Printer Friendly

Mejorar el desempeno organizacional no siempre es cuestion de agregar mas recursos: el caso de un area de urgencias.

[ILUSTRACION OMITIR]

1. Introduccion

El servicio de urgencias en un hospital es el area encargada de prestar con calidad servicios de atencion inmediata, que de no ser brindados de manera oportuna y agil, pueden generar el empeoramiento de la salud y poner en peligro la integridad fisica del paciente. La congestion continua de esta area es un problema global en las entidades de salud, en tanto representa un obstaculo para la seguridad y entrega oportuna de los servicios requeridos [1]. Es tal la afluencia de pacientes en este servicio, que, por ejemplo, en el 2012, en Bogota, los hospitales atendieron mas de 3 250 000 consultas por urgencias, es decir, hubo cada dia un promedio cercano a los 9 000 usuarios en esos servicios, segun registros de las EPS y la Secretaria Distrital de Salud [2].

El area de urgencias es uno de los servicios mas estudiados en logistica hospitalaria a nivel mundial. Academicos como Hoot et al. [1] identificaron mas de cien estudios desde los cuales se han abordado las causas, efectos y soluciones a las demoras en esta area de servicio, especialmente caracterizada por su alta complejidad y variabilidad de operacion. Estos autores destacan como causas recurrentes de congestion en un sistema de urgencias, el ingreso de pacientes no urgentes al servicio, los recursos disponibles limitados y la interaccion de este servicio con otras dependencias como hospitalizacion, cirugia y cuidados intensivos, lo que trae consigo la escasez en recursos criticos para su funcionamiento. A su vez, estos autores encuentran que entre las alternativas metodologicas mas utilizadas por los academicos para mejorar estos servicios estan: las herramientas de calidad para minimizar los desperdicios y las herramientas de simulacion, programacion y planeacion para optimizar las operaciones del servicio.

Debido a la complejidad y alto dinamismo de un servicio de urgencias, las herramientas de simulacion son particularmente adecuadas para modelar y entender su operacion, a diferencia de modelos como las Cadenas de Markov, que a menudo dependen de soluciones matematicas cerradas y son muy sensibles al tamano, complejidad y nivel de detalle requerido [3], [4], [5], [6]. Por definicion, la simulacion es una tecnica que permite replicar las operaciones reales, mediante la modelacion del servicio, incluyendo interrelaciones logicas, matematicas o simbolicas entre entidades, lo que permite entender la interaccion de sus componentes y, por lo tanto, el comportamiento del sistema [7]. Diversos estudios demuestran la conveniencia del uso de esta herramienta de base computacional, para entender y prever los efectos en el desempeno del servicio de urgencias (por ejemplo, en los tiempos de espera para atencion de los pacientes) ante hipoteticos cambios en la disponibilidad de los recursos criticos que este demanda para su operacion [6], [8].

En gran parte de los servicios de urgencias, los embotellamientos y la saturacion corresponden a una ineficiencia operativa del flujo de pacientes, ya sea por la no disponibilidad de camas en la unidad, o por la falta oportuna de equipos medicos especializados para su atencion [9]. Para identificar los factores generadores de estos embotellamientos por medio de la simulacion, se deben definir claramente las metricas o indicadores de desempeno que daran cuenta del funcionamiento del sistema [10]. En general, las medidas de desempeno asociadas a congestiones y demoras se relacionan con tiempos de espera de los pacientes, ocupacion de recursos y tiempo promedio de estancia en el servicio [5], [11], [12], [13]. En algunas investigaciones recientes realizadas en esta area, entre ellas los estudios de Venegas y Amaya [13], Jun y Jacobson [14], Brenner y Zeng [6], Zeng y Xiaoji [15], y Bagust y Posnet [16], se plantean las siguientes dos alternativas para mejorar el flujo de pacientes: a) el incremento de recursos asistenciales (medicos, enfermeras, equipos y camas), b) el enrutamiento de pacientes como estrategias para disminuir los tiempos de espera y el tiempo total de permanencia de los mismos en el servicio. Este estudio analiza la viabilidad de una tercera alternativa: planeacion flexible de los recursos asistenciales.

