Estrategias de programacin de salas de ciruga: Un caso de aplicacin en un hospital de Bogot
Jimnez A.M, Amaya C., Ph.D y Velasco N., Ph.D.
Universidad de los Andes
H 2008 25
Diciembre 2008 2
ESTRATEGIAS DE PROGRAMACIN DE SALAS DE CIRUGA Un caso de aplicacin en un hospital de Bogot ngela M. Jimnez, Nubia Velasco Ph.D, Ciro Amaya Ph.D {ang-jime, nvelasco, ca.amaya}@uniandes.edu.co Departamento de Ingeniera Industrial, Universidad de los Andes Bogot, Colombia Resumen: El problema de programacin de cirugas en un hospital se examina en un esquema de tres niveles de decisin. Los niveles se diferencian por la cantidad de decisiones simultneas que el programador de las salas de ciruga debe tomar. Adicionalmente se considera el efecto de incluir la incertidumbre inherente a la duracin de las cirugas. De este modo surgen dos enfoques: uno en el cual se asumen determinsticas las duraciones de las cirugas y otro en el cual se toman como variables aleatorias. El problema se determinstico se modela como un programa entero mixto y luego se extiende al caso estocstico, utilizando el equivalente determinstico. Los modelos se validan y se comparan utilizando informacin histrica de un hospital. Adicionalmente se prueba un conjunto de heursticas adaptadas de la literatura sobre problemas logsticos similares, que pueden ser fcilmente implementadas en el hospital estudiado. Los resultados muestran que la consideracin de la incertidumbre resulta en mejoras significativas en la utilizacin de las salas y los indicadores de servicio, especialmente por efecto de la puntualidad en el inicio de las cirugas. Para el hospital estudiado, en particular, se obtienen mejoras potenciales entre el 10% y el 50% en la utilizacin dependiendo del modelo, as como del algoritmo considerado. Abstract: The operating room (OR) scheduling problem is examined in a three decision levels scheme. Levels are differentiated by the number of simultaneous decisions that the OR-programmer must take. For each of these levels the inherent uncertainty of the surgeries duration is considered. The problem is modeled as a mixed integer program and the deterministic equivalent is formulated for the stochastic case. Classical heuristics used in similar logistic problems were adapted from literature. Experiments were made from historical data collected in a private hospital of Bogot, Colombia. The results show that the uncertainty consideration improves rooms utilization and service indicators due to better punctuality at surgeries starting. Potential improvements between 10% and 50%, depending on the model, were obtained for the studied hospital. Palabras clave: Aplicaciones hospitalarias, Programacin de cirugas, Programacin estocstica, Programacin y asignacin de recursos.
1 INTRODUCCIN El departamento de cirugas no slo es uno de los departamentos ms costosos en los hospitales, sino es adems uno de los de mayor rentabilidad. Se estima que alrededor del 9% del presupuesto anual de los hospitales est destinado a las salas de ciruga (Gordon et al., 1988) y que estas mismas, constituyen alrededor del 40% de las ganancias totales al ao (Denton et al., 2007). El rea de ciruga usualmente constituye un cuello de botella en el hospital y para su operacin se enfrenta a diversos problemas logsticos como la planeacin de insumos, la planeacin de turnos de cirujanos y la movilizacin de pacientes, entre otros. Finalmente, el rea de ciruga mantiene una relacin directa con la disponibilidad de camas en el hospital pues una porcin importante de los pacientes que pasan por all requieren ser hospitalizados das antes y/o das despus del procedimiento quirrgico. El presente estudio se enfoca en el problema de la planeacin de las salas de cirugas. Las implicaciones de una planeacin adecuada son, entre otras, la reduccin de los costos asociados a los tiempos muertos en la programacin as como en el consumo de horas extra. Esto se traduce en un incremento en la calidad de servicio ofrecida al paciente y en una disminucin del riesgo de cancelacin de cirugas al final de la jornada. Por ltimo, la programacin de las operaciones contribuye con la planeacin de otras unidades asistenciales como se evidencia en Forero et al. (2009), as como con la disponibilidad de camas del hospital. En los ltimos 60 aos se ha publicado una gran cantidad de artculos concernientes a salas de ciruga, de los cuales, cerca del 50% aparecen despus del ao 2000 (Cardoen et al., 2008). stos varan significativamente dependiendo del sistema en consideracin. Algunos 3
