《Journal of Engineering Research》：Improving Hospital Discharge Efficiency through Lean Six Sigma, Discrete-Event Simulation, and Optimized EWMA Monitoring
编辑推荐：
出院延迟会影响患者流转、床位可用性、患者满意度及医院整体效率。尽管精益六西格玛（Lean Six Sigma, LSS）在医疗领域应用广泛，但少有研究在实施前对出院改进方案进行虚拟验证，或提供优化监控工具以维持改进效果。本研究提出一种集成精益六西格玛（LSS）
出院延迟会影响患者流转、床位可用性、患者满意度及医院整体效率。尽管精益六西格玛（Lean Six Sigma, LSS）在医疗领域应用广泛，但少有研究在实施前对出院改进方案进行虚拟验证，或提供优化监控工具以维持改进效果。本研究提出一种集成精益六西格玛（LSS）、离散事件仿真与优化指数加权移动平均（Exponentially Weighted Moving Average, EWMA）控制图的方法，用于改善某公立医院的住院患者出院流程。研究人员从医院信息系统采集出院病例的历史数据。运用DMAIC方法论对现行出院流程进行绘制与分析，以识别主要延迟来源。根本原因分析、帕累托分析及XY矩阵优先级排序表明，出院相关检查/检验与药物准备是最关键的瓶颈。随后利用Arena离散事件仿真评估两种改进情景。仿真基线模型（20.39 h）与观测基线出院时间（20.5 h）一致。仿真结果表明，优先安排出院相关检查并结合专用出院药物药房通道，可将平均出院时间缩短至预计8.99 h，估计西格玛水平可从观测的2.88提升至预计的4.14。最后，利用仿真出院时间数据对EWMA控制图进行优化，并提出用于实施后的过程监控。研究结果表明，将LSS与仿真及优化统计监控相结合，可在医院投入资源实施前支持循证决策。
研究背景：出院延迟在医疗机构中普遍存在，导致效率低下与满意度下降，其原因包括处方不明确、药物延迟及人员配置问题等。医疗机构出院流程往往效率不高，尤其是从批准离院到患者实际出院之间的时段。精益六西格玛（LSS）方法已被用于缩短医疗机构的出院时间。LSS结合了精益与六西格玛原则，旨在通过DMAIC（Define、Measure、Analyse、Improve、Control）结构化方法消除浪费、减少变异并提升客户满意度。然而，LSS在医疗行业的实施面临服务过程无形性与变异性、人为因素、变革阻力以及难以获取可靠数据等挑战。现有出院研究多将LSS变革直接应用于实践，既未事先验证，也缺乏维持改进效果的工具。本研究通过将LSS与离散事件仿真相结合以在实施前检验解决方案，并结合优化EWMA控制图以监控改进后过程，填补了这一空白。研究目的为支持LSS在医疗行业的实施，首先综述LSS及其医疗应用文献，分析成功实施的收益、挑战与最佳实践；随后将LSS应用于真实医疗案例以缩短患者出院时间并提升过程西格玛水平；最后为医疗管理者、从业者与研究人员提供实践建议与启示。
关键技术方法：研究人员从某公立医院信息系统提取2022年9月至2023年10月共1,519例历史出院病例，数据经完整性核查后剔除缺失、重复及逻辑异常记录，采用回顾性去标识化管理数据，纳入标准为院内出院病例，排除外部接送安排等院方不可控因素。以DMAIC框架为主线，综合运用SIPOC图、过程流程图、时间研究、西格玛水平/DPMO计算、鱼骨图、5-Whys、帕累托图、方差分析（ANOVA）与Tukey检验、XY矩阵、头脑风暴与失效模式与影响分析（FMEA）等工具；采用Arena离散事件仿真对改进情景进行虚拟评估，每个情景独立运行10次并报告95%置信半宽；最后用MATLAB实现迭代搜索算法优化EWMA控制图参数。
研究结果：（1）Define阶段结果：项目目标为在10个月内将观测平均出院时间20.5 h降至8.5 h并将西格玛水平提升至4以上，范围覆盖从出院决策到患者离院的整个流程，排除家庭接送延迟等外部因素。现行流程总出院时间约20 h，存在文书准备延迟、最终健康检查过长、药物准备与患者转运等待等低效环节，可识别出等待、冗余流程、沟通延迟与库存等浪费类型。（2）Measure阶段结果：XY图分析显示流程（Procedures）对出院时间与患者满意度影响最大，总排名162，护士与转运方式各为114；时间研究显示各步骤耗时，总出院时间1,230 min即20.5 h；西格玛水平计算基于1,012个缺陷、1,519个单元、每单元8个机会，得DPMO为83,278，西格玛水平约2.88，表明过程缺陷率高、远离期望绩效。