En particular, se presenta el analisis de un sistema de urgencias que hace parte de la oferta de servicios de una Institucion Prestadora de Salud (IPS) regional, de caracter privado en Colombia. El caso analizado se detalla a continuacion, a partir de la metodologia utilizada y los resultados obtenidos.

2. Metodologia

2.1 Caso de estudio

La IPS estudiada es una entidad de salud que ofrece servicios de alta complejidad, esto es, servicios de tratamientos medicos muy especializados. Esta cuenta con una cultura de aseguramiento de la calidad tal, que dentro de sus diferentes procesos de mejora ha identificado a su servicio de urgencias (SU-IPS) como uno de los servicios criticos y susceptibles de intervencion y mejora, debido a que es una de sus principales fuentes de ingreso (aproximadamente el 40 % de los pacientes que ingresan a esta IPS por urgencias requirieron luego de servicios de atencion especializada, cirugia y/o hospitalizaciones) [17]. De acuerdo con los reportes de la oficina de control de calidad para finales del 2012, en el SU-IPS se presentan sintomas de insatisfaccion en la calidad, principalmente por inconformidades con la informacion y la orientacion dada por el personal durante la atencion, demoras en la atencion de los pacientes cuando existe congestion en el sistema y una alta ocupacion de algunos recursos disponibles en los periodos pico (periodos de alta demanda de servicios).

2.1.1 Descripcion del sistema de urgencias

El flujo de un paciente en el SU-IPS inicia cuando este arriba al sistema e ingresa al primer proceso (admisiones), salvo en aquellos casos en los que se detecte que debe recibir atencion inmediata por evidenciar un estado de salud critico o un riesgo vital inminente. En el proceso de admisiones el paciente debe entregar toda la documentacion exigida para realizar la validacion de la informacion y el ingreso al sistema informatico de la clinica, para luego recibir valoracion inicial por parte del medico general. Como lo sugiere la Figura 1, luego de ser valorado y pasar a la sala de espera, el paciente tiene tres posibles rutas: a) ser dado de alta, b) pasar a conducta interna o c) pasar a conducta externa con otra entidad prestadora de salud.

Las ayudas diagnosticas tienen lugar luego de que el paciente pasa la valoracion inicial y el medico requiere confirmar o rechazar una hipotesis medica. Las ayudas diagnosticas en la clinica se clasifican entre laboratorios clinicos, que comprenden alrededor de 20 familias de examenes, e imagenologia, que se compone de cinco grupos representativos. El proceso de ayudas diagnosticas inicia con la solicitud del examen por parte del medico, el cual hace el registro en el sistema de informacion y entrega la orden al paciente para que sea tramitada en la unidad encargada. Despues de la toma y realizacion de los examenes, se procesan y entregan los resultados, que pueden ser visualizados por el medico en el sistema de informacion de la clinica. Teniendo en cuenta los datos analizados, en la etapa de valoracion inicial, al 73 % de pacientes en promedio se les solicita la realizacion de una ayuda diagnostica, los cuales a su vez debieron ser revalorados por el medico para determinar la ruta medica posterior.

[FIGURA 1 OMITIR]

Una vez realizada la revaloracion, el medico puede dar de alta o dictaminar que el paciente requiere de procedimientos menores o especializados para mejorar su estado de salud. Los procedimientos especializados vinculan la interconsulta con el especialista, quien dictamina la ruta final del paciente. Los pacientes que ingresan en estado critico (triage 1), se dirigen a la sala de reanimacion en donde se realiza monitorizacion electrocardiografica y hemodinamia continua. Seguido del proceso de reanimacion y observacion, el medico de observacion determina la conducta procedimental que se debe seguir con el paciente.

En el periodo de estudio, el personal asistencial del SU-IPS se componia de dos medicos generales; doce medicos especialistas en las areas de cardiologia, gastroenterologia, ginecologia, cirugia general, cirugia plastica, urologia, pediatria, otorrino, ortopedia, maxilofacial, neurocirugia, medicina interna; cuatro auxiliares de enfermeria y dos jefes de enfermeras. Dentro de los recursos fisicos se contaban: 25 camillas en procedimientos (diez en procedimientos menores, trece en procedimientos especializados, dos en reanimacion).