estudios se en cunto tiempo asignar a cada ciruga, cuya duracin es de naturaleza estocstica. Lo anterior ha dado como resultado que en los ltimos aos se haya despertado un especial inters por integrar la incertidumbre en la programacin de las cirugas. Es bastante lo que resta hacer en cuanto a la inclusin de la incertidumbre. Recientemente se han empezado a utilizar herramientas como la programacin estocstica, ya sea para reservar un espacio estimado para los procedimientos urgentes (Lamiri et al., 2008) o para asignar el tiempo de ciruga a casos electivos y decidir cmo secuenciarlos en una sala (Denton et al., 2007). Finalmente, hay una preocupacin por la aplicabilidad de estos estudios traducido en el diseo de herramientas prcticas de apoyo a la toma de decisin y de fcil uso para el personal involucrado en la programacin de las salas de ciruga. El presente estudio se concentra en modelar formalmente el problema de programacin de las salas de ciruga considerando diferentes niveles de decisin. El primer nivel de decisin cosiste en estimar la duracin de cada ciruga; el segundo nivel de decisin consiste en determinar el orden (secuencia) en que se deben ejecutar los procedimientos en una sala ms 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 ltimos niveles implican la consideracin implcita o explcita del recurso mdico. Conforme aumenta el nivel de decisin mayor es la complejidad del modelo y en consecuencia, la dificultad para hallar su solucin ptima. Sin embargo, el problema se aproxima ms a la realidad. El presente trabajo analiza el beneficio/costo de pasar de un nivel a otro en trminos de calidad y facilidad para su aplicacin prctica. Las estrategias consideradas se presentan como un caso de estudio en un hospital de Bogot, Colombia. Dentro del marco de este estudio tambin se elabor una herramienta de apoyo a la decisin en VBA Excel que permite probar diferentes algoritmos pueden utilizarse para establecer la programacin de las salas y realizar simulaciones con datos histricos para contrastar programaciones tericas con el resultado que se hubiera obtenido en la realidad. Las conclusiones que se consignan sobre el caso de aplicacin se centran en analizar cul es el valor agregado de tener en cuenta la aleatoriedad inherente en la duracin de las cirugas dentro de la planeacin de las salas, determinar cules son las ganancias y dificultades que se obtienen al pasar de un nivel de decisin a otro en trminos de la calidad de las soluciones y cuantificar las mejoras en la situacin actual del hospital. 2 REVISIN DE LA LITERATURA A pesar de tratarse de la misma problemtica, los estudios sobre programacin de salas de ciruga varan significativamente de uno a otro dependiendo de su alcance. En algunos casos se modelan aisladamente las salas de ciruga mientras que en otros se integra al estudio una o ms reas, por ejemplo las habitaciones del hospital, la unidad de cuidados intensivos (UCI), el rea de urgencias o la sala de recuperacin. Una forma de clasificar los estudios en la literatura sobre programacin de salas de ciruga es de acuerdo a la estrategia de programacin de trasfondo: existen metodologas que se ejecutan en tiempo real (on-line) y otras que parten de listas de espera (off-line). Ambas estrategias son adaptables a cualquier horizonte de planeacin. La mayor diferencia entre las dos estrategias es que con la primera, la respuesta de fecha, sala y hora de inicio asignada a la ciruga es inmediata para quien remite el caso de ciruga. Con la segunda, debe existir un proceso de confirmacin, el cual implica un mayor esfuerzo organizacional. En general, en la mayora de estudios se aplican metodologas off-line. La mayora de las propuestas de solucin contienen una formulacin matemtica y su metodologa de solucin corresponde a heursticas o se basan exclusivamente en simulacin. Algunos ejemplos pueden verse en Yang et al., (2002) y Sciomachen et al. (2005). Una revisin de literatura exhaustiva sobre este problema puede consultarse en Cardoen et al. (2008). No puede hablarse de un nico modelo ya que para cada hospital se consideran supuestos, objetivos y restricciones diferentes. Dentro de las restricciones, las ms comunes son las de recursos como horas regulares, personal mdico (Paoletti el al., 2007), la capacidad de reas de espera, restricciones sobre la asignacin de salas por especialidad y la asignacin de equipos. Otras restricciones, son por ejemplo, la fecha de remisin del caso y fecha lmite de realizacin de las cirugas cuando se considera la fecha de ingreso del paciente al hospital (Zhang et al., 2009) y restricciones de precedencia, por ejemplo debidas a riesgos de contaminacin Finalmente, aunque varios estudios reconocen la incertidumbre inherente en la programacin de cirugas, son pocos los que la incluyen directamente. La mayora trabajan bajo supuestos determinsticos, siendo tres los principales: (1) no existe variabilidad en la duracin de los procedimientos; (2) no hay arribos provenientes de urgencias y, (3) no hay retrasos en la llegada de insumos, equipo, alistamiento de las salas, ni retrasos debidos al personal mdico. De los anteriores, el primero es el 4
supuesto ms fuerte porque reduce la robustez de las programaciones realizadas. El segundo es tambin fuerte si las urgencias no se atienden en salas separadas a las de los casos programados. Despus de que se fija un tiempo de inicio para una ciruga, una prolongacin de sta producir retrasos en los procedimientos subsecuentes, que a su vez incrementan las posibilidades de uso de horas extra del personal o de cancelacin de cirugas al final del da. Por el contrario, cuando una ciruga tarda menos de lo estimado, se nivelan las demoras en los procedimientos anteriores o se generan tiempos osciosos en la sala. Sin embargo, una sobre-estimacin sistemtica de los tiempos de ciruga producir una subutilizacin de las salas como lo muestra Dexter et al. (2007). Un resumen de la incertidumbre inherente en el sistema puede apreciarse en la Figura 1.