（3）Analyse阶段结果：鱼骨图将延迟根因归为人员、流程、物料、设备、环境与管理六类；5-Whys分析表明检验结果延迟为主要原因，源于积压与人员有限；帕累托图显示等待检验结果与药物配送为主要瓶颈；ANOVA结果显示程序类型对时间差异贡献91.15%，F值77.28大于F0.05,2,15=3.68，差异具有统计学意义，Tukey事后检验三对程序置信区间均不跨零，残差图表明正态性、等方差与独立性假设基本满足；XY矩阵排序显示检查流程（187）与药物准备时间（175）为最关键因素，记录不完整居第三（167）。（4）Improve阶段结果：头脑风暴提出针对各关键输入的解决方案，FMEA评估风险优先数（RPN），如检查清单不完整RPN为80、药物自动化系统故障RPN为784、随叫随到转运沟通失误RPN为100、高峰人员短缺RPN为105、记录复核遗漏RPN为120；方案评估显示调整员工排班覆盖出院高峰为第一优先级，检查清单、药物自动化、随叫随到转运与专人复核记录为第二优先级。当前状态仿真显示增值时间平均3.06 h、等待时间平均17.56 h、总出院时间20.62 h，与历史值20.5 h相对差异+0.6%且历史值落在仿真均值95%置信区间内，模型验证良好；各队列等待时间中检查流程队列最长平均94 h，药物配送队列平均36.77 h，处方与评估队列各约4 h；利用率图显示医生、技师与药房人员接近满负荷，顾问与护士利用率较低。情景1优先安排出院相关检查，仿真总出院时间降至13.25 h（半宽1.41 h），估计缺陷303例、DPMO为24,934、西格玛水平3.46；情景2在情景1基础上增加专用出院药物药房通道，总出院时间进一步降至8.99 h（半宽1.16 h），估计缺陷50例、DPMO为4,115、西格玛水平4.14，缺陷较初始减少约95%；三情景对比显示情景2等待时间降至5.38 h、增值时间升至3.61 h。（5）Control阶段结果：以模拟数据（均值9 h、标准差0.386 h）构建EWMA监控测试，初始参数λ=0.5、k=3时对0.5 h均值偏移检测不够及时；采用网格搜索在λ=0.1–0.5、k=2.5–3.5范围内以ARL?≥500条件下最小ARL?为准则优化，选定λ=0.10、k=2.80，得ARL?≈500、ARL?≈5.2个样本，优化后控制图能检测出人为引入的均值偏移。
讨论与结论：本研究预计平均出院时间从20.62 h降至8.99 h（约56%），与Zimmermann和Bohomol报告的61%降幅及Allen等约60%的目标相当，大于Niemeijer等与Beck和Gosik报告的改进；与上述实施后测量研究不同，本研究采用仿真虚拟检验解决方案，类似Demirli等，降低了实施无效变革的风险与成本，并增加优化EWMA控制图以维持改进，回应了Fuentes等强调的可持续性挑战。研究结论为：本研究将LSS、离散事件仿真与优化EWMA控制图应用于某公立医院住院出院流程，基于1,519例历史出院病例与DMAIC方法论，观测平均出院时间为20.5 h、观测西格玛水平为2.88，根本原因分析识别检查流程与药物准备为主要延迟来源；所提解决方案尚未在医院实施，而是通过Arena仿真模型评估，其基线（20.39 h）与观测数据一致；仿真结果表明优先安排出院相关检查并结合专用出院药物药房通道可将平均出院时间降至预计8.99 h并将估计西格玛水平提升至4.14；EWMA控制图经模拟数据优化并提出用于实施后监控，这些预计结果需通过医院试点实施加以确认。研究对医院管理者提出三项建议：（i）给予出院患者检查与实验室检验优先权，仅此一项预计可缩短约三分之一出院时间；（ii）建立出院药物专用药房通道；（iii）用所提EWMA控制图监控出院时间以早期发现恶化。若实施，这些变革预计可更早腾出床位、改善急诊患者流转并提升患者满意度。研究局限包括改进经仿真评估尚未实施、实际结果可能与预计不同、模型基于单一公立医院、EWMA图基于模拟而非真实实施后数据检验。未来研究可将LSS扩展至入院、急诊流程与门诊服务，探索实时数据分析与先进控制图优化的整合，考察自动化与人工智能对LSS举措的支持作用，开展纵向研究评估长期可持续性，并以试点实施比较实际结果与仿真预测，将优化EWMA监控应用于入院、急诊等待时间与实验室周转等其他医院流程，并将模型扩展至多家医院以检验普适性。