2.2 Analisis de datos

Para analizar el caso de estudio, se adelantaron, en comun acuerdo y consulta permanente con las directivas de la IPS analizada, las siguientes etapas:

* Caracterizacion de la operacion. Para reconocer el flujo de pacientes del SU-IPS y documentar cada uno de los procesos, ademas del analisis cuantitativo de los datos disponibles en el sistema de informacion de la clinica, se llevo a cabo una observacion no participante del proceso en un periodo de seis meses. Para complementar la informacion observada, se realizaron de manera paralela trece entrevistas a las personas encargadas de los procesos operativos y administrativos vinculados con el servicio. El objetivo de las entrevistas era documentar las actividades que se realizan a la hora de prestar los servicios, las posibles rutas del paciente e identificar las percepciones de los empleados con respecto a los factores criticos. Los resultados de estos procesos sirvieron de base para realizar el diagrama de flujo de pacientes y documentar el funcionamiento del sistema.

* Diseno y evaluacion de alternativas de mejora a traves de la herramienta de simulacion discreta y el software Simul8. Conforme lo recomienda la literatura especializada en esta herramienta de analisis [7], la simulacion del SU-IPS se realizo teniendo en cuenta los siguientes pasos: caracterizacion y simplificacion del sistema por medio del analisis de las variables de entrada, la construccion del modelo de simulacion, la verificacion y validacion del modelo, y, por ultimo, la evaluacion de alternativas de mejora. En particular, el modelo de simulacion analizo el SU-IPS en estado estable (1), para asi caracterizar las condiciones de prestacion del servicio, reconocer los puntos criticos de mejora, evaluar alternativas que permitieran mejorar el indicador de oportunidad de atencion a los pacientes y revaluar el desempeno del sistema.

3. Resultados

Los resultados del analisis del SU-IPS se articulan a partir de la identificacion de las variables criticas que causan la congestion y las demoras en el sistema, para luego evaluar alternativas de mejora viables que permitieran asegurar el nivel deseado de desempeno operacional del SU: una tasa de oportunidad de servicio a pacientes no criticos que no supere los 120 minutos.

3.1 Analisis de las variables de entrada

La tasa de entrada se establecio con base en los registros de ingreso de pacientes del ano 2012: en total 7.547 pacientes (ver Figura 2). Para el analisis detallado del SU-IPS, se selecciono como periodo de estudio el mes de mayo, un mes tipo que no esta influenciado por la temporada de fin de ano ni por las fiestas locales. El numero de pacientes registrados en el mes de mayo fue de 222.

[FIGURA 2 OMITIR]

Teniendo en cuenta estas variaciones en el dia, se fracciono el analisis en cinco franjas horarias; y luego, a traves del uso de las pruebas estadisticas de bondad de ajuste (K-S y Chi-Square) y a un nivel de significancia del 5 %, se establecio la distribucion de probabilidad que mejor representaba la tasa de entrada de pacientes. Los resultados de estos analisis preliminares a la construccion del modelo se resumen en la Tabla 1.

Para determinar los tiempos de operacion en el SU-IPS, de nuevo se recurrio a los datos recolectados por registros historicos y a la opinion del equipo medico. Esta informacion se organizo y analizo estadisticamente con el software Easyfit (2) y a un [alfa]: 0,05, para encontrar las distribuciones de probabilidad que mejor representaban el comportamiento de las series de datos estudiadas. Los tiempos de operacion estimados para cada uno de los procesos claves del servicio en el SU-IPS, se resumen en la Tabla 2.

Las variables de entrada relacionadas con el servicio de ayuda de diagnostica, el cual es provisto por una unidad subcontratista, se simplificaron en sus tiempos de servicio conforme con las pruebas referentes y mas recurrentes en demanda, asi: para pruebas de laboratorio clinico, el examen de Hemograma III; y para los analisis de imagenologia, el examen de radiografia. De igual forma, se tomo en cuenta el resultado del triage (T1, T2, T3 o T4) en el momento de admision, para definir el nivel de gravedad de su condicion de entrada.

