I. INTRODUCCIÓN

La programación de cirugías en las instituciones de salud colombianas, al igual que en muchos países, está sujeta a una gran cantidad de condiciones y restricciones que limitan su eficiencia y eficacia. Algunos de estos problemas son la escasa disponibilidad de presupuesto para su operación y, en muchos casos, la disponibilidad de personal especialista, un problema especialmente notorio en las ciudades medianas y pequeñas. Lo anterior, limita la capacidad de las instituciones de salud de dar respuesta en forma oportuna y apropiada a los requerimientos de la población objetivo [1]. Además, es posible encontrar que tanto en instituciones de salud públicas como privadas existen aún deficiencias en cuanto a la disponibilidad de plataformas tecnológicas para llevar a cabo actividades como la planeación de recursos, la programación de personal y la gestión de los recursos de la institución que no se consideran vitales para la operación de la institución [2].

Algunas cifras recientes indican que en Colombia, al igual que muchos países en condiciones similares, existe un claro déficit de especialistas en el área de la salud. De este hecho se deriva que alrededor de un 55% de hospitales no cuentan con la disponibilidad de médicos que se necesitan [1]. Como consecuencia, los pocos especialistas deben ser compartidos entre diferentes instituciones de salud bajo esquemas de contratación (a destajo). En este modelo los médicos no trabajan de manera permanente en ninguna institución, no se cuenta con su disponibilidad completa y, en muchos casos, las instituciones deben adaptarse a la disponibilidad de tiempo y horario que los especialistas definan. Este problema es aún más grave en las ciudades intermedias, pues, según algunas estadísticas, el 80% de los especialistas se encuentran en las tres áreas metropolitanas más grandes de Colombia: Bogotá, Medellín y Cali [1]. Como consecuencia de esta realidad, las instituciones de salud se enfrentan a diversos problemas a la hora de programar la utilización de sus recursos, lo que conlleva finalmente a bajos niveles de utilización de las salas, desperdicios en el uso del limitado tiempo del personal médico y demoras en la atención de los pacientes.

Con el fin de mejorar la programación de cirugías, es posible adaptar estrategias y plataformas tecnológicas que faciliten la tarea; no obstante, no todas las instituciones cuentan con los recursos necesarios para lograr la implementación de las mismas. De igual forma, dada la limitada disponibilidad de personal médico especializado, algunas instituciones se enfrentan a situaciones más complejas, en las que la adopción de reglas sencillas para la programación de las cirugías bajo las condiciones dadas corresponde a la única opción aplicable. Desde esta perspectiva, es importante determinar una forma adecuada de llevar a cabo dicha programación para mejorar indicadores de calidad como la oportunidad de la atención, el tiempo desde que el paciente solicita su procedimiento hasta que es programado y la utilización de las salas, que en muchas casos puede ser rentada para la prestación de servicios por parte de privados, no pertenecientes a la institución.

En este artículo se explora el uso de reglas de prioridad de aplicación sencilla para instituciones que cuentan con limitaciones en su disponibilidad de personal especializado y en recursos tecnológicos que faciliten dicho proceso. Se presentan los resultados de la simulación de estrategias adaptadas de reglas de prioridad on-line y off-line teóricas, utilizadas con el fin de evaluar su pertinencia en el caso planteado. El énfasis del trabajo se centró en la determinación de un esquema de asignación de salas de cirugía para la institución estudiada y de ninguna forma pretende dar solución a problemas genéricos de la programación de cirugías.

