LINFA – Logistica Intelligente per il Farmaco

 

Linfa – Logistica Intelligente per il Farmaco

Sito web: http://webgol.dinfo.unifi.it/Linfa

 

Descrizione sintetica di parte delle attività di interesse del laboratorio GOL, estratte dal progetto approvato:

LINFA – Logistica Intelligente per il Farmaco

Il Progetto LINFA si propone l’obiettivo scientifico di definire metodi e modelli per il supporto alle decisioni relative alla logistica distributiva del farmaco, dei dispositivi e di altro materiale all’interno della catena logistica. Sarà data enfasi particolare alla logistica del farmaco a livello del singolo reparto ospedaliero, non solo per sviluppare modelli utili in diversi contesti reali, ma anche per sviluppare e poter testare alcune metodologie che, seppur sviluppate a scala micro, restano valide e costituiscono un punto di partenza per l’estensione a contesti più ampi, quali l’eventuale magazzino di reparto, la farmacia o magazzino di ospedale, il deposito (o i depositi) centrali regionali.

Obiettivo Operativo 2

Saranno investigate soluzioni specifiche per contesti identificati nell’Obiettivo Operativo 1. Una finalizzazione più concreta farà riferimento all’organizzazione nel contesto della Regione Toscana, in cui esiste un magazzino centrale di fornitura di medicinali e dispositivi che garantisce consegne frequenti. In particolare, si valuteranno efficacia ed efficienza di soluzioni nelle quali unità distinte (ad esempio, le strutture organizzative che corrispondono a reparti ospedalieri e ambulatori aziendali) collaborano al fine di realizzare, per specifici farmaci o dispositivi, un “magazzino virtuale” fisicamente distribuito all’interno delle strutture ospedaliere. L’applicabilità di tali soluzioni logistiche dipende in maniera cruciale da sistemi di supporto alle decisioni delle singole unità per la gestione delle scorte, che devono tener conto dell’inventario e della domanda prevista per ciascuna unità. Per questo, analizzando il caso del singolo reparto (o della Struttura Organizzativa Dipartimentale o SOD), uno degli scopi prefissati è quello di fornire strumenti previsionali, metodi di ottimizzazione e strumenti di simulazione discreta per lo sviluppo di strumenti che siano di supporto per il personale addetto alla gestione degli ordini di replenishment. L’idea è quella di sviluppare, attraverso metodologie rigorose, un supporto per determinare, in modo razionale, un suggerimento su cosa, quanto, quando ordinare in funzione delle necessità prevedibili e dei costi e tempi di approvvigionamento. Spesso, nell’organizzazione logistica del farmaco, non è presente un magazzino di ospedale, ma le consegne vengono effettuate direttamente ai singoli reparti. Il personale responsabile di reparto svolge molte operazioni, spesso manuali e ripetitive, quali:

  • compilazione della richiesta di ripristino settimanale;
  • compilazione di (eventuali) richieste di ripristino urgenti;
  • controllo della merce alla ricezione e confronto con ordinato;
  • carico dell’armadio;
  • controllo delle scorte;
  • calcolo del fabbisogno orario/giornaliero;
  • prelievo dai magazzini dei presidi necessari alle terapie;
  • controllo delle scadenze.

In questo tipo di organizzazione, le criticità più rilevanti emerse nell’indagine e nei colloqui preliminari alla stesura di questa proposta risultano essere le seguenti:

  • non esiste correlazione diretta tra richiesto e consumato nei reparti, e questo si traduce in incertezza sulle giacenze di magazzino;
  • non vi è un feedback immediato sui consumi di reparto;
  • gli armadi dei reparti e la farmacia non sono collegati in rete;
  • il database dei presidi disponibili in magazzino non è consultabile direttamente.

Uno dei maggiori obiettivi da perseguire è quello di razionalizzare il flusso dei materiali garantendone la disponibilità in reparto al momento del bisogno; inoltre risulta basilare facilitare la conoscenza di ciò che viene realmente consumato in reparto. In generale gli obiettivi della gestione logistica possono essere sintetizzati nei seguenti:

  • riduzione della spesa sanitaria;
  • riduzione delle scorte in magazzino;
  • riduzione costi di gestione;
  • ottimizzazione delle risorse disponibili;
  • riduzione del rischio per i pazienti;
  • prevenzione errori di somministrazione;
  • monitoraggio in tempo reale delle terapie;
  • rintracciabilità di strumenti e materiale sanitario.

