Mejorar la eficiencia en el uso de los pabellones del hospital clínico de la Universidad de Chile José Joaquín Aguirre mediante análisis estadístico, machine learning y simulación

Abstract

El manejo eficiente de los pabellones quirúrgicos implica cumplir con diversos objetivos. Estos abarcan aspectos financieros, uso de recursos físicos y humanos, la calidad y rapidez en la atención a los pacientes, entre otros. La complejidad e interrelación de estos objetivos dificulta encontrar una solución óptima, ya que es necesario equilibrarlos, a veces, en un conflicto mutuo. A modo de contexto, las utilidades reportadas por el servicio de pabellón representan el 40% de las ganancias del hospital, por lo que un uso ineficiente de estos espacios impacta directamente en la estabilidad financiera.

Este trabajo de investigación tiene por objetivo principal identificar, clasificar y analizar el uso del tiempo disponible de los pabellones ambulatorios con el propósito de proponer una política de programación que permita aumentar la ocupación y la cantidad de intervenciones realizadas sin provocar un aumento drástico en el sobretiempo.

Este objetivo se persigue mediante la división del uso del tiempo disponible en el pabellón en categorías de inactivo y ocupado. La categoría inactivo se subdivide en retraso al inicio del día, entre actos quirúrgicos y al final del día. Además, se calcula el error de estimación de la duración de los procedimientos quirúrgicos junto con el sobretiempo. De esta manera, se logra comprender las fuentes de inactividad y proponer una política de programación que aborde dichos márgenes identificados. Además, se emplean algoritmos de machine learning que incluyen variables del paciente, procedimiento y cirujano para predecir la duración de los actos quirúrgicos con mayor exactitud, con un enfoque de implementabilidad y programación más eficiente de los pabellones reduciendo la probabilidad de sobretiempo.

Como resultado, se ha determinado que la ocupación promedio de los pabellones durante el año 2022 oscila entre el 66.7% y el 74.15%. En relación con las fuentes de ineficiencia, se observa que los tiempos entre actos quirúrgicos son mayores cuando intervienen cirujanos distintos en dos procedimientos consecutivos, alcanzando una diferencia promedio de 21 minutos. Respecto al algoritmo de machine learning, el de mejor rendimiento fue XGBoost logrando reducir el MAPE hasta un 23.01%.

Este análisis ha derivado en una política que se enfoque en reducir los tiempos inactivos, agrupe cirugías del mismo cirujano, programe intervenciones en el tiempo liberado y realice la predicción de la duración de los procedimientos mediante machine learning. Utilizando herramientas de simulación, se cuantificó el margen de mejora, logrando un aumento de la ocupación del pabellón 12B a 81.4%, conteniendo el porcentaje de días en que el pabellón tuvo sobretiempo en el turno de las 16:00 bajo el 19.66%.