MODELAMIENTO DE ASIGNACIN DE ENFERMERAS

UTILIZANDO REDES NEURONALES Y BRANCH AND BOUND

1
S. Bastas

y M. Chacn.
Departamento de Ingeniera Informtica, Universidad de Santiago de Chile
R
.
Av. Ecuador 3659, Casilla 10233, Santiago, Chile
E-Mail: pbastias@yahoo.com

1
Trabajo financiado por proyecto Fondecyt N 1990920.
RESUMEN
El presente trabajo esta enfocado a la resolucin del
problema de asignacin de turnos de enfermera aplicado a
las Clnicas Chilenas, especficamente Clnicas Las Condes.
Existen diversos artculos internacionales y algunos
nacionales que tratan el tema [1-7], sin embargo todos ellos
se basan en estimacin de curvas de demanda por nmero
de camas o utilizan curvas tericas que no siempre se
ajustan a la realidad, sin considerar la gravedad del paciente
que ingresa a la Clnica.
El objetivo es realizar una asignacin de turnos de
enfermera que considere la complejidad o gravedad de los
pacientes, para ello se realizar una prediccin de curva de
demanda basada en datos histricos de los pacientes
residentes en la unidad por complejidad. Una vez predicha
esta curva se debe realizar la asignacin de turnos, el cual
en general es un problema de optimizacin del tipo NP-
Completo, sin embargo dado a que en las Clnicas Chilenas
las restricciones del problema se relajan, se convierte en
una instancia pequea del problema y permite su resolucin
por un algoritmo exacto.
La prediccin de demanda es realizada mediante redes
neuronales [8-10], utilizando un tipo de red recurrente
denominada Time Lagged Recurrent Network (TLRN), con
errores mximos de un 9.3% en un conjunto de prueba
independiente. Lo anterior permite establecer que sta es
una herramienta eficiente en la prediccin del gasto en
horas de enfermera considerando la complejidad.
La etapa posterior a la prediccin corresponde a realizar la
asignacin de turnos de enfermera mediante un algoritmo
de optimizacin exacto, para lo cual se utiliz el mtodo de
Branch and Bound (B & B) [11-12]. Con el cual se produce
una disminucin del 22% del gasto de enfermera con
respecto de la asignacin actual, incluyendo un descanso
mayor por enfermera.
Palabras claves: Asignacin de enfermeras, Redes
neuronales, Branch and Bound.
1. INTRODUCCIN
La mayora de las investigaciones de los procesos de
asignacin de personal, en los centros hospitalarios esta
enfocado hacia la asignacin de enfermeras [6], ya que una
gran cantidad del presupuesto est compuesta por los
salarios correspondientes a ellas y debido a que la
asignacin de stas afecta directamente la calidad de los
cuidados de los pacientes.
El problema de asignacin de enfermeras [3] consiste en
generar una asignacin individual, en la cual son diseados
los das libres para cada enfermera, sobre un horizonte de
planificacin dado. La configuracin de las asignaciones de
enfermeras son generadas para tener una mejor calidad en
los cuidados realizados a los pacientes.
Segn la informacin obtenida de las Clnicas Chilenas para
obtener una buena asignacin de enfermeras se debe
considerar la complejidad o gravedad del paciente; lo cual
coincide con algunos trabajos internacionales [13].
La mayora de las asignaciones de enfermeras realizadas en
el mbito nacional e internacional no consideran la
condicin o la tipologa de los pacientes para realizar dicha
asignacin, los factores considerados tienen relacin con la
cobertura de la demanda y las polticas organizacionales de
los centros hospitalarios [5].
Sin embargo, lo que se pretende fundamentalmente con la
asignacin es entregar un cuidado ptimo a los pacientes,
desde este punto de vista se hace necesario considerar la
gravedad de los pacientes que se estn tratando al momento
de realizar la asignacin, y adems obtener curvas de
demanda lo ms ajustadas a la realidad, basndose en datos
histricos para la prediccin futura de ste, a diferencia de
lo que se ha realizado en la literatura considerando la
cantidad de camas o la estadstica de ingreso de pacientes.
Este trabajo se centra en la aplicacin de redes neuronales