3.2 Construccion del modelo de simulacion

Para la construccion y validacion del modelo se tuvieron en cuenta los datos mensuales detallados de mayo/2012. Con el fin de simplificar la complejidad del sistema, se definieron los siguientes supuestos, que fueron validados por el comite de expertos, como condiciones generales del sistema:

* Los pacientes son clasificados al momento de ingreso al sistema y no son reclasificados.

* Los pacientes que al llegar a procedimientos no requirieron inicialmente ayudas diagnosticas solo acceden al modulo de procedimientos menores y revaloracion.

* Solo los pacientes triage 1 (T1) pueden pasar a la morgue.

* No se incluyen en el modelo los pacientes que se remiten a conducta externa (otras clinicas).

El modelo de simulacion se construyo en el software Simul8 (ver Figura 3). En la verificacion se reviso que la conducta del modelo correspondiera con la logica del diseno y para la validacion se analizo que estadisticamente las variables de salida del sistema fueran acordes con los registros historicos promedios de la IPS y con la opinion de los expertos. Debido a que el SU-IPS es un sistema no terminante (trabaja continuamente), se establecio un periodo de calentamiento del modelo hasta alcanzar su condicion de estado estable. Para ello, se corrio el modelo piloto con una duracion de 150 dias y 5 replicas.

[FIGURA 3 OMITIR]

A partir del comportamiento de los promedios moviles de las variables de salida, se calculo el numero de pacientes requeridos para lograr la estabilizacion del sistema; condicion esta que se alcanzo despues de los 1.621 pacientes, equivalente a 258.630 minutos. Teniendo en cuenta lo recomendado en la literatura [7], la longitud de cada replica se establecio, entonces, en 10 veces mas de tiempo calculado, lo que resulto en una longitud de corrida de 2.586.300 minutos. A su vez, el numero de corridas optimo (R*) se calculo a partir de los estadisticos generados en cinco corridas iniciales, para las siguientes variables de salida: Tiempo de ciclo T3-T4 (TCP_T3T4), Tiempo de ciclo T2 (TCP_T2) y Tiempo de oportunidad de atencion inicial (TOAI). Para el calculo de R* se tomo como base la variable de salida con mayor estimacion inicial (en este caso TCP_T3T4); ejecutadas las iteraciones, el total optimo fue R*=31 corridas, lo que significo la ejecucion del modelo por 26 corridas adicionales (ver Tabla 3).

La validacion del modelo se realizo con las tres variables de salida consideradas, comparando la diferencia estadistica entre el valor promedio real registrado en la IPS durante el periodo de mayo/2012 y los datos arrojados por el modelo de simulacion. Una vez ejecutado el modelo de simulacion (ver Figura 3), para un periodo de 2.586.300 minutos y 31 corridas optimas, se obtuvo los estadisticos de valor promedio, dispersion e intervalos de confianza para cada indicador (ver Tabla 4).

En la medida en que los datos promedio observados en el mes de mayo se encuentran dentro de los intervalos de confianza arrojados por el modelo, se considero que el modelo era valido para representar la operacion del sistema real.

3.3 Analisis de los factores criticos de mejora

Los indicadores de desempeno del sistema especialmente analizados fueron: el tiempo de oportunidad de atencion inicial y el nivel de ocupacion de los recursos asistenciales. En el escenario actual, el paciente (Triage 2, 3 o 4) que ingresa al SU-IPS recibe valoracion inicial por parte del medico en aproximadamente 16,11 [+ o -] 1,6 minutos, y el nivel de ocupacion de los recursos asistenciales no supera el promedio de 50 % (ver Figura 4). Al contrastar estos indicadores de desempeno estimados a traves del modelo, con las disposiciones de calidad en el servicio estipuladas por la IPS, se encuentra un SU-IPS operando convenientemente, puesto que las politicas estipuladas registran los siguientes indicadores: tiempo de oportunidad de atencion inicial entre 15 y 30 minutos y ocupacion maxima en los recursos asistenciales del 80 % (con el fin de tener disponibilidad en el caso de una emergencia medica)

