TN Sto 292 1648 37362

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
“Os desafios da engenharia de produção para uma gestão inovadora da Logística e Operações”
Santos, São Paulo, Brasil, 15 a 18 de outubro de 2019.
SIMULAÇÃO DISCRETA PARA

REALIZAÇÃO DE CIRURGIAS
ORTOPÉDICAS
Luciana Velasco Medani
lucianamedani@gmail.com
Paula Salarini Manzani
paula_manzani@poli.ufrj.br
Este artigo trata do planejamento de cirurgias eletivas utilizando

modelos de simulação discreta no software ARENA. O objeto desse
estudo foram as cirurgias do Instituto Nacional de Traumatologia e
Ortopedia (INTO), localizado na cidade do Rio de Janeiro. Na
modelagem proposta foram realizados quatros cenários com diferentes
arranjos para os recursos disponíveis de maneira em que fosse obtido
um modelo com menores tamanhos de fila e tempo de espera, tal como
menor ociosidade dos recursos disponíveis. Para os dados em questão,
o cenário escolhido foi o arranjo obtido em que se transferiu algumas
especialidades para a unidade auxiliar e contígua do INTO - Hospital
Dia, além disso alguns turnos das equipes médicas foram trocados
para melhor utilização das salas cirúrgicas e leitos de recuperação.
Com a determinação do melhor arranjo, seria possível melhorar a
eficiência do sistema, permitindo atender todas as especialidades em
tempo razoável para aguardar a realização de cirurgias.
Palavras-chave: Simulação; Planejamento de cirurgias; INTO..

1. Introdução
O crescimento e envelhecimento da população, somados à escassez dos recursos públicos
destinados à saúde, levaram a um contexto no qual o aumento da eficiência da gestão dos ativos
disponíveis é requisito essencial para manter o atendimento em hospitais públicos. Aliado a
isso, os gestores de hospitais enfrentam aleatoriedades e complexidades inerentes aos
atendimentos hospitalares, principalmente daqueles emergenciais. Neste contexto, a
programação de cirurgias e do gerenciamento de leitos tem se tornado cada vez mais
importante.
Segundo a última pesquisa do IBGE (2009), o Brasil possui uma média de 2,3 leitos hospitalares
para cada mil habitantes, enquanto a média mundial gira em torno de 3 a 5 leitos por mil
habitantes. Essa diferença se agrava em regiões menos urbanizadas, uma vez que, com a entrada
do capital estrangeiro em redes hospitalares privadas, vários hospitais localizados em regiões
periféricas foram fechados (PEREIRA, 2013). Simultaneamente, a rede pública também não
possui condições de atender às demandas da população: prova (e, simultaneamente, causa)
disso é que ela apresenta uma média de 71 leitos por hospital, enquanto, de acordo com
especialistas, o mínimo necessário por unidade seria de 150 leitos. Além dos óbvios danos à
saúde e à qualidade de vida das pessoas, esse cenário também influencia negativamente a
economia do país como um todo, causando aumento dos gastos públicos e perda de
produtividade.
Diante deste cenário, melhorar o planejamento das cirurgias torna-se essencial, visto que o
aumento da eficiência do sistema leva à redução do tempo de espera na fila, à diminuição dos
custos por cancelamentos e à queda na ociosidade de leitos. No entanto, essa gestão é complexa,
devido à estocasticidade dos processos: a ocorrência de emergências é aleatória, assim como o
tempo de cirurgia e de recuperação; além disso, há outras fontes de aleatoriedade cotidianas,
como disponibilidade de recursos humanos e materiais, as quais também influenciam na tomada
de decisões.
Tendo este contexto como plano de fundo, este trabalho tem como objetivo realizar uma
previsão do número de cirurgia de mãos a ser realizada no Instituto Nacional de Traumato-
Ortopedia (INTO) utilizando como metodologia a simulação discreta com o auxílio do software
ARENA, de maneira a obter o planejamento da rotina semanal de cirurgias e auxiliar na tomada
de decisão nos níveis estratégico e tático.
1
2. Pesquisa Bibliográfica
Segundo Fitzsimmons e Fitzsimmons (2005), fila é uma linha de clientes esperando no
momento em que necessitam de serviços de um ou mais prestadores. Esta linha pode ser visível
(como filas de supermercado ou banco) ou invisível (como espera no telefone por atendimento).
A fila se forma quando a demanda excede a capacidade existente, quando as chegadas ocorrem
em tempos variados e os tempos de atendimento também variam. Sabbadini et al. (2006)
afirmam que o gerenciamento das filas é fundamental, pois as filas estão relacionadas
diretamente à percepção dos clientes a respeito do serviço prestado e da necessidade de esperar
por ele.
Conforme Andrade (2009), na caracterização de um sistema de filas, é possível destacar cinco
componentes básicos (Quadro 1): modelo de chegadas dos usuários, modelo de atendimento,
número de canais disponíveis, capacidade para atendimento dos usuários e disciplina da fila.
Quadro 1 – Medidas de desempenho
Modelo de chegada dos usuários

