Buscar temas
Artículos   |   Simulación

Urgencias: ¡Con modelos de optimización se puede mejorar su desempeño!

Pedro Gazmuri

Escrito por Pedro Gazmuri Ph.D Berkeley, EE.UU.

Los modelos de optimización permiten, por ejemplo, disminuir el tiempo de espera de los pacientes y aumentar el número de atendidos.

Las unidades de emergencia (UE) de clínicas y hospitales enfrentan graves problemas en su gestión. Entre estos: atochamiento de pacientes, largas esperas, resoluciones médicas imprecisas, etc.

Existe abundante evidencia a nivel nacional e internacional de que las fallas en la atención de los pacientes en las UE no se deben a un personal médico no preparado, sino que a problemas de gestión interna de estas unidades.

Existen hoy herramientas cuantitativas que combinan machine learning y modelos de optimización y simulación, para aumentar la efectividad de estas unidades de atención médica.

Estas herramientas cuantitativas tienen en la base un modelo de simulación. Este reproduce en forma detallada la operación de la unidad, tomando en cuenta todos los aspectos del problema.

Modelos de este tipo son un estándar de la industria desde hace más de 20 años. Las grandes novedades de los últimos 5 años van en dos direcciones: modelos de optimización que interactúan con el modelo de simulación para encontrar en forma eficiente la configuración óptima del sistema, y machine learning.

Machine learning

Machine learning se ha utilizado para procesar grandes volúmenes de información histórica de pacientes atendidos, para predecir las características de los pacientes que llegarán a la UE, y con ello, predecir el tiempo de atención y los recursos que requerirá.

Todo lo anterior es un avance notable respecto a los modelos de simulación más tradicionales, ya que ahora se cuenta con información de mucho más calidad para ajustarlos.

Respecto a los modelos de optimación que se utilizan en este ámbito, estos son de una estructura matemática compleja. Requieren de algoritmos de solución muy sofisticados (muy distintos del conocido algoritmo Simplex, que se utiliza para modelos de programación lineal). Sin embargo, hoy día existen algoritmos que permiten resolver estos modelos.

Las variables de decisión de estos modelos son los recursos a utilizar: mano de obra, equipamiento, camas. Las restricciones tienen que ver con: una cota superior para el tiempo de espera de un paciente, el porcentaje deseado de utilización de cada unidad de la UE, y el tiempo máximo de permanencia de un paciente, entre otras.

Observemos que muchas de estas restricciones son expost, solo las puedo evaluar usando la simulación. Para una asignación dada de recursos, por ejemplo, el tiempo promedio de espera de los pacientes solo puedo conocerlo simulando la operación de la UE en todo el horizonte de simulación (típicamente un mes).

Simular y optimizar

Hoy día disponemos de toda la tecnología para comunicar en forme eficiente estos dos tipos de modelos: el de optimización y el de simulación.

Observemos que en muchos de estos casos, el número de alternativas a evaluar (es decir configuraciones de asignación de recursos) pueden ser cientos de miles o millones. Luego es imposible evaluar una a una usando solo el modelo de simulación.

Un sistema de modelamiento de este tipo ha sido aplicado en varios hospitales en Estados Unidos. Aplicaciones de estas herramientas a hospitales específicos han permitido, con el mismo nivel de recursos, disminuir el valor de LOS (tiempo de permanencia de un paciente en la UE) de 10 a 7 horas. También disminuir el tiempo promedio de espera de los pacientes en un 70%. Y simultáneamente aumentar el número de atendidos en un 8%.

Lee aquí un artículo sobre productividad en un taller de camiones mineros.

 No hay comentarios

Déjanos tu comentario

Nombre del CursoHerramientas de Simulación

Diplomados asociados

volver al inicio
X