Bayesian analysis of home care longitudinal data

Home Care providers are complex structures which include medical, paramedical and social services delivered to patients at their domicile. High randomness affects the service delivery, mainly in terms of unplanned changes in patient's conditions, which make the amount of required visits highly uncertain. Hence, each reliable resource planning has to include the estimation of the future demand for visits of the assisted patients. In this thesis, we propose two Bayesian models able to describe the patients care pathway, to represent the patient's demand evolution over time and to predict the demand in future periods as well, which is very important information for the decision maker who is interested to improve service efficiency. Indeed, we obtain the posterior density of the model parameters through Markov chain Monte Carlo simulation and we predict the weekly nurse's number of visits to patients already admitted to HC service and the number of nurse visits at each week of a new patient. In the literature, the prediction of patient's demands in the HC context is only marginally addressed and no Bayesian approaches can be found in this field as far as we know. Results from the application to a relevant real case show the applicability of the proposed models in the practice and validate the approach, since low prediction errors are found.

I fornitori di Assistenza Domiciliare sono strutture complesse che includono servizi medici, paramedici e sociali forniti ai pazienti al loro domicilio. L'erogazione del servizio è aleatoria e tale aleatorietà è dovuta soprattutto a cambiamenti non previsti nelle condizioni del paziente, che rendono la quantità di visite infermieristiche al paziente molto incerta. Quindi, ogni pianificazione affidabile delle risorse deve includere la stima della domanda futura di visite ai pazienti assistiti. In questa tesi, proponiamo due modelli bayesiani in grado di descrivere il profilo di cura dei pazienti, per rappresentare l'evoluzione della domanda del paziente nel tempo e prevedere anche la domanda in periodi futuri, informazione molto importante per il decisore interessato a migliorare l'efficienza del servizio. Infatti, è possibile ricavare la densità a posteriori dei parametri del modello attraverso la simulazione Markov Chain Monte Carlo, come pure la previsione del numero settimanale di visite a pazienti già ricoverati in servizio di Assistenza Domiciliare o di un nuovo paziente. Finora in letteratura, la previsione di richieste del paziente nel contesto dell'Assistenza Domiciliare è un problema che è stato affrontato solo marginalmente e, in questo campo, mancano del tutto approcci bayesiani. I nostri modelli sono stati applicati ad un caso reale: abbiamo ottenuto stime significative di parametri che rappresentano l'effetto di ragionevoli fattori che influenzano l'output ed errori di previsione piuttosto bassi. Pertanto il nostro modello risulta utile in questo caso reale.