Adicional a estos indicadores, se estimaron y analizaron los tiempos de espera promedio de los pacientes en las otras areas del SU-IPS. Las mayores esperas ocurren en el proceso de traslados a otras areas. Cuando se indago con las personas del SU-IPS acerca de las causas de estas demoras, se concluyo que principalmente las demoras relativas se presentan por dos aspectos externos al SU-IPS: la falta de disponibilidad de camas en el area destino--especialmente en hospitalizaciono por re-procesos y tramites administrativos. En ayudas diagnosticas un paciente se demora en promedio 14 min para ser atendido; sin embargo, hay que tener en cuenta que la entrega del resultado se encuentra vinculado al tiempo de operacion del proceso (este se estimo entre 30 y 60 minutos) y el paciente concibe esta espera como una demora. Las demas esperas estudiadas presentan un valor promedio inferior a 30 min y en la situacion actual no denotan criticidad en el servicio.

Algunos de los aspectos identificados como criticos para la mejora de los procesos del SU, son:

* El recurso medico es el recurso con mayor ocupacion y el primero que puede superar el nivel de ocupacion maximo deseado, ante incrementos en la tasa de entrada de pacientes al sistema.

* Los traslados entre subareas del SU es la actividad que genera mayores tiempos de espera para los pacientes.

* La interconsulta especializada genera esperas para los pacientes, que pueden ascender hasta las seis horas, por la demora en la disponibilidad de especialistas (este personal no es de dedicacion permanente de la entidad).

* La entrega de los examenes de ayuda diagnostica son provistos por un subcontratista y demandan en promedio 60 minutos antes de ser reportados para lectura y decision medica.

3.4 Evaluacion de alternativas de mejora

Si bien los indicadores arrojados por el modelo en el escenario actual evidencian que las medidas de desempeno del sistema, en general, son aceptables para sus politicas de calidad, en el periodo pico o de mayor demanda no se estan cumpliendo las politicas de servicio, pues se presentan tiempos de oportunidad superiores al rango deseado. Ademas, en los periodos valle (baja tasa de entrada al servicio) los porcentajes de ocupacion de los recursos estan por debajo del 50 %. Por lo anterior, se decidio evaluar el impacto de las siguientes alternativas orientadas a reducir los tiempos de espera de los pacientes en el sistema durante el periodo pico y maximizar el uso de recursos. Alternativa A: utilizacion de un medico flotante como apoyo en horas pico; alternativa B: reduccion a un medico en el horario de baja demanda (ver Tabla 5).

Alternativa A: medico flotante como apoyo en horas pico. Disponer de dos medicos fijos en el servicio de urgencias y uno designado como de apoyo en horario pico. Inicialmente, la IPS estaba considerando la contratacion de un medico adicional permanente para el SU-IPS. Esta propuesta, por el contrario, lo que planteo fue el disponer del nuevo medico en el area de hospitalizacion-quirofano en los periodos valle y de apoyo al SU-IPS en el periodo de mayor congestion. El fin de la alternativa fue disminuir los tiempos de espera de los pacientes en el periodo de atencion maxima, teniendo en cuenta que los analisis realizados permitieron identificar que el medico general es el cuello de botella del sistema. Al simular esta alternativa, se evidencia una reduccion en el tiempo de oportunidad de atencion efectiva de un 20 %, medida deseable para la entidad si se tiene en cuenta que la demanda por servicios de urgencias en la ciudad es creciente (ver Tabla 5).

Alternativa B: reduccion a un medico en el periodo de 0:00 a 7:00 a.m., teniendo en cuenta la baja tasa de entrada en el horario de la madrugada. Al simular esta alternativa, no se presento evidencia estadistica de variacion significativa en el indicador de oportunidad inicial de atencion en el dia, pues en promedio las personas que esperan efectivamente, lo siguen haciendo por el mismo tiempo. En esta alternativa como maximo el recurso medico tendra una ocupacion del 62 %.

Particularmente, los estudios de simulacion que buscan disminuir la congestion de los sistemas complejos de urgencias, evaluan el incremento de los recursos como una estrategia eficaz para lograr reducir los tiempos de espera. Los resultados de esta investigacion evidencian que el sistema analizado no requiere del incremento de los recursos disponibles de manera permanente para mejorar sus indicadores de desempeno.