II. PROGRAMACIÓN DE CIRUGÍAS

El problema de programación y asignación de cirugías consiste en la determinación de la fecha y hora de realización de las cirugías, de tal manera que se sincronice de forma adecuada la disponibilidad del personal, de equipos y tecnología requerida para la realización de los procedimientos quirúrgicos. Este es un problema que ha sido estudiado por una gran cantidad de autores, usando diversos métodos, de acuerdo con los niveles de decisión involucrados (Estratégico, Táctico y Operativo), los cuáles determinan el nivel de complejidad metodológica y el alcance de los resultados esperados [3]. En el nivel estratégico el objetivo es definir la oferta general de cirugías del hospital con sus correspondientes recursos en atención a la demanda global estimada y teniendo en cuenta restricciones usualmente relacionadas con la disponibilidad de presupuesto. A nivel Táctico se pretende desarrollar un programa maestro de cirugías, en el que se define el horario de funcionamiento y se determinan los cirujanos o equipos quirúrgicos con prioridad en periodos de tiempo en cada sala. Finalmente, en el nivel operativo, se establecen las secuencias y se asignan las cirugías para su atención en los espacios programadas para un periodo de tiempo corto (diario).

Desarrollos informáticas a la medida de la institución que los demanda e incluso algunas generales ampliamente conocidos en la industria como los integrados en los ERP son a menudo adoptados por instituciones que cuentan con los recursos económicos, humanos y tecnológicos para su implementación. No obstante, también se ha hecho evidente que existe una clara ventaja en los desarrollos hechos a la medida, pues ha quedado claro que, en salud, cada institución puede operar bajo esquemas muy diferentes lo que, consecuentemente, limita la aplicabilidad de desarrollos de tipo genérico.

Otra forma de caracterizar los niveles de decisión, es la propuesta por [4], quienes plantean que el primer nivel de decisión consiste en estimar la duración de cada cirugía; el segundo nivel de decisión consiste en determinar el orden (secuencia) en que se deben ejecutar los procedimientos en una sala más las decisiones del primer nivel; en el tercer y cuarto nivel se integra a las decisiones anteriores las asignaciones de sala y fecha, respectivamente. Estos dos últimos niveles implican la consideración implícita o explícita del recurso médico. Conforme aumenta el nivel de decisión mayor es la complejidad de los modelos usados para tal programación y en consecuencia, la dificultad para hallar su solución óptima. Sin embargo, el tales consideraciones permiten una mejor aproximación a la realidad.

Diversas estrategias pueden ser utilizadas para la programación de las salas de cirugía que pueden diferir enormemente en su aplicación y que pueden requerir de tecnologías más o menos sofisticadas para su adopción. Existen las llamadas metodologías on-line, que se llevan a cabo en tiempo real, en las que se asignan las fechas, salas y horas de inicio de la cirugía inmediatamente. Por otro lado, otros métodos se aplican partiendo de listas de espera (off-line), en donde el paciente debe esperar a la confirmación de la realización de la cirugía. En este enfoque una cirugía es programada por la institución una vez se cuenta con una base de solicitudes lo suficientemente grande para dar paso a una programación que utilice de forma más adecuada los recursos [4].

Cardöen et al. [5] clasifican los problemas de planeación y programación de quirófanos teniendo en cuenta los siguientes elementos: i) tipo del paciente (electivo, correspondiente a pacientes ambulatorio u hospitalizados, y de urgencias), ii) medidas de desempeño analizadas (tiempo de espera, utilización, aplazamiento de pacientes, makespan y medidas financieras), iii) tipo de decisión (fecha, duración, sala y capacidad), iv) metodología (tipo de análisis y técnicas utilizadas), v) la incertidumbre (determinista vs estocástico) y vi) la aplicabilidad de los modelos propuestos. Los autores resaltan que el enfoque de simulación parece ser exitoso para analizar escenarios, especialmente cuando el problema vincula comportamientos aleatorios, por su flexibilidad y por permitir un grado suficiente de detalle [5]. Teniendo en cuenta la anterior clasificación esta investigación vincula elementos estocásticos ligados a las características de la demanda y el estudio de cirugías electivas, mediante el uso de simulación de eventos discretos de reglas de prioridad off-line y on-line. El foco central es la determinación de reglas de programación que permitan mejorar algunas medidas de rendimiento relacionadas con el proceso de asignación de citas, sin considerar directamente el efecto de eventos adversos aleatorios al momento de ejecución de los procedimientos quirúrgicos.