Usualmente especificado pelo tempo entre chegadas sucessivas de usuários ao estabelecimento de
prestação de serviços. Esse tempo pode ser determinístico ou uma variável aleatória.
Modelo de atendimento
Amostragens do número de clientes atendidos por unidade de tempo. Determina a distribuição de
probabilidades da duração de cada atendimento.
Número de canais disponíveis
Número de atendentes que efetuam simultaneamente o atendimento aos usuários.
Capacidade para atendimento dos usuários
Número máximo permitido no estabelecimento, tanto aqueles que estão sendo atendidos como os que
estão na fila à espera. Um sistema que não possui limite no número permitido de usuários é considerado
com capacidade infinita ao passo que um sistema com um limite é considerado com capacidade limitada
ou finita.
Disciplina da fila
A disciplina da fila é um conjunto de regras que determinam a ordem em que os clientes serão atendidos.
Fonte: Andrade (2009)

No caso do planejamento de cirurgias estudado, o problema tem características reais. Assim,
não há um modelo que descreva o comportamento do sistema e por isso, é necessário realizar
simulações discretas para que sejam obtidos os parâmetros relativos à fila. O Quadro 2
apresenta algumas das medidas de desempenho que podem ser aplicadas ou obtidas quando
avaliados o comportamento do sistema na simulação.
Akkerman e Knip (2004) realizaram um estudo de realocação de leitos para reduzir o tempo de
espera em cirurgias cardíacas utilizando Markov e experimentos de simulação. Segundo os
autores, a capacidade de leitos é a principal razão para o aumento do tempo total de espera, e
que as variáveis relacionadas ao tamanho de espera no serviço de cirurgias são, geralmente,
2
menosprezadas pela literatura. Os resultados forneceram informações úteis sobre as relações

