<!DOCTYPE article PUBLIC "-//NLM//DTD JATS (Z39.96) Journal Archiving and Interchange DTD v1.0 20120330//EN" "JATS-archivearticle1.dtd">
<article xmlns:xlink="http://www.w3.org/1999/xlink">
  <front>
    <journal-meta />
    <article-meta>
      <title-group>
        <article-title>Multiagentensimulation zur Prozessoptimierung in der Strahlentherapie</article-title>
      </title-group>
      <contrib-group>
        <contrib contrib-type="author">
          <string-name>Rainer Herrler</string-name>
          <email>herrler@ki.informatik.uni-wuerzburg.de</email>
          <xref ref-type="aff" rid="aff1">1</xref>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Oliver Kölbl</string-name>
          <xref ref-type="aff" rid="aff0">0</xref>
        </contrib>
        <contrib contrib-type="author">
          <string-name>Frank Puppe</string-name>
          <email>puppe@ki.informatik.uni-wuerzburg.de</email>
          <xref ref-type="aff" rid="aff1">1</xref>
        </contrib>
        <aff id="aff0">
          <label>0</label>
          <institution>Klinik für Strahlentherapie, Universität Würzburg</institution>
        </aff>
        <aff id="aff1">
          <label>1</label>
          <institution>Lehrstuhl VI, Institut für Informatik, Universität Würzburg</institution>
        </aff>
      </contrib-group>
      <abstract>
        <p>Zahlreiche Beispiele aus Industrie und Forschung zeigen, dass Simulation ein nützliches Instrument zur Prozessoptimierung ist. Multiagentensimulation ist insbesondere auch zur Abbildung dynamischer Wechselwirkungen und flexibler Interaktionen geeignet. Diese spielen im Bereich der verteilten Terminplanung im Krankenhaus eine große Rolle und sind mit traditionellen Simulationsmethoden nur ungenügend zu realisieren. Ein spezialisiertes Baukastensystem basierend auf der Entwicklungsumgebung SeSAm soll das Erstellen von Simulationsmodellen im klinischen Bereich erleichtern. Erste Resultate werden anhand der Simulation einer Strahlentherapieklinik illustriert.</p>
      </abstract>
    </article-meta>
  </front>
  <body>
    <sec id="sec-1">
      <title>1. Einleitung</title>
      <p>
        Die Organisation und Optimierung von Terminen ist eine der wichtigsten
NebenAufgaben im klinischen Alltag [
        <xref ref-type="bibr" rid="ref1">1</xref>
        ]. Mit ihren Auswirkungen auf die Auslastung des
Personals und der Geräte stellt sie als solches auch einen viel versprechenden Bereich
für Kostensenkungen dar. Gleichzeitig muss jedoch auch die Autonomie der
einzelnen Funktionseinheiten und die Dynamik der Umgebung (Notfälle usw.)
berücksichtigt werden. Verschiedene Maßnahmen können zur Optimierung durchgeführt werden
wie z.B. die Beschaffung von zusätzlichen Geräten, die Einführung von
Schichtbetrieb oder einer alternativen Planungsstrategie [
        <xref ref-type="bibr" rid="ref2">2</xref>
        ]. Sichere Aussagen über die
Auswirkungen solcher Maßnahmen auf zu optimierende Zielgrößen können dabei meist
nicht a priori gemacht werden. Simulationsmodelle helfen an dieser Stelle, indem sie
bessere Einschätzungen liefern und Entscheidungen unterstützen, da Experimente
schnell, kostengünstig und gefahrlos am Rechner durchgeführt werden können.
      </p>
      <p>
        Abhängig von der Fragestellung bieten sich verschiedene Simulationstechniken an.
Warteschlangenmodelle sind bei einfachen Ressourcenfragen geeignet, bieten jedoch
in komplexeren Szenarien mit individuellen Patientenpräferenzen, und
unterschiedlichen Planungsstrategien zu wenig Flexibilität [
        <xref ref-type="bibr" rid="ref3">3</xref>
        ]. Die Multi-Agenten-Simulationen
bieten dagegen diese Möglichkeiten und erlauben zudem eine sehr intuitive
Modellierung der Szenarios [
        <xref ref-type="bibr" rid="ref4">4</xref>
        ].