Figura 1. Incertidumbre inherente en el sistema Hans et al. (2008) trabajan en un modelo anlogo al Stochastic Knapsack Problem cuyo propsito es minimizar la holgura de tiempo que hay que agregar en la planeacin de las cirugas de un da con el fin de hacer las programaciones ms robustas ante variaciones en la duracin de los procedimientos, asumiendo que no se presentan urgencias. Otro supuesto es que la duracin de las cirugas sigue una distribucin de probabilidad normal. Sin embrago, suponer una distribucin de probabilidad especfica para la duracin de una ciruga es difcil en la prctica como se puede evidenciar en Wright et al. (1996). La duracin de los casos vara dependiendo de las caractersticas del paciente y del equipo mdico que opera, entre otros factores. Zhou et al. (1998) concluyen que la distribucin de probabilidad log-normal es adecuada para aproximar las duracin de una ciruga, dado un cirujano y un tipo de ciruga. Sin embargo, esta conclusin no est generalizada.
Los estudios ms recientes se han preocupado por integrar herramientas de la programacin estocstica que son adaptables a diversas distribuciones de probabilidad, incluso distribuciones empricas como en Denton et al. (2007). Lamiri et al. (2008), por su parte, trabajan en un modelo de programacin estocstica para el cual asumen que la duracin de los casos programados en una sala es determinstica y se preocupan por estimar el valor esperado de las horas requeridas para atender casos de urgencias en la jornada; luego utilizan una simulacin de Monte Carlo. En resumen, an cuando ya existen aproximaciones en la literatura y se han realizado esfuerzos importantes para integrar la incertidumbre inherente en el sistema, es bastante lo que resta por hacer todava. Hasta ahora los autores del presente documento no han encontrado un estudio en el cual se evalen diferentes estrategias de programacin por niveles de decisin. 3 DESCRIPCIN DEL PROBLEMA En el hospital analizado se practican en promedio 15 mil cirugas al ao. El departamento de ciruga dispone de ocho salas para ciruga general para casos programados que funcionan todos los das 12 horas continuas; los casos urgentes son atendidos en una sala adicional. La programacin de las salas generales se hace de forma manual y de manera similar al proceso de asignacin de citas en consulta externa: el cirujano (o su asistente) se comunica con la administracin de las salas y hace el requerimiento de tiempo y espacio para practicar una ciruga. La manera en que se programan actualmente las cirugas corresponde a la metodologa on-line: las solicitudes se atienden en su orden de llegada y se programan siempre y cuando los recursos estn disponibles en el momento solicitado. Generalmente, las modificaciones en la programacin se realizan por efecto de retrasos en los procedimientos, cuando las cirugas toman ms tiempo del inicialmente estimado. La prolongacin de una ciruga tiene efecto en el tiempo de inicio de todas las cirugas subsecuentes de que se practiquen en la misma sala o que pertenezcan al mismo cirujano. El hospital desea examinar la configuracin de diferentes estrategias de programacin de cirugas. Una estrategia de programacin est determinada por el conjunto de decisiones que el planeador de las salas debe tomar simultneamente y las decisiones que se asuman preestablecidas. Por ejemplo, para la programacin puede fijarse un horizonte de planeacin de 1 da de n- das; para un da pueden programarse todas las salas simultneamente considerarse la programacin de cada sala independientemente de las otras. As mismo, pueden asumirse precisas las duraciones de las cirugas stas pueden modelarse como variables aleatorias. Actualmente las salas estn sub-utilizadas: en los das y salas de mayor ocupacin histrica se programa apenas el 59% del tiempo disponible de las salas, esto es 424 minutos en promedio. Sin embargo, el efecto de los Duracin de las Cirugas Sobreestimacin Retrasos en la Programacin Reduce Nivel de Servicio Riesgo de Cancelacin de Cirugas Aumento del Consumo de Horas Extra Subestimacin Espacios Vacos en la Programacin Costos de Subutilizacin Demanda Estocstica Arribos Aleatorios desde Urgencias 5