entre o tempo de permanência dos pacientes, a disponibilidade de leitos, e listas de espera
hospitalares.
Quadro 2 – Medidas de desempenho
Variáveis referentes ao processo de chegada
λ = taxa média de chegada ou ritmo médio de chegada
IC = intervalo médio entre chegadas
Variáveis referentes à fila
TF = tempo médio de permanência na fila
NF = número médio de clientes na fila
Variáveis referentes ao processo de atendimento ou de serviço
TA = tempo médio de atendimento ou de serviço
c = capacidade de atendimento ou quantidade de servidores (atendentes)
NA = número médio de transações ou clientes que estão sendo atendidos
µ = taxa média de atendimento ou ritmo médio de atendimento de cada servidor
Variáveis referentes ao sistema
TS = tempo médio de permanência no sistema
NS = número médio de transações ou clientes no sistema
Fonte: Prado (2006)
Em Tancrez, J. S. et al. (2009 e 2013), os autores estudaram um hospital que realiza cirurgias
eletivas e emergenciais e objetivaram responder como as cirurgias não programadas afetam o
planejamento da unidade hospitalar. Na modelagem proposta, as salas de cirurgias foram
classificadas em dedicadas, destinadas para emergências, e versáteis, que poderiam ser usadas
para as duas classes de cirurgias. Assim, quando há uma emergência, ela tem prioridade sobre
as cirurgias programadas, e pode tanto ser atendida em uma sala dedicada quanto em uma
versátil. A modelagem proposta seguiu um processo markoviano, considerando a taxa de
chegada dos pacientes como uma variável de Poisson e tempo de operação exponencial. Após
a implementação do modelo, concluiu-se que as emergências influenciam no planejamento
diário das cirurgias e no aumento de horas extras, e que o aumento do número de salas dedicadas
pode reduzir o tempo de espera dos pacientes.
Zonderland, M. E. et al (2010) avaliaram o impacto das cirurgias semi-urgentes ou semi-eletivas
nos cancelamentos das cirurgias eletivas e na taxa de ocupação do hospital, uma vez que as
cirurgias não eletivas que não são executadas geram ociosidade no quadro de cirurgias
planejadas para o dia. Neste estudo utilizou-se a teoria das filas para analisar a influência dos
cancelamentos das cirurgias eletivas, e o processo de Markov para auxiliar no planejamento das
cirurgias.
Aringhieri et al. (2014) utilizaram duas heurísticas para o problema de atribuição e alocação
das salas de cirurgia. Inicialmente os autores buscaram minimizar os custos do paciente e do
hospital m reduzindo o tempo de espera e a necessidade de salas extras. Este problema é NP-
3
hard, ou seja, não há algoritmo que o resolva em tempo polinomial; logo, os autores
implementaram duas meta-heurísticas, baseadas na busca tabu e no algoritmo guloso, para
solucioná-lo. Como resultado, foram geradas soluções de boa qualidade com relação à taxa de
ocupação e o tempo de espera dos pacientes.
Siqueira et al. (2018) realizaram um planejamento das cirurgias eletivas a longo prazo
considerando como restrições o número de leitos, o número de cirurgias realizadas por dia e
por especialidade, dentre outras limitações. A modelagem proposta permitiu fazer uma previsão
futura do tamanho da fila e da taxa de ocupação do hospital.
Conclui-se que várias modelagens vêm sendo propostas para compreender e solucionar o
problema da programação de cirurgias em unidades hospitalares, considerando adequadamente
suas restrições e capacidades.
3. Metodologia
Este trabalho propõe a avaliar o comportamento das filas e o planejamento das cirurgias, tendo
como recursos o número de leitos disponíveis para a recuperação dos pacientes, a quantidade
de salas de procedimentos cirúrgicos e turnos de trabalho das equipes médicas. O objetivo final
é encontrar um desenho do sistema que permita atender todos os pacientes com tempos de
espera aceitáveis, sem necessitar investir em novos recursos. Como metodologia, será usado o
processo de simulação discreta para avaliação do sistema de filas, de forma a encontrar arranjos
do sistema que possam reduzir tanto os custos de cancelamento de cirurgias quanto os custos
de sub-ocupação de leitos, que geram impactos negativos e custos para o hospital e para os
pacientes (Figura 1).
Figura 1 – Custo total em função do nível de serviço
Fonte: Arenales et al. (2007)

Serão utilizados os dados apresentados na dissertação de Siqueira (2016) acerca do Instituto
Nacional de Traumatologia e Ortopedia (INTO). O fluxo de pacientes deste hospital é mostrado
4
na Figura 2. Como o hospital tem leitos destinados a cada tipo de cirurgia, é possível analisar o
fluxo de pacientes de cada especialidade de forma independente. Esse estudo será baseado nos
dados de cirurgias das 13 especialidades: mão; pé e tornozelo; fixador externo; tumor; coluna;
crânio maxilo-facial; infantil; joelho; microcirurgia; ombro e cotovelo; quadril; trauma adulto
e trauma idoso.
Figura 2 – Fluxo de pacientes do INTO
Fonte: Siqueira (2016)

A infraestrutura do hospital é composta por vinte e uma salas de cirurgia, das quais apenas
dezoito encontram-se disponíveis para uso. Dentre as 18 salas utilizadas, a maioria das salas
quinze são localizadas na unidade principal do INTO, entretanto, existem três salas estão
localizadas no Hospital Dia, unidade auxiliar e contígua, que atende cirurgias de menor duração
e complexidade. Além disso, a unidade INTO conta com 255 leitos de recuperação e 15 leitos
na unidade auxiliar no Hospital dia (SIQUEIRA, 2016).
Os hospitais também contam com um esquema de turnos para cada dia da semana e
especialidade, conforme apresentado por Siqueira (2016).
Para modelagem da simulação algumas limitações são do próprio sistema, reproduzindo a
realidade dos hospitais, e outras foram propostas para simplificação do modelo. As delimitações
do modelo aplicado no simulador são apresentadas abaixo:
• O dia de trabalho do hospital dura nove horas, e as cirurgias eletivas são realizadas
apenas de segunda a sexta-feira. Contudo, um paciente pode ter alta e desocupar um
leito durante o final de semana.
• Não é possível que um paciente seja operado no INTO e internado no Hospital Dia, ou
vice-versa.
• Há duas equipes para cirurgia de pé e tornozelo. Considera-se que cada equipe é alocada
a um único hospital, 1 equipe para o DIA e outra equipe no INTO.
5
• Não considera o evento de cirurgias malsucedidas, com casos de morte de pacientes