recurrentes, que permitan obtener una prediccin futura de
calidad, el periodo futuro corresponde a 12 das, el cual es
un tiempo adecuado de asignacin segn trabajos
internacionales [2] y concuerda con la informacin
entregada por las Clnicas Chilenas.
La asignacin realizada en las Clnicas Chilenas,
corresponde a una asignacin cclica la cual es repetida en
forma indefinida y se modifica slo en casos de licencias
mdicas, vacaciones, etc. Sin embargo, una asignacin real
debe considerar un efecto aciclico puesto que la demanda
de requerimientos de pacientes va cambiando
constantemente en el tiempo igual que su tasa de llegada al
centro hospitalario.
De esta forma la asignacin que se desea realizar es
aciclica, el modelo DS (das de la semana) se adapta
bastante bien a la realidad nacional, puesto que se trabajan
con turnos de trabajo fijo en sus horarios con la restriccin
que el periodo de noche deber ser de doce horas
Memorias II Congreso Latinoamericano de Ingeniera Biomdica, Habana 2001, Mayo 23 al 25, 2001, La Habana, Cuba
950-7132-57-5 (c) 2001, Sociedad Cubana de Bioingeniera, artculo 00416
2/4
continuadas, por ende no es necesario resolver el problema
TD (tiempo del da) planteado en el modelo de Ozkarahan
[14-15]
2. METODOLOGA
Para realizar la asignacin se debe realizar la etapa previa
de prediccin utilizando redes neuronales, y luego realizar
la asignacin de turnos de enfermera utilizando el mtodo
Branch and Bound.
2.1. Redes Neuronales
El gasto de enfermera se refiere a la demanda de
requerimientos que un paciente necesita o carga de trabajo,
sta se encuentra constituida por dos tipos de gastos, el
primero corresponde a la atencin directa que la enfermera
proporciona al paciente, entre los cuales se encuentra
ingreso del paciente, administracin de medicamentos oral
e intravenosa, cambio va venosa, etc. El segundo
corresponde a la atencin indirecta, la cual tiene relacin
con labores administrativas que demanda cada paciente,
tales como: Recepcin de turnos, evolucin de las 9 horas,
comunicacin con Rayos X, etc.
La atencin indirecta entregada a un paciente corresponde
a un valor promedio de 1,35 horas/da. Sin embargo la
atencin directa requiere de un anlisis ms detallado
puesto que cada paciente que ingresa a la unidad mdico-
quirrgica tiene una complejidad o gravedad diferente, de
esta forma se necesita saber cual es la tasa de llegada de los
pacientes y establecer una clasificacin de stos.
La Clnica Las Condes efecto una clasificacin para la
unidad mdico-quirrgica la que se obtuvo mediante un
estudio realizado por la enfermera jefe de la unidad mdico
quirrgica, y corresponde a la relacin tipo-gasto descrita
en la tabla I.
Tabla I: Relacin tipo de complejidad de pacientes y su gasto.
Paciente
Complejidad Tipo
Gasto en horas de enfermera
por da
1 2,7 (Hr/da)
2 4,7 (Hr/da)
3 6,2 (Hr/da)
De sta clasificacin se deduce que el gasto total diario en
horas de enfermera por da que requiere la unidad mdico
quirrgica corresponde a la ponderacin de la cantidad de
cada paciente ingresado a la unidad por su gastos segn su
complejidad y la cantidad total de pacientes ponderados por
1,35 horas/da correspondiente al gasto indirecto.
De esta forma se trabaj con los meses de junio a
septiembre de 1997, donde para cada da se dispona de la
informacin de cantidad de pacientes y su complejidad.
Con lo anterior se calculo el gasto diario en horas de
enfermera. De esta forma se tiene que para cada da ocurre
un gasto en horas de enfermera que corresponde a la
demanda que debe ser cubierta por el staff de enfermeras,
la cual debe ser predecida con un total de 12 das haca el
futuro, puesto que este es el perodo de asignacin que se
considero despus de haber revisado la literatura y de las
entrevistas realizadas a las Clnicas de la regin
metropolitana.
Se realizaron pruebas de prediccin para los ltimos 12 das
de agosto, primeros 12 das de septiembre y ltimos 12 das
de septiembre, utilizando una red reuronal recurrente
TLRN.