tiempos muertos en la programacin y las demoras causadas por la sub-estimacin de la duracin de algunas cirugas hace que en se utilice el 86% del tiempo disponible (619 minutos) en promedio. De la misma manera, las salas no se programan de una manera uniforme: algunas se programan cercanas a su capacidad, mientras que en otras a penas se practican 2 o 3 cirugas diarias y no necesariamente extensas. 4 METODOLOGA Para considerar las estrategias anteriores, en el presente estudio las decisiones asociadas a cada estrategia se agrupan en niveles de decisin. Se definen 3 niveles de decisin que asumen un horizonte de planeacin de un da y que son fcilmente extensibles a un horizonte de planeacin de n-das. En el Nivel 1 el programador debe decidir el momento de inicio de las cirugas, asumiendo que se ha preestablecido la secuencia de procedimientos en una sala especfica. En el Nivel 2, se conserva el supuesto de que las cirugas han sido pre-asignadas a una sala pero el programador debe establecer su secuencia y el tiempo de inicio. En el Nivel 3, las decisiones de asignacin de sala, secuenciacin de casos y determinacin del tiempo de inicio se toman simultneamente. Por ltimo, el Nivel 4 que representa el caso en el que las decisiones de asignacin de fecha, sala, secuenciacin de casos y tiempo estimado de inicio de cada ciruga se toman simultneamente. Es decir, corresponde a la generalizacin del Nivel 3 para n-das. Para cada nivel de decisin tiene implicaciones diferentes asumir estocsticas o determinsticas las duraciones del conjunto de cirugas. Cuando se trata del caso determinstico, el Nivel 1 no existe pues cuando se asumen ciertas las duraciones de las cirugas, el tiempo asignado a cada una es simplemente su duracin (aadiendo los tiempos de preparacin correspondientes). Del mismo modo, el Nivel 2, independientemente de cmo se secuencie los indicadores de desempeo basados en tiempo slo dependern del nmero de cirugas a realizar. El caso determinstico cobra sentido a partir del Nivel 3. Cuando se modela la incertidumbre inherente en la duracin de las cirugas, el problema adquiere sentido desde el Nivel 1. Cada nivel de decisin corresponde a una estrategia de programacin diferente. En las secciones a continuacin se presenta el modelo de Nivel 3 para el caso determinstico y para el caso estocstico y se explica desde este nivel qu variables se fijan para obtener los modelos asociados a los niveles 1 y 2. El propsito es observar los efectos de resolver el problema bajo un enfoque determinstico versus bajo un enfoque estocstico. Y de la misma manera, analizar el beneficio/costo de tomar ms o menos decisiones a la vez. El problema descrito se aborda primero de una manera exacta y luego a travs de algoritmos sencillos de implementar en la prctica. Para ambos casos se utiliza informacin histrica del hospital y se validan los resultados arrojados por los modelos de optimizacin y de las heursticas a travs de simulaciones. 5 MTODOS EXACTOS En esta seccin se expone el modelo asociado al Nivel 3 para el caso determinstico. De all se parte para llegar al modelo de Nivel 3 para el caso estocstico. A partir de este segundo modelo se explica cmo llegar a las formulaciones para los Niveles 1 y 2. Todos los modelos se desarrollan bajo los siguientes supuestos generales: 1. Salas idnticas y multifuncionales. 2. Lista de casos a programar conocida 3. Casos de ciruga pre-asignados al cirujano. 4. Cada ciruga tiene asociado exactamente un cirujano, pero un cirujano puede tener asociadas varios casos de ciruga. 5. El tiempo de alistamiento de las salas es independiente de la secuencia en la que se practiquen las cirugas. 5.1 Caso determinstico 5.1.1 Notacin Conjunto de cirugas Conjunto de salas de ciruga. Duracin de la ciruga . Tiempo regular disponible en la sala Costo unitario por consumo de tiempo extra en una sala Parmetro binario. 1 si las cirugas e pertenecen al mismo cirujano. 0 si no. 1 si la ciruga es asignada a la sala . 0 de lo contrario. 1 si la ciruga es antecesor inmediato de en la sala 0 de lo contrario. 1 si la ciruga precede a la y, tanto la ciruga como la pertenecen al mismo cirujano. 0, de lo contrario. Tiempo de inicio de la ciruga Horas extra consumidas en la sala Tiempo muerto de la sala al final del da. 6
