Uso da metodologia Lean Six Sigma na melhoria do acesso a medicamentos biológicos para tratamento da artrite reumatoide
Notice bibliographique
Résumé
Objetivo: propor fluxo otimizado do processo de acesso a medicamentos biológicos utilizando a metodologia Lean Six Sigma. Método: Estudo de corte transversal conduzido no Centro de Infusão, em Salvador, Bahia. Foram analisados os processos administrativos de solicitação de medicamentos biológicos para tratamento da artrite reumatoide no ano de 2016. Para análise do processo atual e proposição de um processo otimizado foi utilizado o método Lean Six Sigma seguindo a aplicação da metodologia DMAIC por meio das ferramentas Project Charter, SIPOC, PMAP, VSM e FMEA. Resultados: Foram incluídos 63 processos. O procedimento possui três etapas críticas. Os tempos médios encontrados foram de 30, 11 e 73 dias, respectivamente, sendo o tempo médio entre a solicitação do medicamento biológico pelo usuário e a dispensação foi de 84,3 dias. As etapas 1 e 3 são consideradas demoradas, especialmente a última. As principais causas para a demora estão na orientação insuficiente e inadequada do paciente, e na não entrega da documentação completa. As especificações do processo não estão sendo atendidas havendo grande variabilidade. Cerca de 54% dos dados estão fora das especificações, demonstrando a ineficiência do processo e que é necessário gerenciar as causas especiais com o intuito de visando reduzir a variabilidade e aprimorar o processo de acesso a esses medicamentos. Conclusão: O processo de acesso a medicamentos biológicos no Centro de Infusão é demorado e pode ser melhorado. Causas como o desconhecimento por parte do paciente, do endereço do local de infusão do medicamento podem ser corrigidas. A metodologia Lean Six Sigma demonstrou boa aplicabilidade para melhorar o processo de acesso a medicamentos.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,031 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».