AFFILIAZIONE
irccs giannina gaslini
AUTORE PRINCIPALE
Dr. Falco Simone
Registrazione obbligatoria. Una valutazione consentita
GRUPPO DI LAVORO
Dr. Falco Simone irccs giannina gaslini
Ing. Oddera Laura irccs giannina gaslini
Ing. Bruno Urbina Ezio Nicolàs irccs giannina gaslini
Ing. Oddera Laura irccs giannina gaslini
Ing. Bruno Urbina Ezio Nicolàs irccs giannina gaslini
AREA TEMATICA
Reingegnerizzazione di processi e sistemi di controllo: innovazione nei flussi operativi
ABSTRACT
In un’ottica di innovazione e ottimizzazione delle prestazioni dell’ospedale, l’IRCCS Giannina Gaslini si propone di sviluppare un metodo di valutazione per monitorare i contratti di manutenzione e programmare gli interventi di sostituzione, considerando la criticità dell’area di utilizzo e il costo di indisponibilità, assegnando un valore economico ad ogni evento manutentivo che comporta un fermo macchina.
Gli obiettivi di questo studio, in conformità con gli standard Joint Commission International, comprendono la definizione di specifici KPI per l’identificazione dei dispositivi medici che hanno un impatto economico maggiore, in modo da prioritizzare gli interventi di sostituzione. L’approccio sviluppato risulta replicabile e scalabile per successive finestre temporali e permette di aggiornare le valutazioni periodicamente, analizzando i trend per valutare le prestazioni nel tempo.
Sono stati analizzati i dati manutentivi dei dispositivi medici nel 2024, creando una base dati solida e raggruppando ogni dispositivo in macro categorie e classi secondo la codifica CND. Applicando una formula in tre fasi (calcolo del coefficiente di performance, decurtazione economica e incremento dell’impatto economico in base al livello di performance) è stato calcolato l’impatto di ogni intervento di manutenzione correttiva.
È stata condotta un’analisi di Pareto per determinare le macrocategorie con maggiore impatto economico, supportata da un’analisi quantitativa che ha confermato la coerenza tra gli impatti economici maggiori e le categorie più numerose. Infine, a completamento dell’analisi, sono state valutate tutte le macro categorie più impattanti attraverso istogrammi in modo da identificare le classi più critiche e quindi prioritizzare interventi di manutenzione preventiva ed eventuali sostituzioni.
Questa metodologia può essere ampliata con KPI relativi allo storico dei dispositivi medici in modo da ottenere un’analisi della probabilità di accadimento del guasto con informazioni sulla frequenza registrata. Inoltre, è possibile valutare il danno potenziale del guasto, limitando la soggettività intrinseca di questo parametro attraverso un approccio fuzzy logic, in modo da costruire una matrice del rischio dei dispositivi medici. Con un dataset più ampio si prevede lo sviluppo di un algoritmo di Machine Learning per la predizione dei guasti al fine di perfezionare la capacità di pianificazione, ottimizzando le risorse e aumentando le performance del parco macchine.
Gli obiettivi di questo studio, in conformità con gli standard Joint Commission International, comprendono la definizione di specifici KPI per l’identificazione dei dispositivi medici che hanno un impatto economico maggiore, in modo da prioritizzare gli interventi di sostituzione. L’approccio sviluppato risulta replicabile e scalabile per successive finestre temporali e permette di aggiornare le valutazioni periodicamente, analizzando i trend per valutare le prestazioni nel tempo.
Sono stati analizzati i dati manutentivi dei dispositivi medici nel 2024, creando una base dati solida e raggruppando ogni dispositivo in macro categorie e classi secondo la codifica CND. Applicando una formula in tre fasi (calcolo del coefficiente di performance, decurtazione economica e incremento dell’impatto economico in base al livello di performance) è stato calcolato l’impatto di ogni intervento di manutenzione correttiva.
È stata condotta un’analisi di Pareto per determinare le macrocategorie con maggiore impatto economico, supportata da un’analisi quantitativa che ha confermato la coerenza tra gli impatti economici maggiori e le categorie più numerose. Infine, a completamento dell’analisi, sono state valutate tutte le macro categorie più impattanti attraverso istogrammi in modo da identificare le classi più critiche e quindi prioritizzare interventi di manutenzione preventiva ed eventuali sostituzioni.
Questa metodologia può essere ampliata con KPI relativi allo storico dei dispositivi medici in modo da ottenere un’analisi della probabilità di accadimento del guasto con informazioni sulla frequenza registrata. Inoltre, è possibile valutare il danno potenziale del guasto, limitando la soggettività intrinseca di questo parametro attraverso un approccio fuzzy logic, in modo da costruire una matrice del rischio dei dispositivi medici. Con un dataset più ampio si prevede lo sviluppo di un algoritmo di Machine Learning per la predizione dei guasti al fine di perfezionare la capacità di pianificazione, ottimizzando le risorse e aumentando le performance del parco macchine.