2.2. Asignacin de Turnos de Enfermera por Branch
and Bound
El modelo seleccionado que permite plantear el problema
de asignacin, es el problema Das de la semana [14-15], el
cual se describe como un problema de programacin lineal
entero.
El caso que se utiliza del modelo de Ozkarahan corresponde
al tamao de staff limitado, puesto que las unidades de
los centros hospitalarios tienen un conjunto de personal fijo
que trabaja para sta, las ecuaciones que formulan el
problema se describen a continuacin.
La funcin objetivo se describe por la ecuacin (1a) y
las restricciones quedan definidas por las ecuaciones (1b) a
(1d).
j
J
j
j
x c Z Minimizar

=
=
1
(1a)
Sujeto a:

J
1 j
i j ij
d x a
(1b)
0
j
x

entero x
j

(1.c)

J
j
Total j
w x
1
(1.d)
donde :
J : indica el patrn de turno que muestra el tipo de
turno que se trabaja, la forma en que el turno es
asignado, y el da de inicio de ese turno.
I : Corresponde al periodo de tiempo en que se trabaja,
cuya cantidad de horas es para las pruebas: entre
seis o doce horas.
x
j
: nmero de enfermeras trabajando en un patrn j.
c
j
: Costo de una enfermera en un patrn j.
A : matriz que contiene los patrones de trabajo, donde
a
ij
= 1 si el patrn j es llamado a trabajar en un
perodo del da i y a
ij
=0 en otro caso
d
i
: demanda de enfermeras en un perodo i.
J : cantidad total de patrones de turnos a utilizar.
W
tot
: cantidad total de enfermeras a asignar.
Del modelo seleccionado se debe destacar que la matriz A
contiene todos los patrones de turnos indicando todas las
formas posibles de inicio de stos, por ende las dimensiones
de la matriz A corresponde a la cantidad de periodos que se
utilizan para realizar la asignacin y la cantidad de
patrones.
Los patrones de turnos en un centro hospitalario determinan
los turnos que son utilizados, sus caractersticas (cuando
empieza, cuando termina) y los das que deben ser
trabajados. Un ejemplo de estos patrones: es trabajar el
primer da en el primer turno del da, el segundo da trabajar
en el turno de la noche y el tercer da no trabajar.
Los patrones utilizados en la matriz A corresponden a los
utilizados por la Clnica Las Condes y corresponde a un 4
3/4
turno, donde el primer das se trabaja un periodo
denominado largo que se inicia a las 8:00 y finaliza a las
20:30, al segundo una noche (20:00 a 8:30) y dos das
libres, y a un 4 modificado, donde el primer y segundo da
se realiza un largo, y luego dos da libres. Tambin se
utilizaron periodos de 6 y 12 horas, tales como el 3 turno,
donde se trabaja el primer da, un periodo de tarde (14:00 a
20:30), al segundo da un bloque de maana (8:00 a 14:30),
el tercer da una noche (20:00 a 8:30) y un da libre, otro
patrn utilizado denominado 6 turno y fue recomendado
por la enfermeras jefe de la Clnica Las Condes, se refiere a
trabajar un da una maana, al otro da una tarde, despus
una noche y tres das libres y el 5 que se refiere a una
tarde, una maana, un largo, una noche y dos das libres.
De esta forma se forman dos matrices una que contiene al
4 y 4 modificado y otra que tiene el 3, 6 y 5. Adems
se utilizaron otros patrones de turnos internacionales y
nacionales.
3. RESULTADOS
En la tabla II se muestran los resultados obtenidos por las
redes neuronales, para la prediccin de principio de
septiembre, con los respectivos errores de entrenamiento y
prueba, y lo destacado en cursiva es el modelo de red
neuronal TLRN, con menor error. En la figura 1 se muestra
las curvas reales y la prediccin para cada da.
Tabla II Resumen de errores durante la fase de entrenamiento y prueba.
Red Cantidad de
Neuronas
Error de
entrenamiento
Error de
prueba
Iteraciones
1 4 2.1% 5.6% 76
2 6 4.1% 8.0% 130
3 8 2.9% 8.9% 145
4 10 3.9% 8.6% 27
Curva de Gasto en Horas de Enfermera para la
primera semana de septiembre
0
100
200
300
400
500
1 2 3 4 5 6 7 8 9 10 11 12
Das
H
o
r
a
s