Una reorganizacion de los medicos disponibles y el apoyo de un medico flotante en el periodo pico, permite una disminucion generalizada de los tiempos de espera de los pacientes en el horario problematico actual. Esta informacion fue muy valiosa para la clinica teniendo en cuenta sus planes de contratacion de medicos para el area. La segunda alternativa evaluada no evidencia una mejora significativa en los indicadores de calidad; sin embargo, el porcentaje de ocupacion denota la posibilidad de reorganizar las funciones de los medicos en este periodo. Para el personal asistencial el solo contar con un medico en el periodo valle del sistema es un riesgo, debido a la variabilidad de la demanda y a la incertidumbre de las urgencias.

4. Conclusiones

Este estudio evidencia que el SU-IPS analizado actualmente no opera bajo condiciones extremas y sus indicadores de desempeno son aceptables para sus politicas de calidad. En promedio, la ocupacion del personal asistencial se encuentra por debajo del 50 %, y el indicador de oportunidad de atencion esta dentro de los rangos conformes del area de calidad. No obstante, el SU tiene oportunidad de alcanzar unos mejores indices de desempeno si reorganiza las funciones de uno de sus recursos mas criticos: los medicos. El estudio evidencia que es posible mejorar la eficiencia operativa del sistema (mayor aprovechamiento de recursos y menor costo de operacion), sin alterar de forma significativa el nivel de servicio del SU, estableciendo una estrategia de programacion flexible para los medicos, de forma que parte de estos puedan asumir otras funciones en el horario valle de 0:00 a 7:00 de la manana, mientras que mantiene su dedicacion al 100 % en el horario pico de atencion del SU (10:00 a 14:00).

El analisis detallado del sistema pone de manifiesto que de presentarse cambios sustanciales en la demanda de este tipo de servicios, los potenciales cuellos de botella estarian vinculados con los recursos asistenciales (en particular, los medicos generales), resultado este que concuerda con los hallazgos de otros estudios como los de Venegas y Amaya [13], Brenner y Zeng [6], Zhen y MaXiaoji [15], y Bagust y Posnet [16]. A su vez se confirma que la mayoria de los tiempos de espera en un SU-IPS estan vinculados a retrasos generados por otras areas relacionadas al servicio (como las de hospitalizacion y cirugia), asi como a la entrada de pacientes no urgentes que congestionan los sistemas hospitalarios.

Con el caso analizado se revalida la utilidad de la herramienta de analisis de Simulacion de Eventos Discretos para mapear el flujo operativo de un servicio complejo, como lo hicieron Abo-Hamad y Arisha [18], Ahmed y Alkhamis [5], Brenner y Zeng [6], y Hoot y Leblanc [1]. Esta herramienta en Colombia no se ha masificado para el analisis de servicios de urgencias. A la hora de utilizar esta herramienta, es importante contar con el apoyo de expertos del area para documentar los procedimientos y flujos, asi como las caracteristicas relevantes, puesto que es un sistema que tiene muchas variaciones y variables. Ademas, se requiere de informacion primaria de tiempos de operacion y entre llegadas, que puede ser tomada a partir de estudios de tiempos y movimientos (cuando asi sea posible) o de la informacion registrada en los sistemas de informacion con los que cuente la entidad analizada.

Referencias

[1] Hoot, N. et al. (2008). Forecasting Emergency Department Crowding: A Discrete Event Simulation. Annals of Emergency Medicine 52, 2, 116-125.

[2] Gomez, L. (Agosto, 2013). El 20% de pacientes de urgencias van tras una incapacidad. El Tiempo.

[3] Sinreich, D. & Marmor, Y. (2005). Emergency Department Operations: the basis for developing a simulation tool. IIE Transactions 37, 233-245.

[4] Lattimer, V. & Brailsford, S. (2004). Reviewing emergency care systems I: Insights from system dynamics modelling. Emergency Medical Journal 21, 685-691.

[5] Ahmed, M. & Alkhamis, T. (2009). Simulation optimization for an emergency department healthcare unit in Kuwait. European Journal of Operational Research 198, 936-942.

[6] Brenner, S. & Zeng, Z. (2010). Modeling and analysis of the emergency department at University of Kentuchy Chandler Hospital using simulations. J Emerg Nurs, 36, 303-310.

