Blog e Insights - TIS Consulting Group

El uso de la analítica para la mejora de los servicios de emergencia

Escrito por TIS Consulting Group | 28-mar-2014 23:17:00

La eficiencia en el servicio de emergencia es vital, para asegurar la calidad en este servicio, instituciones tanto públicas como privadas utilizan la analítica, descubre cuáles en el siguiente artículo.

 

 

La importancia de mejorar los tiempos de respuesta

El servicio de respuesta de emergencia médica se encarga de brindar atención al usuario de forma inmediata debido a enfermedad o herida. En éste, la ambulancia es requerida para el traslado del paciente al hospital con asistencia médica o para proveerle atención en el lugar donde se encuentra. La eficiencia en el servicio de emergencia es vital para el bienestar de la sociedad ya que una atención oportuna puede llegar a reducir el sufrimiento en el paciente, el riesgo de mortandad, y la probabilidad de discapacidad entre otros. Para asegurar la calidad en este servicio, instituciones tanto públicas como privadas utilizan métricos de eficiencia como el tiempo de respuesta y el nivel de preparación de sus ambulancias. (Hafiz et al. 2013) (Zaharudin et al. 2012)

El tiempo de respuesta es considerado como el tiempo desde que se finaliza la llamada de emergencia hasta el momento en que la ambulancia llega al lugar; mientras que el nivel de preparación calcula la habilidad de la ambulancia de proveer servicio médico dentro del tiempo de respuesta. Este último se realiza por zona geográfica para asegurar que al menos se cuente con una ambulancia capaz de atender la misma de manera oportuna. (Andersson, Petersson, and Varbrand 2004)(Shuib and Zaharudin 2011) (Zaharudin et al. 2012)

Para esto -y para tener una base de referencia- de forma internacional se considera un tiempo de respuesta estándar de 15 minutos. Sin embargo, este puede variar según los requerimientos de la ciudad o el nivel de urgencia de la llamada. Por ejemplo, en el caso de Estados Unidos el tiempo de respuesta es de 10 minutos en áreas urbanas y 30 minutos en áreas rurales en el 95% de las llamadas; en Montreal, QC, Canadá es de 7 minutos para el 90% de las llamadas, y Estocolmo utiliza tiempos de respuesta variable según el nivel de urgencia. Por ejemplo, desde 10 minutos para el 75% de las llamadas potencialmente mortales hasta 20 minutos para las llamadas no urgentes. (Andersson, Petersson, and Värbrand 2007) (Gendreau, Laporte, and Semet 1997) (Hafiz et al. 2012) (Sanchez 2012)

 

Modelos matemáticos para satisfacer la demanda

Para asegurar el cumplimiento de niveles de eficiencia esperados del servicio de emergencia, los expertos  han desarrollado modelos matemáticos tácticos que determinan las ambulancias necesarias para satisfacer demandas específicas y localizarlas de manera que provean una mayor cobertura de habitantes dentro de un tiempo de respuesta aceptable considerando un número limitado de ambulancias. Este desarrollo de modelos se ha realizado desde hace 30 años aumentando el nivel de factores a considerar y reduciendo el periodo de análisis apoyándose en el avance que ha tenido la tecnología con el paso de los años. Estos modelos se clasifican principalmente en tres categorías: determinísticos, probabilísticos y dinámicos.

 

Modelos determinísticos

Los modelos determinísticos fueron los primeros en ser desarrollados, siendo en la actualidad utilizados como planeación base ya que son más sencillos y utilizan información básica del problema. Entre estos se encuentran:

  • Modelo de Cobertura (LSCM por sus siglas en inglés) se utiliza para determinar el número de ambulancias para cubrir los puntos de demanda.
  • Problema de Localización de Máxima Cobertura (MCLP por sus siglas en inglés) se utiliza para maximizar la demanda cubierta utilizando una cantidad de ambulancias limitada. Una representación gráfica de este modelo se encuentra en la siguiente figura. En él se muestran los puntos de demanda con la localización de ambulancias óptima para asegurar la máxima cobertura de la demanda.

 

RESOLUCIÓN DEL MODELO MCLP EN BASE A DEMANDA Y POSIBLES LOCALIZACIONES DE AMBULANCIAS. (HAFIZ ET AL. 2012)

 

Modelos probabilísticos

Los modelos probabilísticos se basan en los modelos básicos pero considera condiciones de probabilidad, tales como el que la ambulancia esté ocupada o que la demanda varíe con el tiempo. Entre estos se encuentran:

  • Problema de Localización de Máximo Valor Esperado de Cobertura (MEXCLP por sus siglas en inglés) se utiliza para maximizar la demanda cubierta considerando la probabilidad de que la ambulancia se encuentre ocupada.
  • Problema de Localización de Máxima Cobertura con Variación de Tiempos (TIMEXCLP por sus siglas en inglés) se utiliza para maximizar la demanda cubierta considerando la probabilidad de que la ambulancia esté ocupada y las variaciones en velocidad de transporte que se encuentran en el transcurso del día.
  • Los modelos dinámicos adicionalmente realizan un proceso de relocalización repetitivo de recurso cada vez que se ocupa una ambulancia o en base a cierto periodo de tiempo. Un ejemplo de estos es el Modelo de Relocalización de Doble Cobertura (DSRP por sus siglas en inglés), que complementa a los modelos probabilísticos calculando varias soluciones posibles y evaluando la mejor según el desempeño obtenido.

