Workpackage 2: Definizione delle metodologie e degli algoritmi di ottimizzazione
OBIETTIVI
Gli obiettivi di WP2 sono stati suddivisi in 3 aree funzionali:
2.1 – Metodi e modelli per la previsione dei fabbisogni.
L’attività svolta in questa fase sarà pertanto rivolta all’individuazione delle previsioni di fabbisogno sul medio lungo periodo (processi macro) e dei fabbisogni sul breve periodo (processi micro).
Verranno esplorate pertanto sia metodologie basate sull’analisi di dati storici delle serie temporali (approccio statistico), che metodologie basate su aspetti di tipo stocastico e/o di analisi dei protocolli terapeutici applicati a classi di degenti e dei relativi andamenti di ricovero.
Nel primo caso verranno valutati metodi di analisi di serie temporali (es. 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 con caratteristiche simili.
Nel secondo caso verranno valutati modelli previsionali basati sull’analisi dei protocolli terapeutici incrociata con dati relativi al consumo medio di articoli per ogni classe di degenti – protocollo, al numero di degenti ricoverati ed al loro processo di arrivo, il tutto correlato comunque con dati storici delle diverse classi.
2.2 – Metodi e modelli per la gestione ottimizzata delle scorte locali.
In questa fase verranno analizzate e scelte le modalità di definizione e mantenimento nel tempo delle scorte locali, intendo con questo le scorte presso i vari Punti di Consumo (Reparti, Ambulatori, Blocchi, Laboratori ecc.).
In questa fase verranno valutati i parametri in base ai quali calcolare tali valori, in funzione delle diverse classi di articolo e dei diversi processi o ambiti di utilizzo e per ogni punto di consegna, quali: livello di soglia minima in base alla quale attivare automaticamente il reintegro, livello di soglia massima, frequenza dei giri di consegna per i reintegri, modalità di gestione delle emergenze, modalità di monitoraggio delle scorte presso ogni punto di consegna, modalità di retuning delle soglie nel caso vengano rilevati eventi di inadeguatezza del valore corrente, modalità di revisione delle stesse in situazioni di eccezionalità (es.: epidemiologie) di cui è a conoscenza il sistema sanitario.
2.3 – Analisi e valutazione di modelli di gestione di magazzini virtuali distribuiti.
In questa fase verranno definiti i modelli ottimali per la gestione integrata dei diversi nodi logistici Macro e Micro che comporranno la rete logistica virtuale complessiva in termini di: definizione delle anagrafiche dei nodi Macro e Micro, specificazione delle attività logistiche assegnate al nodo, modalità di descrizione formale dei diversi livelli, delle gerarchie, delle relazioni fra i nodi, delle caratteristiche tipologiche e dimensionali di ogni classe di nodo, dei percorsi ecc.
OUTPUT
Elencazione dei prodotti (es. documento di specifiche, prototipo, piano di lavoro, rapporto di valutazione, ecc.).
L’output di questa fase sarà costituito da una serie di elaborati, specifiche e rapporti di valutazione, organizzati nei seguenti deliverables:
D2.1 – Metodi e modelli per la previsione dei fabbisogni.
D2.2 – Metodi e modelli per la gestione ottimizzata delle scorte locali.
D2.3 – Analisi e valutazione di modelli di gestione di magazzini virtuali distribuiti.
METODOLOGIE UTILIZZATE
Breve descrizione delle metodologie utilizzate per la realizzazione del WP.
Nello sviluppo di questo WP si valuterà l’applicazione delle seguenti metodologie:
• Analisi dei dati mutuando le metodiche della Big Data Analisys.
• Eventuale applicazione di Modelli ARIMA per analisi di serie temporali.
• Eventuale applicazione di metodologie di clustering e machine learning per l’attribuzione dei “pattern” di evoluzione futura delle serie storiche ai nuovi articoli o articoli con storico limitato o inaffidabile.
• Eventuale applicazione di strumenti avanzati di previsione basati sia su Support Vetcor Machines (SVM) che su Support Vector Regression (SVR).
• Tecniche di “process mining” mirate alla scoperta di eventuali sequenze di azioni all’interno dei vari protocolli terapeutici (andamenti di numerosità e durata delle terapie), dei processi clinici (flussi di pazienti/patologie), processi amministrativi (order entry/filling nella terminolgia HL-7 Health Level-7).
• Eventuale modellazione secondo le reti di Petri ed applicazione di algebre di processo stocastiche in grado di rappresentare sia sistemi sia Markoviani che non Markoviani.