5.1.2 Formulacin Para el caso en el que se asumen precisas las duraciones de las cirugas el modelo para el problema que se presenta en el Nivel 3 se muestra a continuacin. La ecuacin 1 es la funcin objetivo que representa minimizar el consumo de tiempo extra en las salas de ciruga. La ecuacin 2 representa la restriccin en la que se garantiza que todas las cirugas sean asignadas exactamente a una sala. Las ecuaciones 3 y 4 garantizan que dos cirugas pueden ser consecutivas nicamente si stas fueron asignadas a la misma sala. El grupo de restricciones 5 a 7 evitan la formacin de sub-tours. La ecuacin 8 se refiere a la coherencia entre los tiempos de inicio y secuencia de cirugas, la 9 corresponde al balance de tiempo de cada sala. El conjunto de ecuaciones 10 a 11 garantizan que no se traslapen en el tiempo dos cirugas pertenecientes a un mismo cirujano. Las ecuaciones 12 a 17 describen el dominio de las variables de decisin. El modelo de optimizacin presentado no considera un costo para y asume un horizonte de planeacin de un solo periodo.
s.a:
(7) (8)
5.1.3 Simplificacin del modelo En la prctica resulta conveniente que los casos de un mismo cirujano se programen consecutivamente. Ntese que la ecuacin 1 no penaliza o favorece la programacin en bloque de las cirugas que pertenecen a un mismo cirujano. Una alternativa para modelar esta consideracin es incluir costos de programar una ciruga adyacente a otra (similar a los sistemas en donde hay un costo de alistamiento dependiente de la secuencia). Sin embargo, tambin hay que notar que el grupo de restricciones 10 y 11 aaden bastante complejidad al modelo e incluir dichos costos lo hara an ms. Una forma de incluir esta particularidad es, cuando el sistema lo permite, no considerar la remisin individual de los casos de ciruga sino considerar bloques de cirugas para cada mdico. De esta manera se reduce el nmero de variables y potencialmente desaparecen las variables de secuenciacin asociadas al recurso mdico (si no es necesario que un cirujano remita ms de un bloque de cirugas por razones mdicas). Cuando las variables desaparecen, el sistema es anlogo a uno de produccin de mquinas en paralelo. 7
5.2 Caso estocstico La inclusin de la incertidumbre en el modelo trae consigo dos medidas relativas a la duracin de cada ciruga: a. La demora en el inicio de la siguiente ciruga, ya sea porque la ciruga actual tome ms tiempo del asignado o porque haya acumulacin de demoras provenientes de cirugas anteriores. b. El tiempo muerto entre la ciruga actual y su sucesora; es decir, cuando la duracin de la ciruga actual se subestima y la sala permanece vaca hasta que sea la hora de la prxima ciruga programada. Se asume las cirugas no se pueden adelantar. Es por esta razn que al considerar la incertidumbre inherente en la duracin de las cirugas, los Niveles 1 y 2 adquieren sentido (ver Figura 1). De la misma manera, adquieren sentido los objetivos de minimizar las demoras y los tiempos ociosos entre cirugas, adicionalmente al consumo de horas extra. Tambin hay que notar que las medidas de desempeo que en el caso determinstico son un nico resultado, en el caso estocstico son dependientes de las ocurrencias de variables aleatorias, por lo tanto la funcin objetivo se expresa como un valor esperado de estas medidas de desempeo. Los supuestos adicionales para formular el equivalente determinstico problema estocstico son los siguientes: 1. La duracin de las cirugas es incierta, pero se puede aproximar al menos a una distribucin de probabilidad emprica. 2. El trmino hace referencia a la ocurrencia colectiva de la duracin de las cirugas a programar. 3. A cada puede atribuirse una probabilidad. 5.2.1 Notacin A continuacin se enuncian los parmetros y variables adicionales a tener en cuenta en la formulacin del caso estocstico de Nivel 3: Conjunto de escenarios Duracin de la ciruga en el escenario . Costo de espera de la ciruga por unidad de tiempo si est directamente precedida por la ciruga . Costo unitario del tiempo ocioso entre las cirugas y , si est directamente precedida por la ciruga . Probabilidad de ocurrencia del escenario Tiempo asignado a la ciruga en la sala . Tiempo ocioso entre las cirugas y en el escenario , en la sala Demora en el inicio de la ciruga en el escenario , si est directamente precedida por la ciruga en la sala Tiempo regular sobrante de la sala en el escenario Horas extra consumidas en la sala en el escenario 5.2.2 Formulacin