1. Caso de estudio

El objeto de estudio, es el área de cirugías de un hospital de tercer nivel privado, que atiende servicios de salud de alta complejidad, ubicado en una ciudad intermedia de Colombia. Esta área tiene una importante participación en los ingresos de la institución, por atender procedimientos especializados y realizar, además, cirugías estéticas. Esta clínica cuenta con un número muy limitado de médicos especialistas contratados directamente por la institución. Como consecuencia, y además de la limitada disponibilidad de especialistas en la región, la institución usualmente debe adaptarse a los horarios disponibles por parte de este personal y no necesariamente éstos a las necesidades de la institución.

La institución estudiada carece además de herramientas tecnológicas apropiadas para realizar algunas de las tareas de planeación y programación de recursos. Esta realidad evidencia la necesidad de proponer reglas de secuenciación y esquemas de programación y asignación de cirugías simples, de tal forma que el personal a cargo de dichas tareas lo pueda llevar a cabo sin requerir de sofisticadas herramientas tecnológicas ni inversiones en tecnologías para apoyarlo. De esta forma, se espera que este tipo de esquemas pueda ayudar a responder de forma muy rápida a las muy sentidas necesidades de la institución en cuanto a mejorar el proceso de planeación de capacidad y programación de las cirugías, para mejorar el grado de utilización de las salas y el indicador de oportunidad de atención.

El servicio de cirugías atiende intervenciones quirúrgicas en cirugía general, cardiovascular, plástica estética, plástica reconstructiva, cirugía de mano, vascular, ortopedia, urología, neurocirugía, neumología, otorrinolaringología, gastroenterología, cirugía de tórax, ginecología y cirugía pediátrica. El área de quirófanos cuenta con dos salas utilizadas para hacer todos los procedimientos que ofrece la clínica, excepto los de cirugía cardiovascular los cuales se desarrollan exclusivamente en una sala particular diferente a las demás.

Con respecto a los especialistas, en el periodo de estudio la clínica contaba con dos cirujanos cardiovasculares con contrato laboral y 20 médicos especialistas con contrato de adscripción, modalidad que consiste en el pago de una remuneración con base a la cantidad de cirugías que el médico especialista realiza en un periodo de tiempo y sin que ello genere un contrato laboral. En general el proceso del servicio de cirugías consta de las siguientes etapas: admisión del paciente, programación de la cirugía, la intervención quirúrgica, la recuperación post-quirúrgica, el proceso de facturación y el egreso del paciente.

En la fase de programación de la cirugía se define la fecha y hora de realización de la intervención quirúrgica. Este proceso manual que se hace actualmente de manera on-line tiene en cuenta principalmente la disponibilidad de tiempo por parte del cirujano tratante y el orden en que los pacientes llegan al sistema. No obstante, la hora y fecha final depende de cómo se concreta un acuerdo entre el cirujano y la persona encargada de realizar la programación de quirófanos, que para tal caso puede ser la jefa de enfermería, el instrumentador de turno o el médico de quirófano, teniendo en cuenta la disponibilidad de la sala, del anestesiólogo y el médico general de turno que apoyan el servicio. En la determinación de fecha y hora con el médico especialista, él define cuál es el tiempo de duración de la cirugía que se debe reservar en la programación.

2. Metodología

La metodología para el desarrollo de esta investigación se ejecutó en dos fases. En primer lugar se llevó a cabo una caracterización del sistema, que buscaba identificar las características de la demanda atendida por la institución, los procedimientos realizados y las duraciones de estos. Se documentó el proceso de programación actual a partir del análisis de información registrada en los libros de programación del periodo entre Enero 2013 y Septiembre de 2014. Los datos comprenden la información de todos los procedimientos que se llevaron a cabo, la programación asignada para la realización de los procedimientos y la hora de inicio y fin de las cirugías (incluyendo anestesia y operación). Con esta información, se analizó el comportamiento de la demanda por los diferentes servicios quirúrgicos que ofrece la institución. También se tuvieron en cuenta consideraciones del número de procedimientos que se llevaron a cabo, con el fin de determinar la proporción de la demanda por los diferentes procedimientos que recibe la institución y el tiempo que debería dedicarse a atender cada una de estas especialidades.