All’interno di questo obiettivo operativo si intendono studiare alcuni strumenti di supporto alle decisioni di singolo reparto (o unità) o di insiemi di reparto fra loro collegati, nel senso che, almeno per alcuni farmaci o dispositivi, le decisioni di prelievo dallo stock esistente possano essere effettuate in regime di cooperazione (ad esempio, un reparto sprovvisto può utilizzare il farmaco presente in un diverso reparto, oppure, pur disponendo di una scorta adeguata, preferisce utilizzare il farmaco di un diverso reparto in quanto più vicino alla scadenza).

[…]

La ricerca svilupperà e combinerà due diversi approcci alla previsione del fabbisogno nel breve/medio periodo, che rispondono a diversi scenari di applicazione spesso coesistenti:

  1. metodi che operano una previsione a partire dai dati storici sul consumo di farmaci;
  2. metodi che effettuano una previsione a partire dai protocolli terapeutici applicati alle diverse classi di degenti e del processo di arrivo degli stessi.

La previsione basata su dati storici impiegherà metodi di analisi delle serie temporali (ad esempio, modelli ARIMA) e metodi di clustering e machine learning per l’attribuzione di “pattern” di evoluzione futura della serie storica ad articoli nuovi o con storico limitato e/o inaffidabile, sfruttando l’informazione statistica di serie storiche con caratteristiche simili. Nell’ambito di questa attività verranno sviluppati e sperimentati, sia su dati simulati che, possibilmente, su dati reali, strumenti avanzati di previsione di serie storiche, anche basati su SVM (support vector machines) e SVR (support vector regression). I risultati di questa attività, anche se eventualmente sperimentati su piccola scala, potranno fornire strumenti di previsione utili anche a livello aggregato ed a scala maggiore, come, ad esempio, nella previsione a breve/medio tempo dei fabbisogni di farmaci e dispositivi a livello regionale, sia sulla base di dati di consumo storici, sia sulla base di variabili esterne di regressione. La disponibilità di previsioni accurate è di fondamentale importanza per la corretta pianificazione di scorte. L’estensione dell’ambito della ricerca a scale maggiori quali quella regionale potrà richiede lo studio di modelli di previsione e regressione per grandi moli di dati, eventualmente da effettuare su architetture distribuite e, possibilmente, attraverso meccanismi di apprendimento on-line (dove il termine si riferisce al fatto che l’addestramento del sistema di previsione avviene in modo sequenziale avendo a disposizione, ad ogni istante, solo un sottoinsieme dei dati storici).

[…]

Attività 2.2 – Metodi e modelli per la gestione ottimizzata delle scorte localiIn questo ambito si studieranno, valuteranno ed implementeranno in forma prototipale alcuni strumenti di decisione relativi alle variabili caratteristiche dei processi di ordine: quantitativo da mantenere in scorta (scorte di sicurezza), quantitativo da ordinare sulla base della giacenza attuale, del lead time, del livello di incertezza e del livello di servizio (affidabilità) richiesto, frequenza dell’ordine, se oggetto di decisione (verranno valutati anche gli effetti di politiche di ordine semplici, quali, ad esempio, quella di effettuare un ordine settimanale periodico). Sebbene questi temi siano classici e ricorrenti in letteratura, il contesto analizzato si pone come particolarmente complesso e tale da richiedere ricerche specifiche. I motivi sono vari: la grande quantità di farmaci e dispositivi oggetto di indagine, la loro deperibilità, le possibili sostituzioni, l’incertezza relativa al fabbisogno reale, i costi complessivamente molto elevati, lo scarso livello di automazione delle procedure di replenishment attualmente utilizzate, una, seppur limitata, incertezza sui tempi di consegna. Nell’ambito di questa attività verranno studiati modelli per la gestione ottimizzata dell’ordine e delle scorte di sicurezza e verranno implementati software prototipali di supporto alla decisione allo scopo di poter, eventualmente mediante simulazione, validare le politiche di riordino individuate. Verranno analizzati i metodi per il supporto razionale alle decisioni in funzione dei metodi di gestione delle scorte utilizzati in reparto (ordini periodici, ordini basati sul livello di scorta, kanban, sistemi a “doppio contenitore”, …)