durante a cirurgia ou enquanto no leito de recuperação.
• Desconsidera-se o tempo de descanso da equipe médica entre as cirurgias.
• As salas de cirurgia do INTO podem atender qualquer uma das subespecialidades
disponíveis. Porém, as cirurgias da especialidade mão são realizadas apenas no Hospital
Dia.
• No Hospital Dia há possibilidade de realizar cirurgias da mão; pé e tornozelo; fixador
externo; tumor. Porém, atualmente só são realizadas as cirurgias da mão; pé e tornozelo
nesta unidade.
Com as distribuições estatísticas da dissertação de Siqueira (2016), o sistema foi modelado no
software Arena para ser executado e verificado. As lógicas do modelo de fluxograma deste
processo estão representadas na Figura 3.
Figura 3 - Lógica do modelo de planejamento de cirurgias Hospital INTO e Hospital Dia
Fonte: Elaboração própria

Durante a execução do modelo os resultados estatísticos e gráficos vão sendo gerados. Desta
maneira, é possível mensurar e avaliar as condições em que o sistema atual se encontra, bem
como simular algumas políticas para melhorias, com o intuito de realizar melhores decisões
6
sobre mudanças de capacidade e dimensionamento para atender pacientes, melhorar o nível de

serviço, diminuir o tamanho das filas e tempo de espera.
4. Resultados e discussão
Anteriormente a qualquer uma das análises estatísticas que serão apresentadas nesta sessão, foi
necessário avaliar, para cada cenário, a avaliação do tempo de aquecimento do simulador para
estabilização dos parâmetros obtidos, os resultados durante este tempo foram desprezados nas
estatísticas que serão apresentadas.
A partir dos gráficos do número de pessoas na fila no bloco HOLD foi possível observar que o
tempo de aquecimento para todos os cenários foi de cerca de 600 dias. No cenário inicial, no
entanto, os valores na fila se estabilizaram para a maior parte das especialidades cirúrgicas,
exceto para as cirurgias de mão. A partir dos dados extraídos do primeiro cenário, serão
avaliadas as possíveis causas desse comportamento e propostas mudanças para o sistema.
Desta forma, todos os cenários foram simulados para 10 replicações por 965 dias, dos quais
600 dias são referentes as análises do tempo de aquecimento (Figura 4).
Figura 4 – Gráfico para determinação do tempo de aquecimento do simulador
Fonte: Elaboração própria

4.1. Cenários
Para análise do modelo de simulação foram escolhidos alguns cenários com base nos recursos
existentes, de tal maneira que, caso necessário, fosse realizado o remanejamento de algumas
especialidades e equipes médicas para minimizar os parâmetros de fila: tempo total no sistema
(TS), comprimento da fila (Lq) e tempo de espera na fila (Wq); e a melhor utilização dos
recursos dos hospitais.
7
4.1.1 Cenário 1
O primeiro cenário simulado corresponde ao modelo elaborado com base nos dados e
delimitações iniciais do problema. Com base nos resultados obtidos foi possível verificar que o
sistema atual é crítico para a especialidade cirúrgica de mão. No cenário em questão, este tipo
de cirurgia é a única especialidade realizada exclusivamente na unidade auxiliar (hospital Dia),
que conta com menos recursos de salas cirúrgicas e leitos de recuperação, quando comparado
a unidade principal do INTO. Os resultados desta simulação são apresentados nas Tabela 1 e
Tabela 2.
Tabela 1 – Resultados da simulação para o Cenário 1 (pacientes)
Tabela 2 – Resultados da simulação para o Cenário 1 (recursos)
Avaliando os resultados obtidos é possível observar que o número de pacientes e tempo de