La segunda fase contempló la determinación y evaluación de estrategias de programación off- line y on-line para mejorar el proceso de programación ante las condiciones que presenta la institución estudiada. Además, se evaluó la utilización de bloques quirúrgicos teniendo en cuenta la variación en la tasa de demanda. Finalmente se construyó un modelo de simulación de eventos discretos para replicar tanto la forma en la que se lleva a cabo la programación actual en la institución como para evaluar el rendimiento de los diversos escenarios de mejora propuestos.

2.1 Modelo actual de programación de las cirugías

La Figura 1 representa el modelo conceptual de la simulación realizada. El proceso inicia con la llegada de una solicitud de programación, generada de acuerdo a la demanda histórica de las diferentes especialidades para las cuales se realizan procedimientos quirúrgicos en la institución. Acto seguido, se determina la duración del procedimiento de forma aleatoria y respondiendo a las características de duración estimada de acuerdo con la especialidad a la que corresponde. Una vez conocida esta información, análoga a la información suministrada por el personal médico previo a la programación, se verifica la disponibilidad de tiempo en la sala, y se confronta con los espacios de tiempo disponibles suministrados por los médicos cuando esta información se conoce. Si no se dispone de esta información, se realiza una comunicación con el especialista que decide si puede atender la cita en un momento dado, un proceso que se repite hasta que tanto la agenda brindada por el especialista como la programación en alguna de las salas tenga disponibilidad simultánea. Este proceso se modela asociando una probabilidad de rechazo al ofrecimiento de la institución y dependiendo de dicha respuesta se programa la cirugía o se verifica nuevamente la disponibilidad de los quirófanos. Para la programación se tuvo en cuenta dentro de los tiempos de alistamiento y liberación de los quirófanos el tipo de cirugía a realizar; puesto que existen cirugías limpias, en las que no hay elevado riesgo de contaminación en las salas, y sucias en las que la sala requiere de una descontaminación antes de iniciar otro procedimiento.

2.2 Escenarios de programación propuestos

En la Tabla 1 se presenta una descripción de las características de cada alternativa propuesta para la programación de las cirugías. Para el diseño de las alternativas se consideró, de acuerdo con las posibilidades de la institución, el uso de reglas de prioridad teóricas para determinar la disciplina de programación de las solicitudes, la metodología de programación y el uso de bloques operatorios.

Las reglas de prioridad teóricas que se tuvieron en cuenta por ser de fácil implementación y

adecuadas al contexto de la institución estudiada fueron [6][7][8][9]:

1. 1. First fit: Se programa la cirugía en la primera sala que cuente con tiempo disponible
2. 2. Best fit: Se programa la cirugía en la sala que cuente simultáneamente con tiempo suficiente para acomodarla pero tenga el menor tiempo disponible de entre las posibles opciones.

Se evaluaron escenarios on-line (modelo de programación actual de la institución) y escenarios off-line conformando listas de espera durante cortos periodos de tiempo. De esta forma se espera determinar las combinaciones que dan lugar a mejoras en los indicadores relacionados con la programación de las cirugías mediante una mejor utilización de los espacios de tiempo y los recursos humanos. El registro de lista de espera quirúrgica se conformó por todos los pacientes electivos, es decir se omitieron los procedimientos de urgencia, pues en general son disruptivos e implican posibles reprogramaciones en los cronogramas establecidos. Las listas de espera se ordenaron de forma creciente o decreciente. La primera tiene como preferencia programar primero las cirugías que requieren un menor tiempo, mientras que en el orden decreciente encabezan la lista a programar las cirugías de mayor duración.