d
e

E
n
f
e
r
m
e
r

a
Gasto Real Gasto Prediccin
Figura 1: Curva de Gasto en Horas de enfermera para septiembre.
Se debe considerar que el mes de septiembre, es el caso ms
desfavorable puesto que corresponde a un periodo atpico
de demanda, donde se produce una bajada brusca de sta
producto de feriados nacionales.
Los resultados de la asignacin mediante Branch and
Bound, utilizando las dos matrices descritas anteriormente y
costo fijos que significa asignar un valor 1 para cada patrn
de turno se describen en la tabla III y costos variables
asignados a cada patrn el cual sta conformado por
penalizacin de mayor cantidad de horas trabajadas los
fines de semana y por utilizacin de horas extraordinarias,
son descritos en la tabla IV.
Tabla III: Resumen de Resultados de asignacin de enfermeras utilizando
costos fijos.
Primera
Quincena de
Septiembre
Sistemas de
Turnos
Costo
Funcin
Objetivo
Cantidad
de
Enfermeras
Costo en
pesos
4 y 4
modificado
70 70 $32.697.600
3, 6 y 5 69 69 $32.011.200
Tabla IV: Resumen de Resultados de asignacin de enfermeras utilizando
costos variables.
Primera
Quincena de
Septiembre
Sistemas de
Turnos
Costo
Funcin
Objetivo
Cantidad de
Enfermeras
Costo en
pesos
4 y 4
modificado
2236 70 $32.697.600
3, 6 y 5 2778 69 $32.323.200
4. DISCUSIN
Las redes neuronales resultaron ser un buen predictor de
esta serie de comportamiento acclico, puesto que los
errores que se obtuvieron para el mejor caso arrojo un
5,4%, en un mes tpico como julio, y el peor un 9,3%, para
un mes atpico como septiembre, obtenidos slo con una
muestra de los datos, lo cual refleja que con presencia de
ms datos estos errores podran ser mejorados.
Cabe hacer notar que las series de tiempo acclicas como las
tratadas en este trabajo constituye una serie difcil de
predecir por mtodos estadsticos de regresin o
interpolacin.
Las redes neuronales auguran ser una buena herramienta de
prediccin, debido a que el mximo error representa una
diferencia de 10 enfermeras, lo cual es aceptable puesto que
estos se podra mejorar en presencia de una herramienta de
correccin como son los clasificadores de pacientes.
Respecto al problema de optimizacin se debe considerar
que trabajos anteriores como el de Pacheco [5], quin
realiza una asignacin sobre curvas de demanda tericas
cclicas y utilizando la meta heurstica Tabu Search obtuvo
resultados deficientes en comparacin con los obtenidos
utilizando Branch and Bound (B & B), el cual
adicionalmente considera curvas predichas mediante redes
neuronales que permiten un mejor ajuste a la realidad.
La utilizacin de costos variables permiti darle preferencia
a los patrones de turnos que otorgan un descanso adecuado
a la enfermera, esto se realiz penalizando aquellos que
implican trabajar una mayor cantidad de horas los fines de
semana. Adems se penaliza aquellos turnos que
involucran una mayor cantidad de horas extraordinarias,
estos dos tipos de penalizacin que conforma el costo final
permite cierta flexibilidad, puesto que se busca los mejores
turnos para el descanso de las enfermeras tratando de no
aumentar los costos del centro hospitalario.
La forma tradicional de realizar el anlisis de resultados de
la asignacin de enfermeras, es comparando la cantidad de
stas. Sin embargo en este trabajo se plantea un pequeo
anlisis de costos, lo cual permite destacar que la Clnica
4/4
Las Condes utilizando los sistemas de turnos 4 y 4