espera na fila, tal como o tempo no sistema para essa especialidade são de grandezas bem
diferente dos demais. As cirurgias de mão atingem valores de fila de até 620 pessoas
aguardando os procedimentos e com um tempo médio de espera maior que 2 meses. Além disso,
8
analisando os dados, percebe-se que, em média, os leitos desse hospital ficam 2,59 horas por
dia em sua capacidade máxima, impedindo a realização de novas cirurgias.
4.1.2 Cenário 2
Para tentar melhorar a eficiência do atendimento para a especialidade mão. O cenário 2 transfere
a especialidade mão para a unidade principal (INTO) e as especialidades fixador externo, tumor
e pé e tornozelo passam a ser realizadas apenas no hospital DIA. Com essa mudança, a taxa
média de chegada de pacientes na unidade auxiliar diminui e é possível manter o cronograma
das equipes médicas sem que o número de equipes disponíveis por dia para todos as
especialidades atendidas no hospital DIA ultrapasse o número de salas.
Avaliando os resultados obtidos a partir da alteração realizada, o processo da especialidade mão
melhorou, deixando de ser um problema. Porém, as três especialidades que passaram a ser
atendidas pelo hospital DIA tiveram grande piora em seus indicadores e o sistema (Tabela 3),
como um todo, também piorou.
Observando a Tabela 4 é possível perceber que no hospital INTO, as taxas de ocupação médias
das salas de cirurgias e dos leitos tiveram pouca variação e redução em relação aos valores do
cenário 1, enquanto que as taxas de ocupação média no hospital DIA aumentaram em 25% para
as salas e em 14% para os leitos. Os resultados mais detalhados desta análise são apresentados
na Tabela 4.
9
O aumento da taxa de ocupação média das salas do hospital DIA era esperado e pode ser
considerado positivo, uma vez que no cenário inicial esses recursos eram subutilizados (em 4
dos 5 dias úteis, haviam apenas 2 equipes médicas no hospital, de forma que as três salas não
eram ocupadas simultaneamente, exceto durante a limpeza). O aumento da ocupação dos leitos,
por outro lado, é um problema, já que esse recurso é um gargalo do sistema. No cenário 2, os
leitos do hospital DIA ficam, em média, 5 horas e 22 minutos por dia na sua capacidade
máxima, impedindo o atendimento de novos pacientes. Os leitos do hospital INTO não chegam
a atingir sua capacidade máxima.
4.1.3 Cenário 3
Para o Cenário 3, a especialidade Fixador Externo volta a ser realizada no hospital INTO. Essa
especialidade foi escolhida por apresentar o maior tempo médio de recuperação dentre as
especialidades que estão no hospital DIA. Para evitar que o hospital INTO tenha mais equipes
médicas de plantão do que salas disponíveis nas quartas-feiras, as equipes de cirurgia da
especialidade fixador serão realocadas para quinta-feira; e de modo a equilibrar a utilização das
salas do hospital DIA durante a semana, uma das equipes da especialidade tumor será realocada
de quinta-feira para quarta-feira. As alterações nos turnos das equipes médicas são apresentadas
na Tabela 5.
Com a volta da especialidade fixador para o hospital DIA, o sistema, no geral, melhorou (Tabela
6 e Tabela 7). As especialidades fixador e tumor voltaram a ter um tempo de espera aceitável e
as especialidade que estavam alocadas no hospital INTO praticamente não foram afetadas. A
especialidade pé, apesar de ter o tempo de espera reduzido, ainda apresenta tempos de espera
muito altos.
Em relação aos recursos, as taxas de ocupação e o tempo médio de lotação das salas não se
alteraram significativamente em nenhum dos hospitais (Tabela 7). A ocupação média dos leitos
teve uma pequena redução no hospital DIA e um pequeno aumento no hospital INTO. Nesse
10
cenário, os leitos do hospital INTO chegaram a ficar na sua ocupação máxima, mas o percentual
do tempo em que esse setor fica lotado é irrelevante.
Tabela 5 – Novos arranjos dos plantões médicos (cenário 3)
Tamanho da Tempo de Espera na