Anche qui, come nel tema precedente, l’analisi sarà inizialmente focalizzata su piccola scala (reparto); tuttavia gli sviluppi previsti riguardano scale più ampie, per arrivare al supporto alla decisione di replenishment a livello regionale ed alla valutazione della localizzazione ottimale di scorte e magazzini.

Sarà inoltre valutata la robustezza stocastica delle soluzioni identificate dall’ottimizzazione per mezzo della simulazione ad eventi discreti. I modelli di inventory management, si basano, solitamente, su valori deterministici delle variabili in gioco (e.g. valori medi o mediani) di fatto trascurando la loro natura stocastica. L’introduzione di ipotesi semplificative e l’utilizzo di grandezze deterministiche può generare problemi di robustezza, qualora tali modelli vengano implementati in contesti reali in cui le grandezze sono libere di variare e le ipotesi semplificative formulate non sono rispettate o sono rispettate in parte. La formulazione di modelli di programmazione stocastica, se da un lato consente di considerare della stocasticità all’interno del modello di ottimizzazione, dall’altro richiede spesso la formulazione di ipotesi troppo semplificative che compromettono l’implementabilità del modello stesso. In questa fase, oltre ad investigare tecniche per la programmazione stocastica, ad esempio basate su Markov decision process, si selezioneranno alcuni dei modelli deterministici sopra citati e si testeranno attraverso il simulatore usando dati reali o realistici. In particolare, il modello simulativo: Implementerà al suo interno uno o più modelli di ottimizzazione e sarà in grado di interagire con i più comuni solver necessari alla loro risoluzione. istanzierà i modelli di ottimizzazione/euristiche con dati (deterministici) relativi alla domanda prevista ed alla disponibilità di risorse e delle iterazioni precedenti) leggerà le soluzioni generate dai modelli di ottimizzazione e riprodurrà quella che sarebbe la dinamica del sistema se le soluzioni fossero implementate in ambiente stocastico. I valori assunti da ciascuna variabile stocastica saranno campionati da opportune distribuzioni di probabilità. In funzione ai valori di domanda generati dal simulatore, e del relativo consumo di farmaci, calcolerà di nuovo i dati necessari per istanziare di nuovo il modello in modo iterativo ( punto 2). Ripetendo il ciclo 2-4 per molte iterazioni sarà possibile valutare nel lungo periodo e in ambiente stocastico le prestazioni ottenibili implementado determinati algoritmi di gestione delle scorte. Come detto, il modello utilizzerà distribuzioni di probabilità per caratterizzare le diverse grandezze stocastiche in gioco quali, ad esempio:

(i) la domanda di farmaci (opportunamente stratificati per tipologia di farmaco e SOD); (ii) i tempi di approvvigionamento; (iii) la disponibilità delle risorse (personale infermieristico, magazzinieri); (iv) l’affidabilità delle spedizioni (e.g. facendo ipotesi diverse in funzione dei sistemi di tracciabilità implementati); (v) l’affidabilità delle prescrizioni (frequenza con cui vengono emessi ordini incompleti sbagliati); (vi) Il verificarsi di eventi anomali che determinano picchi di domanda per determinate classi di farmaci.

Per l’individuazione di tali distribuzioni saranno utilizzate, ove possibile, le tecniche descritte nell’Attività 2.1. Una volta realizzato, verificato e validato il modello consentirà la conduzione di esperimenti attraverso i quali sarà possibile, stimare l’effetto di determinati fattori sulle prestazioni del sistema e l’eventuale presenza di interazioni significative tra i fattori stessi. Anche in funzione dei dati a disposizione, si verificherà la possibilità di creare delle superfici di risposta e/o dei metamodelli regressivi, facilmente implementabili in SW di gestione, che potranno essere usati dall’utilizzatore finale per predire le prestazioni del sistema a partire alcuni parametri significativi. Infine, applicando opportune tecniche quantitative (e.g. gradient estimation), sarà valutata la sensibilità della delle prestazioni (output) del sistema al variare di alcuni parametri.