Además, se evaluó la implementación de “bloques operatorios”. En este sentido, se entiende por “bloque” a una franja de tiempo reservado en un espacio (sitio), que en este caso serían los quirófanos, para la programación de la demanda asociada a un conjunto particular de especialidades médicas. La consideración de estos bloques se da gracias al hecho que la institución puede mejorar su negociación con el personal que atiende las especialidades de mayor demanda en aras de mejorar sus indicadores de rendimiento. Este mecanismo se utiliza con el fin de organizar el horario de la clínica con respecto a la programación de las especialidades de mayor demanda, facilitar la programación al menos en estos espacios y determinar la importancia de llegar a mejores arreglos en términos de negociación con los especialistas que ofrecen sus servicios a la institución.

Así, de acuerdo con la información histórica, se escogieron las tres especialidades de mayor demanda para su programación mediante bloques operatorios: cirugía plástica, ortopedia y cirugía general. La asignación del tiempo total disponible para la creación de los bloques se hizo de forma proporcional a la cantidad de tiempo de cirugía consumido en el año de información disponible para las tres especialidades seleccionadas. Posteriormente, los bloques se asignaron de acuerdo con la disponibilidad de las salas.

En cada escenario se evaluaron dos indicadores de desempeño: utilización de los quirófanos, medido como la proporción del tiempo utilizado respecto al disponible, y el indicador de oportunidad en la asignación de cirugías. Para cada solicitud, la oportunidad se define como el intervalo de tiempo (en días) que transcurre desde que se solicita el servicio de cirugía hasta el momento en que, en efecto, el servicio se ejecuta. En particular, considerando el alcance de este proyecto, esta definición es actualizada para considerar exclusivamente el intervalo desde que se solicita hasta la fecha de programación, omitiendo detalles fuera del alcance como los pacientes (o médicos que no se presentan) y cambios súbitos en la programación debidos a factores externos. De esta forma, el indicador de oportunidad para la atención de una cirugía definido considera exclusivamente el efecto de la aplicación de reglas de despacho sobre la oportunidad de la programación.

III. RESULTADOS

1. Caracterización del servicio de cirugías

En el periodo de estudio en el servicio de cirugías se atendió principalmente pacientes electivos (ambulatorios y hospitalizados), solo el 13% de los ingresos atendidos fueron pacientes de urgencia (ver Figura 2).

La especialidad más demandada en el sistema es la cirugía plástica. Durante el periodo de análisis se encontró que del total de tiempo de utilización de las salas aproximadamente el 65% fue utilizado para realizar cirugías plásticas, seguido de ortopedia y cirugía general con un 9% y 8% respectivamente (ver Figura 3).

En la Tabla 2 se presentan las distribuciones de probabilidad que se utilizaron para caracterizar la variable duración de cirugía por especialidad. En la clínica se realizan cirugías plásticas reconstructivas y estéticas, debido a que en los datos disponibles no se contó con la información necesaria para caracterizar de manera independiente cada uno de los tipos de cirugías, se recurrió a consulta de expertos para definir los valores mínimos y máximos de duración cada una de ellas. Por lo anterior, se definió para esta especialidad una distribución uniforme con los parámetros definidos por los expertos, asumiendo que el 50% de las cirugías plásticas realizadas son reconstructivas y el 50% son estéticas.

Con respecto a las especialidades vascular y otorrinolaringología se determinó la distribución de probabilidad por comité de expertos, puesto que las distribuciones teóricas conocidas fueron rechazadas en las pruebas de bondad de ajuste realizadas. Para las especialidades con las que se contó con menos de 30 datos para realizar los análisis requeridos se definió la distribución por comité de expertos.

2. Modelo de simulación

Como se mencionó previamente, para la fase experimental que corresponde a la evaluación de los escenarios sugeridos, la construcción de la simulación adoptó el software de simulación Arena®. La Figura 4 presenta, de forma muy general el modelo de simulación que se generó, que corresponde al proceso descrito en la sección II.2.2.

El modelo de simulación adoptado modela de forma flexible las diferentes características consideradas en las diferentes alternativas planteadas como propuestas de mejora. Su alcance se limita a la fase de programación de cirugías y no considera los efectos propios de la aleatoriedad implicita al momento de la ejecución de la programación propuesto. De esta forma, se busca con el modelo determinar la mejor estrategia de programación de los procedimientos quirúrgicos, considerando que la institución en la actualidad busca mejorar la eficiencia de sus esquemas de programación sin grandes inversiones en plataformas tecnológicas y considerando la limitada disponibilidad de personal médico y la influencia de su poder de negociación.