Tempo no Sistema
Especialidade Fila Fila
médio máximo médio máximo médio máximo
Coluna 4.063 38 1.143 8.035 14.634 118.180
Crânio 2.331 14 1.232 6.715 5.059 25.220
Fixador 2.480 13 2.817 11.844 9.724 64.318
Infantil 2.972 20 1.182 6.764 5.777 46.243
Joelho 6.919 40 0.943 5.292 7.472 73.428
Mão 6.442 40 0.733 4.409 3.375 22.948
Micro 4.603 26 4.076 18.925 10.666 70.325
Ombro 4.410 28 1.707 8.707 5.180 39.007
486.39
Pé
7 657 166.729 239.796 169.961 250.138
Quadril 4.513 25 1.031 4.814 12.254 101.884
9.938 82.098
Trauma 1.837 16 0.716 3.040
12.596 84.657
Tumor 5.633 50 3.926 29.426 8.748 72.872
11
4.1.4 Cenário 4
O cenário 4 foi elaborado com o objetivo de reduzir o tempo de lotação máxima na unidade
auxiliar, a especialidade pé foi dividida, novamente, nos dois hospitais. Nessa nova
configuração, as cirurgias de pé e tornozelo são realizadas no hospital INTO às segundas e
sextas e no hospital DIA às terças, quintas e sextas (Tabela 8).
Tabela 8 – Novos arranjos dos plantões médicos (cenário 4)
Essa alteração resulta em dados bastante satisfatórios, fornecendo uma melhora significativa
em todos os parâmetros de fila para as cirurgias de pé e tornozelo: tempo de espera, tempo no
sistema e tamanho da fila (Tabela 9). Ao analisarmos estes fatores, notamos uma piora geral
12
nos parâmetros para as outras especialidades, porém é possível observar que essa piora não é
muito significativa e os valores todos os tempos de espera podem ser considerados aceitáveis
para a realização de cirurgias não emergenciais. O tamanho médio varia de 2 a 9 pacientes, e
que o tempo médio de espera é cerca de 1.6 dias para a maioria dos casos.
Em relação aos recursos, as taxas de ocupação e o tempo médio de lotação das salas não se
alteraram significativamente em nenhum dos hospitais (Tabela 10). As horas extras no hospital
dia não sofreram alterações significativas, entretanto, no hospital INTO, foi reduzida a 40% da
taxa anterior. A ocupação média dos leitos teve pequenas reduções em ambas as unidades
hospitalares. Nesse cenário, os leitos do hospital INTO e Dia mantiveram a sua ocupação
máxima, mas o percentual do tempo em que a ala de recuperação do hospital DIA fica lotada
foi ainda mais reduzida em relação ao cenário anterior, e ficou 38% menor que no cenário
inicial.
13
Portanto, com base nas discussões apresentadas pode-se considerar o cenário 4 o melhor arranjo
dos recursos sem adicionar leitos, salas ou equipes adicionais e para manter níveis de serviço
aceitáveis em relação ao tempo e comprimento da fila de espera.
5. Considerações finais e sugestões para trabalhos futuros

Este trabalho teve como objetivo determinar a melhor política de gerenciamento dos recursos e
arranjo do sistema no conjunto de hospitais pertencentes ao Instituto Nacional de
Traumatologia e Ortopedia (INTO), a partir da aplicação de simulações discretas dos recursos
e perfil dos dados de entrada do sistema.
Com base nos cenários estudados, foi possível observar que o melhor cenário encontrado foi o
número 4. Este cenário realiza a transferência da especialidade mão para o INTO e da cirurgias
de tumores para o hospital Dia. Além disso, há mudanças de scheduling das equipes de pé e
tornozelo; fixador e tumor para diminuir a ociosidade das salas cirúrgicas. Neste cenário,
24520.8 pacientes foram atendidos ao término de um ano de simulação.
Através da aplicação desta política, é possível auxiliar a tomada de decisão e o melhor
gerenciamento dos recursos disponíveis sem que sejam utilizados recursos adicionais de
contratação de equipes médicas ou verba adicional para ampliação do número de leitos de
recuperação e salas cirúrgicas. Para o caso hospitais da rede pública, que contam com um
limitado número de recursos, este conjunto de ações são viáveis e pode ser facilmente
implementado pois não requer custos adicionais, uma vez que desta forma é possível atender
melhor a necessidade e a urgência da população que precisa realizar estes procedimentos
cirúrgicos.
Como próximos passos para futuros estudos sugere-se incluir no modelo as parcelas de
variáveis aleatórias que consideram a taxa de cancelamento de cirurgias, a taxa de mortalidade
dos pacientes durante e no pós-operatório. Além disso, para maior aplicabilidade do modelo, é
aconselhado considerar as o tempo de descanso das equipes médicas entre uma cirurgia e outra,
e a avaliação de priorização das filas por perfil de paciente e especialidade cirúrgica, tal como
políticas de recursos exclusivos para cada tipo de cirurgia.
6. Agradecimentos
Ao Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPQ) pelo apoio
financeiro.
14
REFERÊNCIAS
Andrade, E. L. (2009). Introdução à pesquisa operacional, métodos e modelos para análise de decisões. 4. ed.
Rio de Janeiro: LTC, 2009.
Akkerman, Renzo e Knip, Marrig (2004). Reallocation of Beds to Reduce Waiting Time for Cardiac Surgery.
Arenales, M. et al. Pesquisa Operacional. 1. ed. Rio de Janeiro: Elsevier, 2007.
Aringhieri, R., Landa, P., Soriano, P., Tànfani, E., Testi, A., (2014). A two level Metaheurististic for the Operating
Room Scheduling and Assignment Problem. In Computers e Operations Research, v.54, 21-34.
Fitzsimmons, J. A; Fitzsimmons, M. J. (2005) Administração de Serviços: Operações, Estratégia e Tecnologia