El primer cambio entre el modelo determinstico y los modelos estocsticos se observa en la funcin objetivo que en el segundo caso corresponde a un valor esperado, el cual no slo integra el consumo de horas extra sino adems, penaliza los vacos entre cirugas y las demoras en el inicio de los procedimientos (ecuacin 18). 8
Las el grupo de restricciones representadas por las ecuaciones 2 a 7 y las ecuaciones 12 a 13 aplican sin ninguna modificacin para el caso estocstico, pues son decisiones que se toman a priori, antes de la ocurrencia del evento aleatorio. El resto de restricciones del problema estocstico son las siguientes: slo puede asignarse tiempo de ciruga en una sala si y slo si la ciruga fue asignada a dicha sala (ecuacin 19); debe existir un balance entre los tiempos muertos y demoras entre cirugas en relacin a la duracin de cada ciruga en cada, para cada escenario en la respectiva sala (ecuacin 20) y un balance entre el tiempo utilizado efectivamente en cada escenario y la capacidad de las salas (ecuacin 21). Las ecuaciones 22 y 23 representan la coherencia que debe existir entre las decisiones de secuenciacin y los tiempos de holgura o espera, entre cirugas. El conjunto de ecuaciones 13 a 17 especifican el dominio de las variables de decisin del modelo que estn en funcin de los escenarios. Cuando se pasa del modelo de Nivel 3 al modelo de Nivel 2 en el caso estocstico, en las variables se elimina el ndice asociado a las salas, , y las variables desaparecen y por lo tanto, las ecuaciones (2-4) y la (8) desaparecen, as como las (20-21) se simplifican. Adicional a esto, en el Nivel 1, desaparecen completamente las variables y por lo tanto el modelo se reduce a las restricciones representadas por las ecuaciones (20-21) sin el ndice de sala. 6 MTODOS HEURSTICOS Como parte del presente estudio se disea una herramienta para probar el desempeo de heursticas que pueden ser implementadas tanto en forma manual como a travs de algn lenguaje de programacin. Los algoritmos programados son adaptados de algoritmos diseados para problemas clsicos de scheduling similares como el problema de Bin-Packing. Literatura al respecto puede consultarse en Dsa (2007), Garey et al. (1979) y Lodi et al. (2002). Las adaptaciones consideran una versin On-line as como una Off-line. Los algoritmos basados en estrategias On-line se describen a continuacin: Best-Fit: Los casos se consideran en su orden de llegada. Se asigna la sala que tenga tiempo suficiente para atender el procedimiento y tenga la menor cantidad de tiempo disponible. Worst-Fit: Los casos se consideran en su orden de llegada. Se asigna la sala que tenga tiempo suficiente para atender el procedimiento y tenga la mayor cantidad de tiempo disponible. Best-Fit with Fuzzy Constraints: Ejecuta la regla Best-Fit relajando la restriccin de capacidad, es decir se permite el consumo de horas extra. Worst-Fit with Fuzzy Constraints: Corresponde a una estrategia Worst-Fit, relajando la restriccin de capacidad. First-Fit: Los casos se consideran en su orden de llegada y se acomodan en la primera sala que ajuste sin violar la capacidad de la sala. Las estrategias Off-line parten de una lista de espera: Best-Fit y Worst-Fit Descending: Los procedimientos se pre-ordenan por su duracin de manera decreciente (regla de despacho LPT). Los casos se consideran en ese orden y se ejecuta el criterio Best-Fit o Worst-Fit, respectivamente, para asignar la sala. Best-Fit y Worst-Fit Descending with Fuzzy Constraints: Son las reglas Best-Fit y Worst-Fit Descending, respectivamente, flexibilizando la restriccin de tiempo de las salas. Worst-Fit Ascending with Fuzzy Constraints: procedimientos se pre-ordenan por su duracin de manera creciente (SPT) y se consideran en ese orden. Se ejecuta el criterio Worst-Fit with Fuzzy Constraints para asignar la sala. 7 EXPERIMENTACIN En el hospital estudiado las salas estn disponibles 720 minutos diarios. Durante 3 meses, para cada da de la semana y con ayuda del personal mdico, se tomaron