      </p>
      <p>Die Organisationsstruktur und die Abläufe in Kliniken unterscheiden sich nicht
nur von Fachbereich zu Fachbereich sondern ebenso zwischen den einzelnen
Standorten sehr stark. Simulationsergebnisse können deshalb in der Regel nicht
verallgemeinert werden und es sind angepasste Modelle für verschiedene Kliniken
notwendig.</p>
      <p>Dieser Betrag beschreibt wie mit Hilfe der Simulationsumgebung SeSAm
(http://www.simsesam.de) ein Modell für eine Strahlentherapie-Klinik erstellt wurde
und welche Untersuchungsfragen damit realisiert werden können. Das
Simulationsmodell wurde in einer Kooperation der Klinik für Strahlentherapie und dem Lehrstuhl
für künstliche Intelligenz der Universität Würzburg erstellt. Im Weiteren werden
Erweiterungen vorgestellt, die das allgemeine Entwicklungswerkzeug SeSAm zu
einem einfachen „Klinikbaukasten“ erweitern, der die Grundzüge der Domäne bereits
berücksichtigt, jedoch auch den Unterschieden der Kliniken gerecht wird.</p>
    </sec>
    <sec id="sec-2">
      <title>2 Beschreibung der Abläufe in der Strahlentherapie</title>
      <p>In der Behandlung bösartiger Erkrankungen hat die Strahlentherapie heute neben der
Operation und der Chemotherapie ihren festen Platz. Die Patienten werden meist vom
Hausarzt eingewiesen und ambulant behandelt. Nach dem ersten Erscheinen werden
zunächst einige Termine für Untersuchungen und Einstellungen gemacht, bevor die
Patienten nach etwa 8 Tagen zu täglichen Bestrahlungen bestellt werden. Die Planung
der ersten Untersuchungen ist dabei am kritischsten, da die sie kurzfristig erfolgen
muss und viele Randbedingungen (z.B. Zeitabstand zw. Untersuchungen) beachtet
werden müssen. Nach der ärztlichen Aufnahme in der Poliklinik wird entschieden,
welcher von drei möglichen Behandlungspfaden durchgeführt wird. Der
Behandlungspfad gibt vor, welche medizinischen Aktionen (siehe Abbildung 1) in welcher
Reihenfolge durchgeführt werden sollen. Dabei gibt es verschiedene Ressourcen zur
Durchführung der Aktionen: ein spezielles Durchleuchtungsgerät (Simulator), in dem
eine geeignete Lagerung des Patienten bestimmt wird, ein CT zur Ermittlung der
Lage von Organen und vier Bestrahlungsgeräte zur Behandlung. Die erste
Bestrahlung (auch genannt Neueinstellung) dauert etwas länger als die nachfolgenden und sie
wird deshalb zu speziell reservierten Planungszeiten durchgeführt. Sobald die
Patienten den Einstellungsprozess durchlaufen haben, kommen sie zur täglichen
Bestrahlung, wobei im Schnitt 30 Behandlungen durchgeführt werden.</p>
      <p>Die Planung wird unter Berücksichtigung von Reihenfolge- und Zeitconstraints
nach der ärztlichen Aufnahme von einer MTA durchgeführt. Bei der Planung wird
von den durchschnittlichen Zeitdauern aus Abbildung 2 ausgegangen, die in der
Durchführung jedoch abweichend sein kann.
Abbildung 1. Tabelle mit Informationen über Zeitdauern und Ressourcen
Basierend auf dem in Abschnitt 3 dargestelltem Szenario wurde in der
Modellierungsumgebung SeSAm ein Simulationsmodell erstellt, das die Planungsvorgänge
und die Patientenbehandlung nachbildet (siehe Abbildung 2).</p>
      <p>Damit eine leichte Anpassung des Modells an andere Szenarien nach dem
„Baukastenprinzip“ möglich wird, wurde SeSAm um spezialisierte Dialoge und Editoren
erweitert. Simulationsparameter wie Anzahl, Art und Öffnungszeiten der Geräte
können hier ohne aufwendigere Modelländerungen eingegeben werden.