de Informação. 4 ed. Porto Alegre: Bookman.
Pereira, I., (2013). Web page. Disponível em: <http://revistamelhorespraticas.com.br/novo2015/admin/

uploads/indice_f80f1e697632b21d5a1d4ea4f478092b.pdf>. Acessado: 12 jul. 2018.
Prado, D. S. Teoria das Filas e da Simulação. Nova Lima (MG): INDG, 2006.
Sabbadini, F.; Gonçalves, A. A.; Oliveira, M. J. F. (2006) Gestão da Capacidade de Atendimento e Simulação
Computacional para a Melhoria na Alocação de Recursos e no Nível de Serviço em Hospitais. In: III SEGET –
Simpósio de Excelência em Gestão e Tecnologia. Resende, RJ.
Siqueira, C. L., (2016). Otimização integrada dos centros cirúrgicos e dimensionamento de leitos, um estudo
de caso do Instituto Nacional de Traumatologia e Ortopedia (INTO). COPPE – Universidade Federal do Rio
de Janeiro – UFRJ – Rio de Janeiro – RJ.
Siqueira, C. L., Arruda, E. F., Bahiense, L., Bahr,G. L., (2018). Long-term integrated surgery room optimization
and recovery ward planning, with a case study in the Brazilian National Institute of Traumatology and Orthopedics
(INTO). European Journal of Operational Research, v. 264, p. 870 - 883.
Tancrez, J. S., Roland, R., Cordier, J.P., Riane, R. (2013). Assessing the impact of stochasting for operating theater
sizing. Decision Support Systems, v. 55, p.616 - 628.
Tancrez, J. S., Roland, R., Cordier, J.P., Riane, R., (2009). How stochasticity and emergencies disrupt the
surgical schedule. Université Catholique de Louvain, Core, B-1348 Louvain-la-Neuve, Bélgica.
Zonderland, M.E., Boucherie, R. J., Litvak,N., Lankamp, C. L. A. M. V.,(2010) Planning and scheduling of semi-
urgent surgeries. Health Care Manag Sci, v. 13, p.256 - 267.
15

TN Sto 292 1648 37362

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

TN Sto 292 1648 37362

Enviado por

Direitos autorais:

Formatos disponíveis

XXXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

SIMULAÇÃO DISCRETA PARA

Este artigo trata do planejamento de cirurgias eletivas utilizando

Palavras-chave: Simulação; Planejamento de cirurgias; INTO..

Modelo de chegada dos usuários

Fonte: Andrade (2009)

menosprezadas pela literatura. Os resultados forneceram informações úteis sobre as relações

Fonte: Arenales et al. (2007)

Fonte: Siqueira (2016)

• Não considera o evento de cirurgias malsucedidas, com casos de morte de pacientes

Fonte: Elaboração própria

sobre mudanças de capacidade e dimensionamento para atender pacientes, melhorar o nível de

Fonte: Elaboração própria

Tabela 2 – Resultados da simulação para o Cenário 1 (recursos)

Avaliando os resultados obtidos é possível observar que o número de pacientes e tempo de

Tabela 4 – Resultados da simulação para o Cenário 2 (recursos)

Tabela 6 – Resultados da simulação para o Cenário 3 (pacientes)

Tamanho da Tempo de Espera na

Tabela 7 – Resultados da simulação para o Cenário 3 (recursos)

5. Considerações finais e sugestões para trabalhos futuros

Arenales, M. et al. Pesquisa Operacional. 1. ed. Rio de Janeiro: Elsevier, 2007.

Fitzsimmons, J. A; Fitzsimmons, M. J. (2005) Administração de Serviços: Operações, Estratégia e Tecnologia

Pereira, I., (2013). Web page. Disponível em: <http://revistamelhorespraticas.com.br/novo2015/admin/

Você também pode gostar