 

Modelos de localización

En la aplicación de modelos de localización se deben considerar componentes externos para garantizar una respuesta oportuna a sus habitantes; entre los cuales se encuentra el tráfico, demanda y los costos en el servicio. (Brotcorne, Laporte, and Semet 2003)(Shiah, Hung, and Chen, 2009)

La implementación de estos modelos de relocalización ha permitido ahorros en costos y tiempos de respuesta. Por ejemplo, en la ciudad de Austin, Texas se reportó en 1984 una reducción en el tiempo de respuesta promedio en ambulancias y ahorros de $3.4 millones de dólares en costos de construcción y $1.2 millones en costos operativos utilizando el sistema de reorganización determinístico MCLP. (Brotcorne, Laporte, and Semet 2003) De manera similar, Louisville, Kentucky reportó un aumento en cobertura y un decremento del 36% del tiempo de respuesta promedio en base a una relocalización por TIMEXCLP.(Rajagopalan, Saydam, and Xiao 2005) En Bogotá desde 2008 se ha estado desarrollando un modelo dinámico basado en DSRP el cual de manera preliminar tiene la capacidad de cubrir el 75% de la demanda con un tiempo promedio de respuesta de 8.49 minutos, el cual se considera aceptable. (Céspedes, Amaya, and Velasco 2008)

En conclusión, utilizar la analítica para mejorar el servicio médico de emergencias se vuelve necesario no solo para garantizar el nivel de calidad en el servicio sino que juega un papel importante en la reducción de costos y en el cumplimiento de normatividades. (Brotcorne, Laporte, and Semet 2003) (Sanchez 2012) TIS Consulting ha considerado estos estudios para el apoyo a instituciones médicas que requieran reducir sus costos y mejorar su nivel de servicio. Con ello se espera que los ahorros obtenidos por relocalización puedan redirigirse a otras mejoras en la institución y al mismo tiempo garantizar un buen servicio a los habitantes.

 

 

Referencias:

Andersson, Tobias, Sverker Petersson, and Peter Varbrand. 2004. “Calculating the Preparedness for an Efficient Ambulance Health Care.” Intelligent Transportation Systems, 2004. Proceedings. The 7th International IEEE Conference On (October 6): 785,790.

Andersson, Tobias, Sverker Petersson, and Peter Värbrand. 2007. “Decision Support for Efficient Ambulance Logistics.”Linköping University. http://webstaff.itn.liu.se/~toban/Andersson2007.pdf.

Brotcorne, Luce, Gilbert Laporte, and Frédéric Semet. 2003. “Ambulance Location and Relocation Models.” Elsevier Science B. V. European Journal of Operational Research: 451–463.

CAPUFE. 2008. “Normatividad Para La Operación de Los Servicios Médicos.” Caminos y Puentes Federales de Ingresos y Servicios Conexos, México. January 22. http://www.capufe.gob.mx/normateca/normas/164_Normat_para_la_Opera_de_los_Servicios_Med_22012008/NormaServiciosMedicos.pdf.

Céspedes, S. M., C. A. Amaya, and N. M. Velasco. 2008. “Localización y Relocalización de Ambulancias Del Centro Regulador de Urgencias y Emergencias de Bogotá.” Universidad de Los Andes. December. http://dspace.uniandes.edu.co/xmlui/bitstream/handle/1992/1121/H%202008%2023.pdf?sequence=1.

Gendreau, Michel, Gilbert Laporte, and Frédéric Semet. 1997. “Solving an Ambulance Location Model by Tabu Search.”Location Science 5 (2) (August): 75–88.

Hafiz, M., C. Siong, W. A. Lutfi, W. M. Hatta, and L. Chai. 2012. “Application of OpenStreetMap Data in Ambulance Location Problem.” IEEEXplore. http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6274362.

Hafiz, M., C. Siong, W. A. Lutfi, T. Loong, and S. Siang. 2013. “Simulation of Emergency Medical Services Delivery Performance Based on Real Map.” International Journal of Engineering and Technology 5 (3) (June): 2620–2627.

Rajagopalan, H. K., C. Saydam, and J. Xiao. 2005. “A Multiperiod Expected Covering Location Model for Dynamic Redeployment of Ambulances.” Advanced OR and AI Methods in Transportation (December 19). http://www.iasi.cnr.it/ewgt/16conference/ID63.pdf.

Sanchez, Ana R. 2012. “Cruz Roja Necesita Apoyo Para Ambulancias.” El Imparcial, November 3. http://www.elimparcial.com/EdicionEnLinea/Notas/Noticias/11032012/578343.aspx.

Shiah, Dah-Ming, Chin-Tun Hung, and Shu-Wen Chen,. 2009. “Multi-Capacities Ambulance Location Model.” Testbeds and Research Infrastructures for the Development of Networks & Communities and Workshops, 2009. TridentCom 2009. 5th International Conference On (April): 1,6–8.

Shuib, A., and Z. A. Zaharudin. 2011. “TAZ_OPT: A Goal Programming Model for Ambulance Location and Allocation.” IEEE Xplore. http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6163878.

Zaharudin, Z. A., N. A. Nordin, H. M. Tahir, C.W.R.A.C. Kamal, N.H.A. Ghani, and N.H.A. Halim. 2012. “An Application of MEXCLP Model: A Case Study for Mobile Ambulance Location.” Humanities, Science and Engineering (CHUSER), 2012 IEEE Colloquium On (December): 539,543,3–4.