[7] Banks, J., Carson, J. & Barry, N. (2010). Discrete-Event System Simulation. Fifth Edition ed. New Jersey: Pearson Education, Inc.

[8] Alexander, M. (2005). Modeling emergency department using discre event simulation techniques. Proceedings of the 37th conference on winter simulation 261-285.

[9] Velasquez, P. & Rodriguez, A. (2011). Metodologias cuantitativas para la optimizacion del servicio de urgencias. Una revision de la literatura. Revista Gerencia, Politica en Salud 10, 21, 196-218.

[10] Wang, T. & Guinet, A. (2009). Modelling and simulation of emergency services with ARIS and Arena. Case study: the emergency department of Saint Joseph and Saint Luc Hospital. Production Planning & Control 20, 6, 484-495.

[11] Migita, R. & Del Beccaro, M. (2011). Emergency Department Overcrowding: Developing Emergency Department Capacity Through Process Improvement. Emergency Service 12, 2, 1-10.

[12] Pantoja, L. & Garavito, L. A. (2008). Analysing the Diana Turbay CAMI emergency and hospitalisation processes using an Arena 10.0 simulation model for optimal human resource distribution. Ingenieria e Investigacion 146-153.

[13] Venegas, F. & Amaya, C. (2008). Modelo de simulacion de eventos discretos del departamento de emergencia para un hospital. Cuadernos de PYLO 1-13.

[14] Jun, J. & Jacobson, S. (1999). Application of discrete--event simulation in healthcare clinics: a survey. The journal of the operational research society 50, 2, 109-123.

[15] Zeng, Z. & Xiaoji, M. (2012). A simulation study to improve quality of care in the emergency department of a community hospital. J Emerg Nurs 3, 38, 22-28.

[16] Bagust, A. & Posnet, J. W. (1999). Dynamics of bed use in accommodating emergency admissions: stochastic simulation model. British Medical Journal Publishing group 319, 155-158.

[17] ICI. (2012). Informe de satisfaccion del cliente. Ibague: Instituto Corazon de Ibague, Informe Institucional 2012.

[18] Abo-Hamad, W. & Arisha, Amr. (2012). Simulation-based framework to improve patient experience in an emergency department. European Journal of Operational Research 224, 154-166.

CAROLINA SAAVEDRA MORENO (1)

HELGA PATRICIA BERMEO ANDRADE (2)

(1) Ingeniera Industrial, Ms. en Gestion Industrial con enfasis en operaciones y logistica. Docente. Grupo de investigacion Ginnova. Universidad de Ibague, Colombia. Correo electronico: carolina.saavedra@unibague.edu.co..

(2) Ingeniera Industrial, PhD. en Ingenieria. Directora de Investigaciones. Grupo de investigacion Ginnova. Universidad de Ibague, Colombia. Correo electronico: helga.bermeo@unibague.edu.co.

Fecha de recepcion: 12/11/2014--Fecha de aceptacion: 30/06/2015.

(1) Una variable se encuentra en estado estable cuando su valor esperado se mantiene constante en el periodo de tiempo estudiado [7].

(2) Software que permite ajustar automaticamente distribuciones estadisticas disponibles para los datos de la muestra analizada.
Tabla 1. Analisis de la variable: tiempo entre llegadas

Franja horaria                    Distribucion   P-value
                                                 (K-S) *

Horario de 0:00 am a 7:00 am      Exponencial    0,6000
Horario de 7:00 am a 10:00 am     Exponencial    0,3401
Horario de 10:00 am a 12:00 m     Exponencial    0,7749
Horario de 12:00 am a 22:00 pm    Exponencial    0,7693
Horario de 22:00 pm a 24:00 pm    Exponencial    0,9191

Franja horaria                       Parametros

Horario de 0:00 am a 7:00 am      [lambda]: 115.59
Horario de 7:00 am a 10:00 am     [lambda]: 27.99
Horario de 10:00 am a 12:00 m     [lambda]: 18.08
Horario de 12:00 am a 22:00 pm    [lambda]: 21.30
Horario de 22:00 pm a 24:00 pm    [lambda]: 33.51

* Nivel de significancia a: 0,05; Software: Easyfit.