Attività 2.3 – Analisi e valutazione di modelli di gestione di magazzini di reparto virtuali distribuiti

In questa attività si studieranno modelli di cooperazione fra unità distinte (ad esempio, reparti) orientati alla gestione efficace ed efficiente delle scorte. L’ipotesi da cui si parte è quella di poter gestire magazzini fisicamente separati come parzialmente comuni, almeno per quanto riguarda determinati farmaci o dispositivi. L’obiettivo è quello di migliorare l’efficienza e l’affidabilità dei sistemi, grazie alla possibilità di reperire scorte in diversi magazzini fisici e, d’altra parte, quella di contribuire ad una significativa riduzione dei costi, in particolare legati all’obsolescenza dei farmaci presenti in magazzino. I modelli teorici per l’analisi di questo tipo di sistemi verranno studiati e adattati al caso in esame. Si prevede che un risultato di questa attività possa essere una descrizione di metodologie ottimizzate per la gestione comune di due o più magazzini distribuiti virtuali e lo sviluppo di prototipi software per l’implementazione di politiche di riordino e di utilizzo delle scorte. Lo scenario attuale è quello in cui ogni unità opera attualmente in modo indipendente dalle altre gestendo le proprie scorte ed i propri magazzini solo sulla base delle informazioni e delle pratiche sviluppate localmente. Questa politica potrebbe essere migliorata attraverso il coordinamento, anche debole, con altre strutture. L’idea del tema di ricerca è quella di studiare meccanismi virtuosi che permettano di ottimizzare l’efficienza delle politiche di gestione delle scorte attraverso la considerazione della cooperazione.

Nell’ambito di questa attività un tipico formalismo utilizzato per rappresentare il problema è quello della rete, o grafo pesato, costituito cioè da un insieme di nodi (magazzini e SOD nel nostro contesto) e da archi, cui è associato un peso, che li connettono e che rappresentano relazioni tra nodi (ad esempio collegamenti, scambio di flussi materiali o informativi). In un sistema classico, caratterizzato da un magazzino unico, tale grafo ha tipicamente una struttura a stella in cui le SOD sono abilitate a ricevere e a trasmettere flussi solo con il magazzino centrale. Diversamente, in un sistema cooperativo, i nodi possono scambiarsi flussi anche tra di loro e in questo caso, oltre alle decisioni tattiche sopra descritte (replenishment) ricopre un ruolo importante anche la localizzazione dei magazzini virtuali (nodi) all’interno di una struttura ospedaliera. In un sistema cooperativo diviene fondamentale decidere cioè dove si trovino fisicamente le scorte delle varie tipologie di farmaci. La letteratura in merito a tali decisioni di livello strategico è ampissima ma non esistono modelli universali in grado di adattarsi ai vari casi applicativi. Il modello (o i modelli) di localizzazione dovrà quindi essere definito in base alla funzione obiettivo che si intende perseguire e ai vincoli forniti catturando quindi le peculiarità del caso di studio. In particolare potranno essere proposti modelli basati sulla distanza massima tra il magazzino e le SOD (quali ad esempio i modelli di Set Covering e di p-center) o modelli basati sulla distanza totale (quali ad esempio i modelli di p-median e fixed-charge). Inoltre poiché in un sistema cooperativo, le SOD possono operare sia come origine che come destinazione dei flussi materiali, le decisioni relative alla localizzazione dovranno essere prese congiuntamente alle decisioni relative all’instradamento di tali flussi (routing) per il quale dovranno essere definite opportune politiche. Può infatti accadere che l’ordine di una data SOD sia soddisfatto da un insieme di nodi della rete e in questo caso sarà importante definire anche l’ordine con cui tali nodi devono essere visitati per comporre il lotto richiesto. I modelli di riferimento in questo caso saranno quelli del Traveling Salesman Problem (TSP) e del Vehicle Routing Problem, opportunamente adattati al caso di studio.

[…]