Behandlungspfade für verschiedene Krankheiten können definiert werden und eine
Verteilungsfunktion bestimmt den Patientenmix und die Ankunftsrate von neuen Patienten.
Abbildung 2. Laufendes Modell der Strahlentherapie. Patienten besuchen die
Funktionseinheiten zu vorgeplanten Terminen. Die Auslastung der Geräte wird protokolliert.
Das Simulationsmodell ermöglicht, mit den Modellparametern als „Stellschrauben“
zu experimentieren und es können geänderte Alternativmodelle erstellt werden.
Mögliche Untersuchungsfragen für vergleichende Evaluationen sind:
•
•
•</p>
      <p>Ermittlung der Auslastungsgrenzen für bestimmte Szenarien
Das Patientenaufkommen kann durch die Änderung der Ankunftsverteilung
gesteuert werden. Durch kann ermittelt werden, bis zu welchem
Patientenaufkommen Planung und Ressourcenaustattung ausreichend sind.</p>
      <p>Auswirkungen von Pufferzeiten
Zeitpuffer zwischen den geplanten Terminen ermöglichen ein flexibleres
Reagieren auf ungeplante Anforderungen (Notfälle). Zugleich können sich
Zeitpuffer negativ auf die Auslastung auswirken.</p>
      <p>Umgang mit Geräteausfall
Bei Ausfall eines der vier Bestrahlungsgeräte verknappen sich die
verfügbaren Termine, so dass für Ausgleich gesorgt werden muss. Hier boten sich in
der Strahlentherapie zwei Möglichkeiten: Zum einen könnte
ZweiSchichtbetrieb an einem weiteren Gerät eingeführt werden oder leicht
verlängerte Arbeitszeiten an allen Geräten durchgeführt werden.</p>
      <p>In SeSAm bereitgestellte Analysefunktionen ermöglichen das Speichern von
Zeitreihen zu Parametern oder die Ausgabe von Parameterwertern in Diagrammen.
Auswirkungen von Modelländerungen auf die durchschnittliche Wartezeit eines
Patienten und die Auslastung der Geräte sind deshalb gut zu beobachten.</p>
      <p>Zur Optimierung eines Systems mit Hilfe der Simulation sind drei Schritte
durchzuführen:
1. Ist-Zustand als Modell nachbilden.
2. Modell validieren.</p>
      <p>3. Optimierungen im Modell erproben.</p>
      <p>Bei der Simulation mit dem IST-Modell der Strahlentherapie konnten auch in der
Realität auftretende Phänomene, wie periodisches Schwanken der Auslastung
bestimmter Geräte, beobachtet werden. Auch die in der Simulation ermittelten
Auslastungsgrenzen stimmen mit der Realität überein. In dem so validierten Modell sollen
als nächster Schritt oben erwähnte Optimierungsfragen untersucht werden.</p>
    </sec>
    <sec id="sec-3">
      <title>5. Zusammenfassung und Ausblick</title>
      <p>Entscheidungsträger im Krankenhauswesen sind ständig damit konfrontiert, die
Qualität der Versorgung zu garantieren als auch ein wirtschaftliches Arbeiten des
Krankenhauses zu sorgen. Folgen von Optimierungsansätzen sind jedoch meist schwer zu
kalkulieren. Durch die intuitive und realitätsnahe Modellierung eignet sich die
MultiAgenten-Simulation sehr gut zum Experimentieren mit solchen verteilten Systemen.