Para efectos de los análisis de las salidas del sistema, el modelo contempla una simulación de estado estable, esto puede justificarse sí se considera el hecho que las solicitudes que llegan al sistema deben siempre ser programadas en un horizonte de planeación largo y que dicha asignación puede tener efectos indeterminados sobre las futuras llegadas de solicitudes al sistema. Además, a diferencia de las simulaciones con terminación, el sistema que se modela continúa operando cada día bajo las condiciones de operación del día anterior.

Un primer grupo de experimentos demostró que el tiempo de ejecución del modelo generado para simulaciones de hasta 10 años fue lo suficientemente corto como para realizar simulaciones con múltiples réplicas. De esta forma se esperaba mejorar la precisión de los resultados obtenidos. Debido a que en la actualidad se cuentan con poca información para determinar las condiciones iniciales del sistema se optó por dejar un periodo de calentamiento.

Para este fin, se dividió cada réplica de la simulación en dos fases:

1. a. Una fase de inicialización (periodo de calentamiento), del tiempo 0 al tiempo T0.

2. b. Una fase de recolección de datos, desde T0 hasta el tiempo de parada T0+TE.

Teniendo en cuenta la recomendación de [10] se seleccionó como tiempo de calentamiento T0 el 10% del tiempo total correspondiente a la simulación. Durante este periodo no se recogió información para la determinación de estadísticas del sistema para evitar los correspondientes sesgos de inicialización que podrían ser inducidos por las condiciones iniciales de la simulación. Además, se observó que probablemente debido a que el alcance del modelo no comprende los eventos considerados con el proceso operatorio en sí mismo, las fuentes de variabilidad son pocas y el sistema alcanza el estado estable rápidamente (ver Figura 5).

Se ejecutó un primer conjunto de experimentos con el fin de determinar las condiciones adecuadas bajo las cuales analizar los resultados de la simulación. De esta forma, se esperaba contar con información útil en el propósito de fijar anchos específicos para la amplitud de los intervalos de confianza. Los resultados para la oportunidad en la asignación de las salas de cirugía se muestran en la Tabla 3. Las observaciones parecen indicar que, en general y bajo las consideraciones iniciales de operación del sistema, se obtienen intervalos de confianza de poca amplitud que rondan alrededor de un 0.16% sobre el valor de la media. Esto es probablemente, como se mencionó antes, consecuencia del hecho que las fuentes de variabilidad en el modelo son básicamente dos: i) la disponibilidad de los médicos y ii) la duración de las cirugías.

Los anteriores resultados indican que no es necesario incrementar el número de réplicas y ciertamente pueden llevarse a cabo análisis detallados con la información disponible. A continuación, se analizan en detalle los resultados obtenidos para cada uno de los escenarios con base en el criterio oportunidad.

4.3 Evaluación de escenarios de programación

En la Tabla 4 se presentan los resultados consolidados de las estadísticas de los indicadores de desempeño obtenidos en cada uno de los escenarios evaluados. Las observaciones generadas mediante la simulación del escenario 2 indican una notable mejora en el indicador de oportunidad de atención en comparación con las condiciones actuales. Con respecto al escenario 3, en el que se presenta la posibilidad de mantener listas de espera sin modificar los tiempos de dedicación exclusivos de la sala, es decir sin bloques operatorios, se obtienen resultados similares a los observados en el escenario actual (escenario 1). De acuerdo con las observaciones obtenidas mediante la simulación, no existe una diferencia significativa entre la oportunidad que se obtiene al utilizar estas dos estrategias. La mayoría de medidas de rendimiento obtenidas muestran una clara semejanza que parece indicar que es poco interesante la adopción de este tipo de esquemas.