los siguientes datos: nombre procedimiento, tiempo programado, hora de inicio programada y real, duracin real de la ciruga, sala y cirujano. A partir de esta informacin se valida la situacin problema expuesta por el personal de programacin de cirugas y se escogen las instancias para correr en los modelos de Nivel 1 y 2 en el caso estocstico y de Nivel 3 en el caso determinstico y estocstico. Las instancias que se presentan en esta seccin corresponden a los das y salas que mayor nmero de cirugas programadas tuvieron en la serie histrica. Los modelos de optimizacin asociados a cada nivel se corren en XPress Profesional, en un computador Intel Xeon 5120, 1.86GHz y 4.00GB de RAM. Con las soluciones obtenidas para cada modelo y la duracin real histrica de las cirugas de la instancia se realiza una simulacin para calcular los indicadores de desempeo que se hubieran obtenido en las salas de ciruga si la programacin hubiera sido la establecida por los modelos como se muestra en la Figura 2. 9
Figura 2. Pruebas a partir de histricos La nomenclatura de las instancias se define de la siguiente forma: el nombre de las instancias comienza con o ; denota el caso determinstico y el caso estocstico. A continuacin los nmeros o representan el nivel de decisin para el cual est construida la instancia. La letra denota la cardinalidad del conjunto de casos de ciruga y el nmero de salas. Finalmente, los ltimos 3 dgitos indican el cdigo de la instancia. Por ejemplo, hace referencia a la primera instancia para el modelo estocstico de Nivel 3, en el cual se consideran 25 casos de ciruga, 8 salas. De igual forma, la instancia hace referencia a la primera instancia del modelo estocstico de Nivel 1. S se omite ya que implica que el nmero de salas consideradas es igual a 1. 7.1 Construccin de escenarios Para construir los escenarios asociados a los modelos estocsticos, se estima para cada cirujano la probabilidad de subestimar el tiempo de ciruga, la probabilidad de acierto en el tiempo y la probabilidad de sobreestimacin, a partir de la informacin histrica. A cada una de estas probabilidades se asocia un valor menor que uno en el primer caso, igual a uno en el segundo y mayor a uno en el tercer caso. Se generan 1000 nmeros aleatorios. Para cada rplica, con la distribucin de probabilidad acumulada para cada cirujano y la duracin estimada para cada ciruga se construye una posible ocurrencia colectiva de tiempos de ciruga. Con esta muestra se identifican los escenarios y se estima la probabilidad de cada uno. Este proceso se elabora de manera independiente para cada instancia. Para automatizar la identificacin de los escenarios se construy una macro en VBA Excel, pues de manera manual este proceso es dispendioso. 7.2 Resultados mtodos exactos 7.2.1 Nivel 1: Da, sala y secuencia conocidos Se corre el modelo de Nivel 1 para determinar el momento de inicio de las cirugas con los datos histricos. El consumo de horas extra en todos los casos es cero debido a la subutilizacin histrica de las salas. La comparacin entre los resultados obtenidos se hace entonces, con base en el tiempo de terminacin de la ltima ciruga del da, Makespan. La Tabla1 muestra para cada instancia considerada la cantidad de minutos que program el modelo frente al histrico, as como el Makespan obtenido y los indicadores Minutos utilizados/Minutos programados y Minutos utilizados/Minutos disponibles para cada instancia como producto de ejecutar las simulaciones. Para el Nivel 1, dejando el mismo nmero de procedimientos y secuencia de los histricos en cada sala, el modelo habra programado el 71,2% del tiempo disponible (513 minutos). Al simular los tiempos muertos y demoras con los tiempos reales, el tiempo utilizado en promedio habra sido del 71% (511 minutos). Es decir, una mejor correspondencia entre tiempo programado y tiempo ejecutado. Mejorar la razn anterior resulta en la prctica en la posibilidad de introducir un mayor nmero de casos en cada una de las salas, incrementando la utilizacin de las mismas. En promedio, con el modelo, se obtiene una mejora del 17% en Makespan. El aumento del 22% en la cantidad de minutos programados se traduce en una mejora del 32% en el indicador tiempo utilizado tiempo programado.
