Network modeling for the employment structure of the computed tomography rooms staff during the COVID-19 pandemic: some examples of medical organizations of the Moscow Healthcare Department
- Authors: Omelchenko A.V.1, Shakhabov I.V.1, Polishchuk N.S.1
-
Affiliations:
- Scientific and Practical Clinical Center for Diagnostics and Telemedicine of the Moscow Department of Health
- Issue: Vol 2, No 1S (2021)
- Pages: 28-29
- Section: Articles
- URL: https://jdigitaldiagnostics.com/DD/article/view/70260
- DOI: https://doi.org/10.17816/DD20211s28
- ID: 70260
Cite item
Full Text
Abstract
.
Full Text
ОБОСНОВАНИЕ. Анализ и моделирование сетей — это технология в анализе биомедицинских данных, которая служит для описания и исследования различных статических и динамических процессов в медицине и организации здравоохранения [1]. В области общественного здоровья сетевой анализ находит широкое применение: от изучения распространения инфекционных заболеваний [2] и трансфера медицинских технологий [3] до анализа межорганизационных структур в системе здравоохранения городов, регионов и стран [4].
ЦЕЛЬ — оценить адаптивность и эффективность системы управления врачебными кадрами в период пандемии COVID-19 посредством сравнительного анализа структуры занятости врачей-рентгенологов и рентгенолаборантов из выборки медицинских организаций в различные периоды пандемии в г. Москве.
МЕТОДЫ. Исходными материалами послужили данные о штатной численности, занимаемых ставках, типе должностного исполнения врачей-рентгенологов, которые входили в штат Московского референс-центра (МРЦ) по лучевой диагностике в период с января по сентябрь 2020 г. (19 медицинских организаций — МО). В представленной работе использованы методы статистического анализа; вычисления проводились с использованием языка программирования R в среде RStudio [5].
РЕЗУЛЬТАТЫ. В данной работе предложены сетевые модели на основе теории графов, в рамках которой вершинами графов являются медицинские организации и сотрудники этих медицинских организаций, а связями между вершинами установлен тип исполнения сотрудником своей трудовой функции. Так, например, модель кадровой структуры исследуемых организаций в июне 2020 г. представляет из себя граф (сеть) с 19 красными квадратами, которыми показаны МО, соединенными с множеством синих и зеленых кружков, которыми показаны врачи и рентгенолаборанты соответственно, при этом линии (рёбра), их соединяющие — это любой вид исполнения трудовой функции (основная занятость, внешнее совместительство, внутренне совместительство). Данная модель характеризуется следующими средними интегральными характеристиками: размер сети — 652; число связей — 640; плотность сети — 0,003; количество компонент — 19; центральность сети для МО и персонала — 0,084; диаметр сети — 8; связность — 0,053; средняя дистанция — 3,746 и модулярность — 0,928. Это моделирование и расчёты были выполнены в отдельности для врачей и среднего медицинского персонала по каждому типу трудовой функции. При этом плотность графа можно трактовать как степень укомплектованности штата организации, размер графа — как численность штата, а количество компонент — как меру удовлетворенности сотрудников работой в организации, при которой у них не возникает потребности в дополнительных подработках. Примерно тот же физический смысл имеет такой показатель сети, как модулярность вершин, с тем отличием, что в предложенной конфигурации модели этот показатель характеризует кадровую политику руководства организаций, направленных на создание привлекательных условий работы для персонала, при этом центральность вершины является мерой привлекательности медицинской организации для действующих и потенциальных сотрудников, а связность графа количественно демонстрирует тенденцию для рассматриваемой системы медицинских организаций миграции кадров и/или кадровую политику администрации организаций на открытие вакансий на неполные ставки. Таким образом, изучая и сравнивая структуры систем и подсистем подобных моделей, созданных путём генерации сетей по какому-либо признаку, можно выявить закономерности в изменениях кадровой структуры, вызванных каким-либо внешним по отношению к системе событием (например, эпидемиологической обстановкой в городе).
ЗАКЛЮЧЕНИЕ. В период с апреля по июнь 2020 г. нагрузка, занятость и интенсивность труда рентгенологов и рентгенолаборантов, согласно данным сетевого моделирования, была максимальной, а и в июне-августе эти показатели вернулись к значениям февраля-марта либо превзошли их в сторону улучшения, что свидетельствует об эффективности предпринятых мер в организации труда медицинских работников ДЗМ в этот период. Тенденции на увеличение нагрузки с апреля по июнь 2020 г. были наиболее выражены для среднего медперсонала, в то время как стабилизация ситуации затрагивает средний персонал с большей инертностью и не так сильно выражена, как для врачей.
About the authors
A. V. Omelchenko
Scientific and Practical Clinical Center for Diagnostics and Telemedicine of the Moscow Department of Health
Author for correspondence.
Email: polishchuk@npcmr.ru
Russian Federation, Moscow
I. V. Shakhabov
Scientific and Practical Clinical Center for Diagnostics and Telemedicine of the Moscow Department of Health
Email: polishchuk@npcmr.ru
Russian Federation, Moscow
N. S. Polishchuk
Scientific and Practical Clinical Center for Diagnostics and Telemedicine of the Moscow Department of Health
Email: polishchuk@npcmr.ru
Russian Federation, Moscow
References
- Luke DA, Harris JK. Network analysis in public health: history, methods, and applications. Annu Rev Public Health. 2007;28:69–93. doi: 10.1146/annurev.publhealth.28.021406.144132
- Patel RR, Luke DA, Proctor EK, et al. Sex venue-based network analysis to identify HIV prevention dissemination targets for men who have sex with men. LGBT Health. 2018;5(1):78–85. doi: 10.1089/lgbt.2017.0018
- Prusaczyk B, Maki J, Luke DA, Lobb R. Rural health networks: how network analysis can inform patient care and organizational collaboration in a rural breast cancer screening network. J Rural Health. 2019;35(2):222–228. doi: 10.1111/jrh.12302
- Luke DA, Harris JK, Shelton S, et al. Systems analysis of collaboration in 5 national tobacco control networks. Am J Public Health. 2010;100(7):1290–1297. doi: 10.2105/AJPH.2009.184358
- R Core Team. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria; 2020. Available online at https://www.R-project.org/.