados e inseridas no sistema foram as seguintes:
Chegada;
Recepção;
Triagem;
8
Consulta;
Paradas dos recursos.
4.2. Implementação
Construção do modelo computacional
Para construção do modelo computacional utilizou-se o software ProModel®14, considerando
sua grande aceitação e uso em projetos de simulação. Fazendo uso da terminologia adotada
pelo software, as Figuras 3 e 4 fazem referência as entidades e as variáveis, respectivamente.
Entidades
Dentro do modelo computacional foram inseridas cinco entidades, como pode ser visto na
Figura 3.
Figura 3 – Entidades
Fonte: Software ProModel®14
Foi necessário que a primeira entidade “Pessoa_e_paciente” representasse três entidades: as
pessoas que chegam na fila de atendimento; as pessoas que foram apenas pedir informação na
recepção e saem do sistema; e as pessoas que seguem no sistema como paciente, aguardando
pela triagem. Essa lógica de programação foi utilizada para evitar a criação desnecessária de
entidades.
Chegadas
Na lógica das chegadas de entidades foi inserido o comando “tipo de pessoa” = “Tipo de pessoa
chegada”. Isso significa que o atributo “tipo de pessoa” foi igualado a distribuição do usuário
“tipo de pessoa chegada”, sendo possível programar a chegada das pessoas ao sistema, que
solicitam tanto uma informação (41% das pessoas) quanto um atendimento (59% das pessoas).
Variáveis
Foram introduzidas quatro variáveis no modelo que representam a cor de cada paciente após a
triagem. Essas variáveis serão úteis para a lógica de processamento da simulação.
9
Figura 4 – Variáveis
Fonte: Software ProModel®14
O modelo computacional foi simulado por 12 horas, que representa um turno de trabalho, e
foram feitas 999 réplicas, que é o máximo permitido. A Figura 5 mostra o layout do modelo
computacional no ProModel®.
Figura 5 – Layout do modelo computacional
Fonte: Software ProModel®14
10
Verificação do modelo computacional
A verificação do modelo computacional foi dada pela criação de três variáveis: número de
pessoas na fila de chegada, número de pessoas na primeira e na segunda sala de espera, sendo
possível o acompanhamento de seus valores e consequentemente detecção de erros. Esses erros
foram corrigidos rodada a rodada, até a obtenção do atual modelo.
Validação do modelo computacional
O modelo computacional foi validado estatisticamente utilizando o software Minitab® por
meio de um teste para duas médias (2-Sample t). A métrica utilizada na validação foi o tempo
de permanência no sistema do paciente verde, pois os demais tipos de pacientes não
apresentavam dados suficientes. Logo, o modelo computacional é capaz de representar
satisfatoriamente o sistema real, pois não foi identificada diferença entre a média dos dados
reais com os dados simulados. As Figuras 6 e 7 mostram a validação da média e do desvio
padrão, respectivamente.
Figura 6 – Validação da média
Fonte: Software Minitab®
11
Figura 7 – Validação do desvio padrão
Fonte: Software Minitab®
4.3. Análise
Análise do cenário base
A Figura 8 apresenta o estado dos locais de capacidade única no sistema. A recepção conta com
um funcionário dedicado às atividades realizadas nesse local, sendo que a utilização de 37,72%
é máxima. Dentro desse local, a ociosidade é representada por falta de paciente no sistema para
atendimento. Na triagem e no consultório médico existem esses tempos de paradas que foram
inseridos na programação, fazendo alusão às atividades pouco estruturadas que são realizadas
pelo médico e pela enfermeira.
12
Figura 8 – Estados dos locais de capacidade única no sistema
Fonte: Software ProModel®14
Na Tabela 1 é possível ver que, em média, o total de atendimento médico fornecido pelo modelo
é de 42 pessoas por dia em um turno de 12 horas, sendo que 82% dos atendimentos são
pacientes são classificados como verde. Esses tempos médio de permanência no sistema de
cada tipo de paciente foi comparado com o tempo médio de atendimento de cada um deles e
com isso teve-se o tempo de não agregação de valor, ou seja, o tempo que os pacientes estão
esperando para serem atendidos. Nota-se que os pacientes classificados como laranja possuem
uma alta porcentagem de espera pelo seu atendimento, mesmo eles sendo considerados de alta
prioridade. Os demais pacientes estão, em média, dentro do seu respectivo tempo de espera no
sistema, porém esses tempos são consideravelmente altos.