Fuente: elaboracion propia.

Tabla 2. Tiempos estimados de proceso en minutos

Proceso               Distribucion de       Fuente
                      tiempo de
                      operacion

Admisiones            Uniforme (1;10)       CE

Consulta inicial      Triangular            Sistema de
                      (10; 10; 33,33),      informacion
                      P-valor: 0,3390

Ayuda diagnostico     Laboratorio           CE
                      clinico:
                      triangular (15,
                      20,60)

                      Imagenologia:         CE
                      uniforme (5, 30)

                      Ambas servicios:      CE
                      uniforme (60, 90)

Revaloracion          Uniforme (10, 15)     CE

Procedimientos        Triangular (10,       CE
menores iniciales     20, 40)

Procedimientos        Triangular (5, 10,    CE
enfermeria            15)
(hospitalizacion)

Ayuda diagnostica--   Triangular (30,       CE
procedimientos        60, 90)

Interconsulta         Uniforme (10, 15)     CE
especialista

Reanimacion           Triangular (20, 30,   CE
                      50)

Observacion           Uniforme (15, 60)     CE
reanimacion

Ronda enfermeria      Cada 480 min,         CE
                      duracion promedio
                      de 40 min

* CE: Consulta de Expertos.

Fuente: elaboracion propia.

Tabla 3. Parametros para el calculo del numero de corridas
optimas

R                                            16        31

[sup.t]0,025,R-1                           2.1314    2.0422
[([sup.t]0,025,[R-1.sup.So]/0,05).sup.2]   33.3323   30.6015

Fuente: elaborada a partir de los datos de salida del modelo.

Tabla 4. Indicadores de desempeno del SU-ICI
durante un periodo tipo mensual (unidad: minuto)

Indicador           Variable    Valor        Rangos
de salida                       promed.      simulados
                                registrado
                                en IPS

Tiempo de ciclo     TCP_ T3T4   160          172.00 [+ o -] 27,46
  pacientes T3_T4
Tiempo de ciclo     TCP_T2      150          157,45 [+ o -] 14,15
  pacientes T2
Oportunidad de      TOAI        15           16,11 [+ o -] 1,60
  atencion en
  consulta

Periodo de simulacion de datos: 2.586.300 minutos.

Fuente: elaboracion a partir de los datos de salida
del modelo.

Tabla 5. Comparacion oportunidad de atencion
alternativas y situacion actual

Alterna.   Indicador         Unid.   Indicador       Indicador
                                     actual          alternativa
                                                     de mejora

A          Oportunidad de    Min.    21,30 [+ o -]   16,80 [+ o -]
           atencion de los           7,17            7,89
           pacientes en
           horario pico

           Utilizacion del   %       82,59 [+ o -]   46,80 [+ o -]
           recurso medico            17,41           17,10
           general en
           horario pico

B          Oportunidad de    Min.    16,11 [+ o -]   14,98 [+ o -]
           atencion de los           1,60            2,56
           pacientes

           Utilizacion del   %       55,22 [+ o -]   53,10 [+ o -]
           recurso medico            3,84            9,04
           general

Fuente: elaborada a partir de los datos de salida
del modelo.

Figura 4. Porcentaje promedio de ocupacion de los
recursos asistenciales

Camillas         28,09%

Jefes de         34,84%
enfermeria

Auxiliar de      40,26%
enfermeria

Medico general   55,26%

Laboratorista    42,21%

Especialista     12,02%

Nota: Tabla derivada de grafico de barra.
COPYRIGHT 2015 Universidad Autonoma de Occidente
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2015 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Author:Saavedra Moreno, Carolina; Bermeo Andrade, Helga Patricia
Publication:Revista El Hombre y la Maquina
Date:Jan 1, 2015
Words:5462
Previous Article:Mejora en el proceso de trilla para reduccion del exceso de arroz partido en la empresa Molino XYZ.
Next Article:Analisis de los riesgos ocupacionales que se originan en peluquerias y lugares de esteticas: proposiciones para su control.
Topics:

Terms of use | Privacy policy | Copyright © 2019 Farlex, Inc. | Feedback | For webmasters