Los resultados muestran que la programación usando reglas del tipo Best Fit (on-line y off-line) puede conllevar a incrementar el indicador de oportunidad de atención. Lo anterior es interesante si se considera que este indicador está directamente vinculado con la percepción del usuario sobre la calidad del servicio que se presta. La explicación para este comportamiento está dado por el hecho que, mientras en la regla First Fit se concentra la programación en los días más cercanos, debido a que se programa en el primer espacio disponible que se ajusta al requerimiento, en el Best Fit se busca completar los bloques operatorios tanto como sea posible. No obstante, considerando que este es un sistema afectado por el tiempo, programar mediante reglas tipo Best Fit parece incrementar la probabilidad de dejar un bloque operatorio sin utilizar debido a que el criterio no le apunta directamente a este indicador y no necesariamente las nuevas demandas se ajustarán al espacio disponible en los días que se encuentran próximos por pasar y cuyo espacio no estará disponible nuevamente.

Con respecto a los días de espera para realización de los procedimientos en cada escenario simulado, se observó que para el caso del escenario 1 (escenario actual) la distribución del tiempo que esperan los pacientes para ser atendidos es bastante asimétrica y tiene un pico alrededor de 3 días, bastante lejos de la medía que se sitúa en 5.73 días (ver Figura 6). La información generada indica que bajo este escenario el 50% de los pacientes esperarían 5 días o menos y los restantes se distribuirían de forma no homogénea entre 5 y 39 días, siendo este el máximo valor encontrado en la simulación y validado con los expertos consultados en la institución.

Como se observa en la Figura 6, la distribución de los datos, en el escenario 2, muestra una fuerte asimetría en la cual existe una mayor concentración de los datos en el costado izquierdo. Esto, en comparación con el escenario 1, indica que existen muchos menos pacientes que deben esperar grandes periodos por su procedimiento. Mientras que en el escenario actual hasta un 50% de los pacientes debería esperar tiempos inferiores a 5 días, el simple hecho de agregar bloques operatorios hace que ese mismo porcentaje de pacientes espere por periodos de hasta 3 días. Esto es quizá una consecuencia del hecho que la construcción de bloques permite usar de una forma más eficiente las salas, evitando retrasos en las cirugías con mayor demanda, lo cual seguramente afecta las estadísticas asociadas.

Los resultados muestran que tanto en los esquemas 4 y 5, como en el esquema 2, el tiempo máximo que un paciente puede esperar se incrementa en comparación con el esquema actual. Un efecto que puede ser explicado por la espera de los procedimientos que no deben ser programados en los bloques operatorios y que, en periodos de alta demanda deberían esperar.

Una comparación de los resultados en términos de la oportunidad y la utilización de las salas muestran que, bajo los esquemas propuestos, existe una cierta relación entre el porcentaje de utilización y el indicador de oportunidad de atención. Según se observa en la Figura 7, los escenarios simulados en los cuales se obtuvo una mejor (mayor) utilización de las salas, la oportunidad tiende a ser mayor, lo cual se refleja negativamente en los estándares de servicio deseados. En sentido opuesto, se observa que bajas utilizaciones conllevan a mejoras de la oportunidad, el objetivo y principal interés de los directivos de la institución.

Los resultados muestran que el uso de la regla de prioridad Best Fit incrementa el indicador de oportunidad de atención, ya que, esta regla busca utilizar los bloques operatorios tanto como sea posible, teniendo como desventaja el hecho que puede dejar bloques vacíos en los días que van pasando, en espera de un procedimiento que mejore la utilización de las salas en un día dado y que, por desgracia, podría no llegar. Posteriormente, conforme avanza el tiempo es posible que algunos días con baja utilización pasen y posteriormente no se podrán utilizar. Esta regla no favorece el nivel de servicio, puesto que los pacientes presentan un grado alto de preferencia por ser atendidos cuanto antes. El esquema First Fit, por su parte, tiende normalmente a programar en los días más cercanos a la fecha de la solicitud, llenando todos los espacios disponibles en el presente, es decir, bloques que pueden ser usados en el momento que se necesitan.