modificado contrastados con los turnos compuestos de 6 y
12 horas, arroja una diferencia en dinero de un 22% a favor
de los ltimos, utilizando costos fijos y un 3% en el caso de
costos variables.
Con respecto a lo anterior se puede establecer que los
patrones de 6 y 12 horas implican mayor cantidad de
enfermeras, pero se compensa por la inexistencia de horas
extraordinarias que cancelar a diferencia de los turnos 4 y
4 modificado. Por esto los costos en dinero se ven
reducidos.
5. CONCLUSIONES
Es importante mencionar que este trabajo permiti destacar
que las redes neuronales son una herramienta adecuada para
la prediccin de demanda, lo cual es fundamental debido a
que permite trabajar con curvas ms ajustadas a la realidad.
El modelo de optimizacin planteado sugiere que la
realidad nacional simplifica el problema de asignacin
general, debido a que las Clnicas no consideran
restricciones tales como el problema TD (tiempo del da)
que tiene que ver con la distribucin de las horas del da,
debido a que los sistemas de turnos utilizados en las
Clnicas la eliminan. Sin embargo, algunos modelos
tericos de asignacin de enfermeras consideran este tipo
de restricciones, lo que implica que el tamao del problema
se reduzca al no existir stas, de esta forma no se hace
necesario utilizar una meta heurstica, permitiendo la
utilizacin de un algoritmo exacto, el cual corresponde a B
& B.
Con respecto a lo anterior es importante resaltar dos
aspectos, el primero corresponde a los tiempos de ejecucin
de B & B los cuales son despreciables (alrededor de los
segundos), lo cual es fundamental debido a que se podrn
realizar asignaciones en el momento que se necesite,
convirtindola en una asignacin acclica y lo segundo es
que entrega una solucin exacta al problema. Esto indica
que cuando el problema de asignacin de enfermeras se
relaja, en cuanto a variables y restricciones, se convierte en
una instancia pequea del problema, y no se hace necesario
la utilizacin de meta heursticas para su resolucin, a pesar
de ser NP-Completo.
Uno de los aspectos a destacar es la reduccin de costos en
dinero al utilizar turnos compuestos de 6 y12 horas, sino
que adems permiten entregar un descanso adecuado a las
enfermeras, puesto que sus periodos de trabajo no sern tan
prolongados y existir una mayor cantidad de das de
descanso. Todo lo anterior en beneficio del objetivo
principal que es cubrir la demanda otorgndole un adecuado
descanso a la enfermera, el que se ver reflejado en un
mejor cuidado proporcionado a los pacientes.
Otro punto clave es considerar la complejidad de los
pacientes en la asignacin, debido a que en la mayora de
los trabajos se consideran como pacientes medio, lo cual no
es real debido a que un paciente es totalmente diferente a
otros, por lo tanto sus requerimientos son distintos y esto se
refleja mediante su condicin de gravedad o complejidad.
REFERENCIAS
[1] Arthur, J.L. y Ravindran, A, A Mltiple Objective Nurse
Scheduling Model. AIIE Transactions, vol. 13, N 1, pp. 55-60,
1981.
[2] Isken M.y Hancock, W. (1990), A Heuristic Approach to Nurse
Scheduling in Hospital Units whith Non-stationary Urgent Demand
and a fixed staff size. Journal of the Society for Health Systems,
vol. 2, No. 2, pp. 24-41.
[3] Mietus D., Understanding planning for effective decision support,
A cognitive task analysis of nurse scheduling. Tesis de doctorado