Apesar da classificação de risco dos pacientes ser aplicada somente após a triagem, e não a
partir do momento que a pessoa chega no sistema, a análise acima é válida para computar os
tempos médios de espera das pessoas, visto que eles já apresem o quadro clínico no momento
em que chegam no pronto atendimento. É necessário ressaltar que o tempo de espera é um fator
crítico, pois o quadro do paciente pode piorar durante com a espera. Com isso, exige-se uma
mudança nesse sistema.
13
Tabela 1 – Tempos do sistema
Fonte: Software ProModel®14
Na Tabela 2 pode-se ver o tempo de espera de cada tipo de paciente após a triagem. Observa-
se que o paciente laranja, realmente, em média, espera mais do que o tempo máximo
estabelecido pelo protocolo de Manchester. Já os demais pacientes estão dentro do seu tempo
médio de espera pela consulta médica. Porém, os valores de desvio padrão estão bastante
elevados com relação à média, sendo, até mesmo, superior à média para o caso dos pacientes
azuis. Essa variabilidade dá-se pela interdependência entre as atividades e alta variabilidade do
sistema como um todo e também pelo fato das atividades desempenhadas pelos recursos serem
pouco estruturadas.
Tabela 2 – Tempos após a triagem
Fonte: Software ProModel®14
Nome Replicação Total de
Saídas
Tempo Médio
no Sistema
(Min)
Tempo
Médio em
Operação
(Min)
TNV – Tempo
de não
agregação de
valor (%)
Pessoa e
paciente
Média 42,85 2,22 1,54 31%
Desv. Pad. 6,28 0,40 0,17 -
Paciente
laranja
Média 1,12 32,44 8,15 75%
Desv. Pad. 1,05 33,31 5,96 -
Paciente
amarelo
Média 5,74 50,80 11,85 77%
Desv. Pad. 2,35 22,99 1,84 -
Paciente
verde
Média 34,93 113,33 11,89 90%
Desv. Pad. 6,84 57,43 0,62 -
Paciente
azul
Média 3,25 106,16 9,33 91%
Desv. Pad. 2,94 114,25 5,49 -
Nome Replicação Número de
Observações
Valor
Mínimo
Valor
Máximo
Valor
Médio
Tempo de espera
do paciente
Laranja
Média 1 9.38 17.62 13.27
Desv. Pad. 1 17.10 29.21 20.76
Tempo de espera
do paciente
Amarelo
Média 6 4.04 53.32 22.34
Desv. Pad. 2 8.39 40.41 17.60
Tempo de espera
do paciente
Verde
Média 35 5.19 181.38 85.13
Desv. Pad. 7 21.42 84.43 54.65
Tempo de espera
do paciente Azul
Média 3 39.27 138.12 86.97
Desv. Pad. 3 86.52 149.57 108.66
14
Definição do projeto experimental
Como o objetivo do trabalho é melhorar a utilização dos recursos de forma a reduzir o tempo
de permanência dos pacientes no sistema, foi criado um cenário alternativo contemplando
algumas mudanças com relação ao cenário base. No cenário alternativo, o tempo de parada da
triagem e da consulta médica foi reduzido de 30% e 50%, respectivamente. Essa porcentagem
de redução corresponde ao tempo máximo de utilização da triagem e da consulta médica
quando nenhuma parada é considerada, ou seja, mesmo eliminando esse tempo de parada, as
utilizações desses locais não são aumentadas na mesma proporção.
Execução dos experimentos
Após a sua construção, o cenário ajustado foi simulado com 999 réplicas.
Análise estatística
Na análise estatística, foi realizado novamente o teste 2-Sample t com a mesma métrica
utilizada anteriormente na validação do modelo (tempo de permanência no sistema do paciente
verde).
Logo, o modelo computacional é capaz de representar satisfatoriamente o sistema real, pois não
foi identificada diferença entre a média dos dados reais com os dados simulados. As Figuras 9
e 10 mostram a validação da média e do desvio padrão, respectivamente. Na Figura 9, vê-se
que a média do tempo de permanência dos pacientes classificados como verde é
significativamente diferente daquela mostrada no cenário base, mostrando que a mudança feita
surte um efeito significativamente positivo no sistema. A Figura 10, mostra que a variância do
cenário base é significativamente maior que a variância do cenário alternativo, ou seja, a
variabilidade no sistema foi diminuída de forma significativa.
15
Figura 9 – Validação da média
Fonte: Software Minitab®
Figura 10 – Validação do desvio padrão
Fonte: Software Minitab®
16
5. Conclusões e recomendações
O presente projeto analisou o fluxo de pacientes em um pronto atendimento e a disponibilidade
dos recursos ligada ao atendimento dos pacientes. Logo, foi utilizada a simulação a eventos
discretos com o objetivo de melhorar a utilização dos recursos, visando a redução do tempo de
permanência dos pacientes no sistema.