La implementación de los bloques en las cirugías más demandadas mejora significativamente la oportunidad. La regla de prioridad que se usa con los bloques debe combinar adecuadamente para que marche como se espera. A diferencia de la situación actual, ya no es necesario negociar con el médico la fecha y hora de cirugía, sino que, por el contrario, estos parámetros ya están filtrados en los bloques operatorios. Así, se logra dar flexibilidad a la programación de cirugías de baja frecuencia, conociendo cuales son los espacios disponibles que no están asignados a las especialidades de alta demanda.

3. CONCLUSIONES

Este artículo evalúa mediante simulaciones numéricas la implementación de reglas de prioridad para la programación de cirugías en instituciones que no cuentan ni con las plataformas tecnológicas adecuadas ni con el personal de planta necesario para atender su demanda. El propósito, es determinar estrategias simples de programación que permitan mejorar la oportunidad de la atención y la utilización de las salas en condiciones de limitada disponibilidad de recursos. Los resultados indican que existe una clara ventaja en la utilización de bloques operatorios con el fin de bloquear el tiempo necesario para atender las cirugías de mayor demanda evitando así que estas compitan por recursos frente a cirugías que, teniendo baja demanda, puedan hacer más difícil e ineficiente la programación en las salas disponibles.

El presente artículo presenta una aproximación sencilla a un problema muy común en contextos como el colombiano en el cual, en ocasiones, son requeridas soluciones temporales mientras se cuenta con recursos apropiados para dar una solución definitiva al problema. No obstante, en futuras investigaciones se considerará la posibilidad de desarrollar herramientas de apoyo a la decisión que permitan dar una mejor solución al problema. Además, es importante ampliar el alcance de esta investigación vinculando elementos propios de la ejecución de los procedimientos quirúrgicos como reprogramaciones y los retrasos y cancelaciones de los médicos especialistas, así como el efecto de los pacientes de urgencia en el sistema.

Referencias

[1] J. L. Amaya Lara, A. VILLEGAS, D. CHAVARRO, "Estudio de disponibilidad y distribución en la oferta de médicos especialistas en servicios de alta y mediana complejidad en Colombia". Bogotá: GPES Universidad Javeriana, Cundinamarca, 2013..

[2] N. Velasco, B. D, and C. Amaya, “Logística hospitalaria: lecciones y retos para Colombia,” in La salud en Colombia: logros, retos y recomendaciones, Uniandes., Bogotá, Colombia, 2012, p. 576.

[3] S. Choi and W. E. Wilhelm, “On capacity allocation for operating rooms,” Comput. Oper. Res., vol. 44, pp. 174–184, 2014.

[4] A. M. Jiménez, N. Velásco, and C. Amaya, “Estrategias de programación de salas de cirugía: un caso de aplicación en un hospital de Bogotá,” Los Cuadernos de PYLO., Bogotá, Colombia, 2008.

[5] Cardoen, Brecht, Erik Demeulemeester, and Jeroen Beliën. "Operating room planning and scheduling: A literature review." European Journal of Operational Research 201.3 (2010): 921-932.

[6] J. Blake, “Capacity planning in operating rooms,” Handb. Healthc. Deliv. Syst., p. 34.1-34.12, 2011.

[7] E. Hans, G. Wullink, M. van Houdenhoven, and G. Kazemier, “Robust surgery loading,” Eur. J. Oper. Res., vol. 185, no. 3, pp. 1038–1050, 2008.

[8] J. Manuel, M. Pariente, J. Manuel, F. Torres, and P. P. González, “Modelos para la resolución de la programación de quirófanos,” in 3rd International Conference on Industrial Engineering and Industrial Management, 2009, pp. 1356–1365.

[9] M. P. Davila, “A Methodology for Scheduling Operating Rooms Under Uncertainty,” Graduate dissertation, University of South Florida, USA. 2013.

[10] J. Banks, B. L. Nelson, J. S. Carson, and D. M. Nicol, Discrete-Event System Simulation, Pearson. 2010.