en Bedrijfskunde, Universidad de Groningen, Holanda, 1994.
[4] Musa, A y Saxena, U., Scheduling Nurses Using Goal-
Programming Techniques. IIE Transactions, vol. 16, No. 3, pp.
216-221, 1984.
[5] Pacheco G.C., Anlisis Taxonmico de Scheduling en Salud y
su Aplicacin a la realidad nacional. Memoria de Ttulo para
Ingeniera Civil en Computacin e Informtica, Departamento de
Ingeniera Informtica, Universidad de Santiago de Chile,1999.
[6] Smith, L.D. y Wiggins, A., A Computer- Based Nurse Scheduling
System. Computers and Operation Research, vol. 4, N. 3, pp.
195-212,1977.
[7] Warner, D.M. y Prawda, J., A Mathematical Programming Model
for scheduling Nursing Personnel in a Hospital. Management
Science, vol. 19, No. 4, pp. 441-422, 1972.
[8] Bishop CH, Neural Networks for pattern recognition. Oxford
University Press Inc., 1997.
[9] Carrasco, L, Evaluacin de modelos de redes neuronales aplicados
a la prediccin de series de tiempo. Memoria de Ttulo para
Ingeniera Ejecucin en Computacin e Informtica, Departamento
de Ingeniera Informtica, Universidad de Santiago de Chile, 1997.
[10] Freeman J, Redes neuronales, Algoritmos, Aplicacin y Tcnicas
de Programacin. Adisson Wesley, 1991.
[11] Taha, H, Investigacin de Operaciones, 5 edicin, Alfa Omega,
1995.
[12] Winston W, Investigacin de Operaciones, Iberoamericana, 1994.
[13] Malloc K. Y Conovaloff Andy. (1999), Patient Classification
Systems, Part 1. Jona, vol. 29, pp. 49-56
[14] Ozkaraham, I., A Flexible Nurse Scheduling Support System.
Computer Methods and Programs in Biomedicine, vol 30, pp. 145-
153,1989.
[15] Ozkarahan, I. y Bailey, J., Goal programming model subsystem of
a flexible nurse scheduling support systems. IIE Transaction, vol
20, pp. 306-316,1988.
NURSES SCHEDULING MODELING USING NEURAL
NETWORK AND BRANCH AND BOUND
ABSTRACT
Present work is focused on the solution of the nurses scheduling problem applied to Chilean Clinics,
particulary Clinica Las Condes. Several international and nationals articles exist who treat this subject,
nevertheless all of them are based on estimation of demand curves by number of beds or theorical curves that
not always adjust to reality, without considering the severity of the patient who enters the clinic. The main
objective is to make a nurses scheduling that considers the patients complexity or severity , for which was
made a prediction of demand curve based on historical data of the resident patients in the unit. Once this
curve is predicted the nurses scheduling has to be done, which in general is a NP- Complete problem.
However , given that in Chilean Clinics the restrictions of the problem relaxes, it turns into a problem small
instance allowing to compute its solution by an exact algorithm. The demand prediction is made through of a
TLRN recurrent neural network. The maximum prediction error computed for an independent test set was
found to be a 9.3%. This allows us to conclude that this is an efficient tool to predict expenses in nurses,
taking into account the severity of the patients. The prediction next stage corresponds to the nurses scheduling
through of an optimization exact algorithm, for which the Branch and Bound method has been used. With
wich a diminution of a 22% nurses cost with respect to present scheduling takes place, including a greater rest
by nurse.
Keywords: Nurses Scheduling, Neural Networks, Branch and Bound.