Cómo reducir las listas de espera de quirófanos mediante Analítica Prescriptiva

  • Autor de la entrada:
  • Categoría de la entrada:General

Los tiempos medios en lista de espera para intervenciones quirúrgicas por el Sistema Nacional de Salud (SNS) en España comenzaron a aumentar en torno al año 2012 para, tras leves oscilaciones, situarse a 31 de diciembre de 2019 en 121 días según datos oficiales. Con más detalle, dependiendo del tipo de intervención a realizar se alcanzan los 333, 163 y 137 días como valores medios más altos en cirugía plástica, neurocirugía y traumatología, respectivamente.

Si se analiza el mismo dato por Comunidad Autónoma, se observan diferencias de hasta 110 días en tiempo medio de espera entre diferentes comunidades (La Rioja/Madrid frente a Andalucía).

La planificación de intervenciones quirúrgicas se lleva actualmente a cabo mediante un proceso similar en los diversos hospitales. Dicho proceso se basa en una disposición de quirófanos inicial para cada servicio que, tras recibir la información de la disponibilidad de quirófanos, planifica de manera individual y aislada sus intervenciones. Una vez realizadas las planificaciones de cada servicio, son revisadas por un comité médico central que detecta las incompatibilidades generadas en la unión de toda la programación. Estas incompatibilidades pueden deberse a múltiples motivos: falta de personal, necesidades de material solapadas, etc.

Cabe resaltar que en esta planificación no se atienden otras cuestiones relacionadas con la productividad como la coordinación con los equipos de limpieza o los encargados del movimiento de pacientes, lo cual ocasiona de manera puntual retrasos o tiempos muertos en los quirófanos. Además, tampoco se considera la disponibilidad de los recursos materiales necesarios de otras unidades hospitalarias ligadas al bloque quirúrgico, como las unidades de esterilización o la de radiología.

Con los datos anteriores y el proceso observado en los hospitales se pone de manifiesto que la programación de los quirófanos según la disponibilidad de los recursos se puede beneficiar de la Analítica Prescriptiva para reducir los tiempos de espera.

Si se analiza la cantidad de distintas programaciones (y las correspondientes asignaciones de recursos) que se pueden dar en un hospital a la hora de planificar las intervenciones, se obtiene un número enorme de posibilidades a evaluar.  Tan alto que hace que encontrar la programación óptima sin la adecuada herramienta analítica se vuelva imposible.

Como resultado del elevado número de posibles planificaciones a evaluar manualmente, y del hecho que la propuesta inicial de la que parte el comité se hace de manera individualizada por cada servicio,  la programación de intervenciones en los quirófanos no es la óptima en términos de productividad.

¿Cómo puede ayudar la Analítica Prescriptiva?

La Analítica Prescriptiva permite el desarrollo de un sistema de gestión de los recursos y las operaciones quirúrgicas, que ofrezca la programación óptima (en términos de tiempos de espera) de las operaciones, con su asignación a cada quirófano y los profesionales médicos asociados a cada una de ellas, los tiempos de limpieza de cada quirófano, la necesidad de los celadores para el movimiento de pacientes y la necesidad de recursos materiales de otras unidades del hospital.

Tal sistema apoyaría de manera inteligente la toma de decisiones de los gestores y, llegado el momento, permitiría hacer esta tarea de manera autónoma bajo supervisión médica.

Como datos de entrada, el sistema emplearía toda la información pertinente sobre la demanda y la disponibilidad de recursos. En general:

  • Las intervenciones a realizar de cada servicio, es decir, las operaciones de traumatología, cardiología, etc. a realizar y su caracterización (tiempo estimado, material necesario o necesidad de personal).
  • Las plantillas de los cirujanos distintos servicios del hospital (traumatología, cardiología, urología, torácica, etc.) con la caracterización de los profesionales en términos de capacitación, disponibilidad y preferencias.
  • La plantilla de anestesiólogos con su caracterización y disponibilidad.
  • El personal de enfermería, auxiliar y celadores.
  • La cantidad de quirófanos asociados a cada servicio, y disponibles en general.
  • Los equipos de limpieza, disponibilidad y caracterización de sus tareas.
  • Cualquier otro recurso necesario.

Todos estos datos proporcionan una visión inmediata de las necesidades y los recursos de los que dispondrá la herramienta para llevar a cabo una gestión eficiente de estos servicios que incluya la planificación óptima de cada quirófano y la asignación de los recursos a cada intervención. Tras alimentar a la herramienta con estos datos, ésta evaluará de manera sistemática el espacio de soluciones formado por todas las combinaciones posibles intensificando la exploración en aquellas más prometedoras y diversificando la búsqueda para identificar posibles nuevas soluciones atractivas de forma que, en función de la técnica aplicada se obtenga una programación óptima o muy cercana a la óptima.

Otra ventaja de la agilidad y versatilidad de la Analítica Prescriptiva es la flexibilidad que aporta para replanificar. La aparición de complicaciones durante una intervención es algo extendido, con el consiguiente retraso de operaciones o la cancelación de aquellas planificadas para el final del día. Con la inteligencia y la velocidad de planificación de estas técnicas de Analítica Prescriptiva, la reubicación de las cancelaciones es una tarea en la que nuevamente se aporta valor frente a la planificación manual.

Una posible solución tecnológica podría funcionar como se presenta en el siguiente esquema, que recoge los datos de entrada que deberán alimentar el motor autónomo basado en técnicas de optimización matemática y machine learning, los datos de salida que se mostrarán en la interfaz y el bucle de replanificación.

Entradas y salidas de un modelo de optimización de quirófanos.
Entradas y salidas de un modelo de optimización de quirófanos.

En lo que se refiere al motor autónomo se aplican técnicas de modelización matemática basadas en la optimización de los calendarios de operaciones. En concreto, programación lineal, basada en la definición de un conjunto de variables sujetas a una serie de restricciones y una función objetivo lineal, cuyo valor hay que maximizar o minimizar.

El análisis sistemático del espacio de posibles soluciones que satisfacen las restricciones impuestas favorece una rápida identificación de aquella que mejor alcanza la meta especificada. Además, para sistemas complejos como el aquí estudiado puede ser conveniente el empleo de técnicas metaheurísticas que, aunque no aseguran la obtención de la solución óptima, sí proporcionan buenas soluciones con menores tiempos de computación.

En segundo lugar,  podríamos combinar estas técnicas de optimización con otras de inteligencia artificial, a través de machine learning.  En concreto, las técnicas de reconocimiento de patrones permiten la detección de patrones en las planificaciones óptimas. El motor autónomo lleva a cabo un proceso de aprendizaje a través de la experiencia, lo que permite disminuir tiempos de computación en futuras resoluciones. Para la identificación automática de patrones se proponen algoritmos como redes neuronales, modelos de árboles predictores o distintas técnicas de clustering.

En cuanto a la salida de la herramienta, se incluye, a continuación,  una serie de figuras que representan el posible aspecto que podría tener la interfaz web.

Página principal con la planificación de quirófanos  y el menú contraído.
Página principal con la planificación de quirófanos  y el menú contraído.
Menú desplegable en la tabla de intervenciones
Menú desplegable en la tabla de intervenciones

Conclusión – las listas de espera se pueden reducir mediante Analítica Prescriptiva

Este concepto supone la combinación de técnicas de Investigación Operativa y de machine learning en forma de una herramienta inteligente, fácilmente integrable en cualquier tipo de sistema, que ilustra otro caso de uso de Analítica Avanzada aplicado al sector sanitario.