A coleta de dados para alimentação dos modelos computacionais, realizada através da
observação direta do ambiente em estudo, foi considerada complexa pela necessidade do
monitoramento de vários recursos. O longo tempo de espera dos pacientes no sistema também
dificultou a coleta do tempo de permanência total dos pacientes no pronto atendimento. O local
analisado não apresenta algum tipo de controle desse tempo, sendo a coleta de dados realizada
a única fonte de informação para as análises feitas no trabalho.
Os sistemas voltados à área da saúde são mais complexos de serem simulados se comparados
aos da manufatura, devido à alta interdependência das atividades e variabilidade dos processos.
Isso pode ser constatado na construção dos modelos computacionais nos quais foram
identificados uma alta variância nos tempos coletados. A complexidade também pôde ser vista
na lógica de programação do modelo que exigiu algumas simplificações.
Com a construção do cenário alternativo, observou-se que o tempo de permanência dos
pacientes foi diminuído significativamente, bem como a variabilidade do sistema. Essa redução
foi causada pela diminuição dos tempos de parada na triagem e na consulta médica. Para
alcançar essa redução na prática, podem ser desenvolvidos outros trabalhos visando o
balanceamento das cargas de trabalho, eliminação de atividades que não agregam valor e não
são necessárias e o desenvolvimento de ferramentas de controle do tempo de espera dos
pacientes. Assim, a simulação auxiliou no diagnóstico de melhorias e trouxe uma maior
compreensão sobre o sistema analisado.
Agradecimentos
Os autores agradecem a CAPES, CNPq e FAPEMIG pelo apoio e suporte.
Referências
BANKS, J.; CARSON, J.S.; NELSON, B. L.; NICOL, D.M. Discrete Event System Simulation. 5.ed. Upper
Saddle River, NJ: Prentice Hall, 2009.
BARIL, C. et al. Use of a discrete-event simulation in a Kaizen event: A case study in healthcare. European
Journal of Operational Research, v. 249, n. 1, p. 327-339, 2016.
17
BROOKS, R.J.; ROBINSON, S.L. Simulation and Inventory Control (Texts in Operational Research). Palgrave
Macmillan, 2001.
CHWIF, L.; MEDINA, A. C. Modelagem e simulação de eventos discretos: teoria e aplicações. 4. ed. São
Paulo: Editora Elsevier-Campus, 2015.
HARRELL, C.; GHOSH, B. K.; BOWDEN, R. O. Simulation using promodel. Boston: McGraw-Hill, 2004.
HUANG, Y.; KLASSEN, K. J. Using six sigma, lean, and simulation to improve the phlebotomy process. The
Quality Management Journal, 23(2), 6, 2016.
MIRANDA, R. C.; RIBEIRO, J. R.; MONTEVECHI, J. A. B.; PINHO, A. F. Avaliação da operação de setup
em uma célula de manufatura de uma indústria de autopeças através da simulação a eventos discretos. Revista
Gestão Industrial, 6(3), 2010.
MONTEVECHI, J. A. B. et al. Conceptual modeling in simulation projects by mean adapted IDEF: an
application in a Brazilian tech company. In Simulation Conference (WSC), Proceedings of the 2010 Winter
simulation (pp. 1624-1635). IEEE, 2010.
MONTEVECHI, J. A. B.; PINHO, A. F.; LEAL, F.; MARINS, F. A. S. Application of design of experiments on
the simulation of a process in an automotive industry. In Proceedings of the 39th conference on Winter
simulation: 40 years! The best is yet to come (pp. 1601-1609). IEEE Press, 2007.
PITT, M. et al. Simulation for Strategic Planning in Healthcare: The State of the Art. Briefing paper
produced for NHS Institute, 2008.
ROBINSON, S.; RADNOR, Z. J.; BURGESS, N.; WORTHINGTON, C. SimLean: Utilising simulation in the
implementation of lean in healthcare. European Journal of Operational Research, 219(1), 188-197, 2012.
SETIJONO, D.; MOHAJERI, N. A.; PAVAN, R. U. Decision support system and the adoption of lean in a
swedish emergency ward: balancing supply and demand towards improved value stream. International Journal
of lean six sigma, 1(3), 234-248, 2010.
SHARMA, V.; ABEL, J.; AL-HUSSEIN, M.; LENNERTS, K.; PFRÜNDER, U. Simulation application for
resource allocation in facility management processes in hospitals. Facilities, 25(13/14), 493-506, 2007.
YOUNG, T. An agenda for healthcare and information simulation. Health care management science, 8(3),
189-196, 2005.