Die Realisierung eines spezialisierten Werkzeuges für den klinischen Bereich
ermöglicht einen einfachen und effizienten Zugang zum Thema Simulation. Natürlich ist zu
überprüfen, ob die Ergebnisse des abstrahierten Modells auch der Realität
entsprechen, bei Benutzung eines gut validierten Ausgangsmodells kann man jedoch
zuverlässige Aussagen über die Realität machen.</p>
      <p>Die Anwendung des entwickelten Grundsystems auf andere Kliniken soll zeigen,
welche weiteren Anforderungen an solch ein Werkzeug gestellt werden müssen.
Dabei steht die Repräsentation und Simulation klinischer Pfade im Vordergrund, da
das Spektrum von Krankheiten in vielen Kliniken sehr heterogen ist.</p>
    </sec>
    <sec id="sec-4">
      <title>Literatur</title>
    </sec>
  </body>
  <back>
    <ref-list>
      <ref id="ref1">
        <mixed-citation>
          [1]
          <string-name>
            <surname>Schlüchtermann</surname>
            <given-names>J.</given-names>
          </string-name>
          <string-name>
            <surname>Patientensteuerung</surname>
          </string-name>
          . Verlag Josef Eul, Bergisch Gladbach, (
          <year>1990</year>
          ).
        </mixed-citation>
      </ref>
      <ref id="ref2">
        <mixed-citation>
          [2]
          <string-name>
            <surname>Sepúlveda</surname>
            ,
            <given-names>J.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Thompson</surname>
            ,
            <given-names>W.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Baesler</surname>
            ,
            <given-names>F.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Alvarez</surname>
            ,
            <given-names>M.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Cahoon</surname>
            ,
            <given-names>L.</given-names>
          </string-name>
          :
          <article-title>The Use of Simulation for Process Improvement in a Cancer Treatment Center</article-title>
          .
          <source>Proc. of 1999</source>
          Winter Simulation conference, P. Farrington,
          <string-name>
            <given-names>H.</given-names>
            <surname>Nembhard</surname>
          </string-name>
          ,
          <string-name>
            <given-names>D.</given-names>
            <surname>Sturrock</surname>
          </string-name>
          , and G.
          <source>Evans (eds.)</source>
          ,
          <fpage>1541</fpage>
          -
          <lpage>1547</lpage>
          ,
          <year>1999</year>
          .
        </mixed-citation>
      </ref>
      <ref id="ref3">
        <mixed-citation>
          [3]
          <string-name>
            <surname>Sibbel</surname>
            ,
            <given-names>R.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Urban</surname>
            ,
            <given-names>C.</given-names>
          </string-name>
          :
          <article-title>Agent-Based Modelling and Simulation for Hospital Management</article-title>
          . in: Saam,
          <string-name>
            <given-names>N.</given-names>
            ,
            <surname>Schmidt</surname>
          </string-name>
          ,
          <string-name>
            <surname>B</surname>
          </string-name>
          . (eds.): Cooperative Agents. Kluwer academic publishers, Boston (
          <year>2001</year>
          )
        </mixed-citation>
      </ref>
      <ref id="ref4">
        <mixed-citation>
          [4]
          <string-name>
            <surname>Klügl</surname>
            ,
            <given-names>F.</given-names>
          </string-name>
          ;
          <string-name>
            <surname>Oechslein</surname>
            ,
            <given-names>C.</given-names>
          </string-name>
          ;
          <string-name>
            <surname>Puppe</surname>
            ,
            <given-names>F.</given-names>
          </string-name>
          ,
          <string-name>
            <surname>Dornhaus</surname>
            ,
            <given-names>A.</given-names>
          </string-name>
          <article-title>: Multi-Agent Modelling in Comparison to Standard Modelling In: AIS'2002 (Artificial Intelligence, Simulation and Planning in High Autonomy Systems)</article-title>
          ,
          <string-name>
            <given-names>F. J.</given-names>
            <surname>Barros</surname>
          </string-name>
          ,N. Giambiasi (eds.) SCS Publishing House,
          <fpage>105</fpage>
          -
          <lpage>110</lpage>
          ,
          <year>2002</year>
        </mixed-citation>
      </ref>
    </ref-list>
  </back>
</article>