Applying nonlinear mixed-effects modeling to model patient flow in the Emergency department

Emergency departments are fundamental for providing high-quality care, and their operations directly impact the logistics of the hospitals in their entirety. Poor emergency department performance leads to delays, prolonged hospitalization, and improper allocation of resources, reducing the quality of the provided care and increasing costs. Describing the variability embedded in real clinical data in a useful way is essential for improving the organization of hospitals in the near future. However, it is a challenging task due to clinical complexity and the lack of an established bridge between logistic systems and the clinical insights of the hospital. Therefore, this work aims to design and implement a simplified process model describing patient flow within an emergency department, which could allow the evaluation of the clinical impact of complex patient characteristics on the system's logistics. To achieve this, a novel nonlinear mixed-effects approach with hospital medical records was applied to design patient flow within the emergency department in the form of a multi-state Markov process. Four independent training data samples were extracted from the main dataset. For each of them, the set of covariates that could lead to the most significant improvement in the values of the employed likelihood indicators was selected. Through statistical tests, analysis of the outputs, and a validation process carried out on a fifth and independent dataset, it was possible to obtain a final model containing the most relevant and significant covariates for describing each of the modeled state transitions and confirming their clinical meaningfulness and relevance. The results achieved in this thesis can lead to future improvement of the healthcare logistics systems by extending the use of nonlinear mixed-effects approaches to the estimation of the covariate impact on emergency department flows.

I reparti di Pronto Soccorso sono fondamentali per la fornitura di assistenza sanitaria di alta qualità, ed il loro funzionamento ha un impatto diretto sulla logistica degli ospedali nella loro interezza. Prestazioni carenti di un reparto di Pronto Soccorso comportano ritardi assistenziali, prolungamenti della durata dell’ospedalizzazione, assegnazione erronea delle risorse, peggioramento della qualità dell’assistenza fornita, ed incremento dei costi. Al fine di migliorare l’organizzazione degli ospedali in un prossimo futuro, è fondamentale descrivere la variabilità contenuta nei dati clinici reali. Tuttavia, si tratta di un compito gravoso per via della elevata complessità clinica e della carenza di una preesistente interfaccia tra sistemi logistici e comprensione clinica degli ospedali. Pertanto, questa tesi si prefigge il compito di progettare ed implementare un modello di processo semplificato in grado di descrivere il flusso di pazienti attraverso un reparto di Pronto Soccorso, che possa consentire di valutare l’impatto clinico delle caratteristiche complesse dei pazienti sulla logistica del sistema. Al fine di raggiungere tale obiettivo, un approccio innovativo di modellizzazione ad effetti misti non lineari a partire dalle cartelle cliniche ospedaliere è stato impiegato per progettare il flusso di pazienti attraverso un reparto di Pronto Soccorso, sotto forma di processo Markoviano a stati multipli. Quattro set indipendenti di dati per il training del modello sono stati campionati dal set di dati principale. Per ciascuno di essi, è stato selezionato il set di covariate la cui introduzione nel modello fosse in grado di comportare il più significativo miglioramento del valore degli indicatori di “likelihood” utilizzati. Mediante l’impiego di test statistici, l’analisi dei risultati, ed il processo di validazione, effettuati su un quinto set indipendente di dati, è stato possibile ottenere un modello finale contenente le covariate più rilevanti e significative per la descrizione di ciascuna delle transizioni tra stati che sono state modellizzate, ed è stato possibile giustificare la loro significatività e rilevanza. I risultati conseguiti in questa tesi hanno il potenziale di portare a futuri miglioramenti dei sistemi di logistica healthcare, mediante l’estensione dell’uso di approcci di modellizzazione ad effetti misti non lineari alla stima dell’effetto delle covariate sui flussi di pazienti dei dipartimenti di Pronto Soccorso.