Embedded Files
Desarrollé un modelo de simulación de datos que represente la ocupación hospitalaria bajo diferentes escenarios de demanda. El modelo permite analizar patrones, anticipar picos de ocupación y evaluar estrategias de redistribución de recursos para mejorar la eficiencia operativa..
1. Tema del Proyecto
Este proyecto desarrolla un modelo de simulación de eventos discretos (DES) en Python, el objetivo es modelar el flujo de pacientes y analizar el impacto de diferentes escenarios de demanda en la ocupación hospitalaria. Los resultados se presentan en un dashboard interactivo en Looker Studio para facilitar la toma de decisiones gerenciales.
2. Resumen Ejecutivo
Problema:
En el contexto del sector salud colombiano, específicamente en la gestión hospitalaria y de servicios asistenciales, los hospitales y EPS enfrentan retos en la planeación y asignación de camas, personal y recursos, especialmente en momentos de alta demanda. La toma de decisiones suele basarse en información histórica incompleta o desactualizada, lo que limita la eficiencia operativa y la atención oportuna a los pacientes, generando demoras en la atención, aumento en los costos operativos y disminución en la calidad del servicio al paciente, saturación de urgencias, cancelación de cirugías programadas, costos por estancias ineficientes y desgaste del personal asistencial.
Solución:
Se construyó un modelo de simulación del sistema de capacidad hospitalaria. Usando Python, el modelo replica el flujo de pacientes y permite probar escenarios "what-if". Esto permite identificar cuellos de botella y evaluar estrategias antes de su implementación.
Resultado:
El entregable final consiste en un dashboard interactivo desarrollado en Looker Studio, vinculado automáticamente a los resultados de la simulación almacenados en Google Sheets mediante Python. Esta herramienta visual permite a los gestores hospitalarios comprender el impacto de la variabilidad en la demanda y tomar decisiones proactivas, basadas en datos, para optimizar la asignación de camas y recursos críticos.
3. Contexto de Negocio
Las Instituciones Prestadoras de Salud (IPS) y Entidades Promotoras de Salud (EPS) en Colombia enfrentan una presión constante para optimizar recursos y mejorar la eficiencia. La rotación eficiente de camas es un KPI financiero y operativo crítico. Una gestión ineficiente de la capacidad no solo incrementa costos, sino que deteriora la calidad del servicio al paciente. Este proyecto ofrece una solución de analítica avanzada para abordar directamente la planificación de la capacidad, que es un aspecto clave del sector.
4. Trabajo Realizado
Investigación y Definición: Se definieron las variables clave del proceso hospitalario (tipos de camas, servicios, flujos de pacientes).
Generación de Datos Sintéticos: Se usó Python para crear un dataset sintético realista, simulando las llegadas de pacientes (distribución de Poisson) y sus tiempos de estancia (distribución Log-Normal).
Construcción del Modelo de Simulación: Se utilizó la biblioteca SimPy en Python para construir el modelo de simulación de eventos discretos, programando la lógica del flujo de pacientes (llegada, espera por cama, ocupación, alta).
Análisis y Visualización: Se ejecutaron múltiples escenarios (ej. demanda normal, pico de demanda) y los resultados (tiempos de espera, tasa de ocupación) se exportaron a Google Sheets para ser consumidos por Looker Studio.
Implantación (propuesta):
Uso del dashboard como herramienta de apoyo a la toma de decisiones en áreas administrativa.
Parámetros de base en la simulación:
DIAS_SIMULACION = 30
TIEMPO_SIMULACION_HORAS = DIAS_SIMULACION * 24
NUM_CAMAS_GENERALES = 50
NUM_CAMAS_UCI = 10
TASA_LLEGADA_PACIENTES = 1.8 # (lambda para la dist. Exponencial entre llegadas)
ESTANCIA_MEDIA_GENERAL_DIAS = 4
ESTANCIA_STD_GENERAL_DIAS = 1
ESTANCIA_MEDIA_UCI_DIAS = 10
ESTANCIA_STD_UCI_DIAS = 3
PROB_PACIENTE_ES_UCI = 0.15 # 15% de los pacientes que llegan necesitan UCI
Este proyecto de simulación de procesos hospitalarios logró cuantificar el impacto exacto de la variabilidad de la demanda en la capacidad hospitalaria, demostrando el valor de la analítica para la toma de decisiones gerenciales.
El escenario base, con 50 camas generales y una tasa de llegada de 1.8, opera a una ocupación del 84%. Aunque es estable, los tiempos de espera promedio de 135 minutos (más de 2 horas) indican que el sistema está funcionando en zona roja y tiene poca capacidad para absorber picos de demanda.
Hallazgo: El Aumento de Demanda Causa un Colapso Catastrófico
Hallazgo: El Aumento de Demanda Causa un Colapso Catastrófico
El escenario de "Crisis" (tasa de llegada 1.0) demuestra que el sistema es incapaz de manejar el aumento de la demanda.
El Gráfico de Líneas lo confirma: Como se ve en el gráfico, la línea de espera (roja) crece a gran escala, superando los 14,000 minutos al final del período. Esto es la prueba visual de un sistema inestable donde la demanda supera la capacidad.
Los KPIs lo validan: El tiempo de espera promedio se dispara a 6,675 minutos (más de 4.5 días), y el sistema se satura (ocupación del 90%), fracasando en su totalidad.
Lo anterior muestra un escenario ejemplo de solucion, pero es posible configurar los parámetros para validar el comportamiento no solo aumentando el número de camas UCI sino dentro de un contexto de eficiencia clínica donde se disminuya los días de estancia general y/o de UCI. Por ejemplo, de entre todos los tipos de cama, si la estancia media general de días baja a 50% y la estancia media en UCI baja en 30%, y además teniendo 65 camas generales y 30 en UCI, la media del tiempo espera baja a 9 minutos, la tasa de ocupación decrece 1% y la cantidad de pacientes que tienen espera superior a 1 hora disminuye un 73%.
La simulación de procesos es una herramienta esencial que permite a las organizaciones probar estrategias en un entorno digital sin riesgo, identificando tanto el ROI de una solución como los problemas colaterales ocultos.
5. Business Case
Problema:
La asignación de camas se gestiona de forma reactiva. Las decisiones se basan en reportes históricos estáticos y la intuición del personal de turno. No existe una forma de anticipar la saturación o probar el impacto de una decisión (ej. "contratar más personal") sin incurrir en costos y riesgos operativosHipótesis clave:
Es posible identificar el punto exacto de saturación del sistema y probar la efectividad de las contramedidas mediante la simulación de eventos discretos.Parámetros Obtenidos: El modelo demostró que con la capacidad actual, con solo un aumento del 6.3% en las llegadas de pacientes el tiempo de espera promedio pasa de horas a días colapsando la atención. Sin embargo, la simulación también mostró que agregar un pool de 35 camas de reserva reduce esa espera en un 90%, así mismo controlando parámetros clínicos como días de estancia en general y UCI (4 y 7 respectivamente) así como triplicar el número de camas en esta última reduce la media del tiempo espera a solo 9 minutos, la tasa de ocupación decrece 1% y la cantidad de pacientes que tienen espera superior a 1 hora disminuye un 73%.
Resultado:
El equipo gerencial puede utilizar el dashboard de Looker Studio como sandbox en un espacio seguro para experimentar sin afectar el sistema real, explorando escenarios hipotéticos, pueden simular el impacto de la temporada de influenza o la apertura de un nuevo servicio antes de que ocurra, permitiendo una planificación de recursos proactiva, flexible y basada en evidencia.
Repositorio en [GitHub]
Page updated
Report abuse