* Makespan: Minuto finalizacin todas las cirugas **Dif: Diferencia porcentual entre lo obtenido y el histrico 7.2.2 Nivel 2: Da y sala conocidos En las instancias del Nivel 2 los datos de entrada son similares a los del Nivel 1: para ambos modelos las duraciones en cada escenario, la probabilidad de cada escenario, las horas regulares de la sala y el costo de las horas extra son los mismos. Lo nico que difiere es que en el caso del modelo de Nivel 1 los parmetros y corresponden a vectores, mientras que en el Nivel 2 a matrices debido a que del Nivel 1 al Nivel 2 lo que cambia es que adems de asignar el tiempo de ciruga (Nivel 1), se debe decidir la secuencia en que se van a ejecutar los procedimientos. Esta secuenciacin debe favorecer los bloques mdicos, como se muestra en la Tabla 2. Tabla 2. Parmetros de costo cirugas consecutivas Para la ciruga j , cuando i pertenece al mismo mdico 2 1 cuando i pertenece a otro mdico 3 2
Para 2 cirugas consecutivas es ms costoso el tiempo de espera por unidad de tiempo que el tiempo muerto entre ellas, debido a que adems de alterar nivel de servicio ofrecido al paciente (puntualidad) el equipo mdico que espera tambin se retrasa en su trabajo. Por lo tanto, se penaliza ms fuertemente cuando una ciruga debe esperar para su inicio, debido al retraso de la ciruga anterior.
Figura 3. Comparacin Niveles 1 y 2 En las instancias consideradas el modelo del Nivel 2 la secuencia de procedimientos es diferente al ordenamiento histrico; en el Nivel 2 se producen bloques mdicos pero no se detecta ningn patrn en la secuenciacin de los procedimientos. Al comparar una a una las cirugas de cada instancia en los Niveles 1 y 2, el modelo de Nivel 2 programa menos minutos por ciruga que el de Nivel 1. En el Nivel 2 en promedio se programa el 55% del tiempo disponible y se utiliza efectivamente el 60%. En el Nivel 2 existe una disminucin del Makespan respecto al histrico del 30% y frente al Nivel 1, 13% en promedio pero disminuye la correspondencia entre tiempo programado y tiempo utilizado, como se aprecia en la Figura 2. 7.2.3 Nivel 3: 1 da de planeacin El Nivel 3 supone que adicional a las decisiones de secuenciacin se decide la asignacin de cirugas a sala para un da de planeacin. Las instancias corridas para este nivel de decisin corresponden a las mismas fechas en el histrico de las instancias en los modelos de Nivel 1 y 2. Por lo tanto, algunas de las instancias de los Niveles 1 y 2 se agrupan porque pertenecen a la misma fecha y, del mismo modo, cada fecha se completada con las dems cirugas que se realizaron durante esa fecha (Ver Tabla 3).
En las fechas correspondientes a las fechas analizadas, se practican por da entre 25 y 30 cirugas. Dado que se sabe que las salas no estn utilizadas cerca a su capacidad, sumando los tiempos de ciruga del da es posible estimar una cota mnima para el nmero de salas requeridas para cada fecha como se aprecia en la Tabla 3. La cota mnima es coherente con la subutilizacin actual de las salas.
Tabla 3. Nmero mnimo de salas Instancia Nivel 3 Inst. Niveles 1 y 2 agrupadas Suma tiempos ciruga Cota # salas E3C28S4-001 E1C6-001, E1C5-002, E1C4-005 2,278 4 E3C25S3-002 E1C6-003, E1C6-006 2,184 3 E3C25S3-003 E1C6-004, E1C6-007, E1C6-011, E1C5-012 1,789 3 E3C27S4-004 E1C6-008, E1C7-009 2,485 4 E3C30S4-005 E1C6-010 2,700 4 Promedio: 2,287 4 Cuando se corre el modelo de Nivel 3, ya sea en su versin determinstica o equivalente determinstica, X- Press agota la capacidad del computador en el cual se realizan las pruebas. An bajo una agrupacin de cirugas en bloques por mdico, el modelo es complejo como se aprecia en la Tabla 4 para la instancia del Nivel 3. Tabla 4. Nmero de restricciones del modelo por bloques en funcin del nmero de salas. Ejemplo Instancia 1. # salas Caso determinstico Caso Estocstico 1 842 20,900 2 1,700 40,900 3 2,540 62,900 0 100 200 300 400 500 600 700 0% 20% 40% 60% 80% 100% 120% 140% 160% 180% Actual Nivel 1 Nivel 2 M i n u t o s Makespan Minutos Programados Min Utilizados/Min Programados Min Utilizados/Min Disponibles 11
4 3,380 83,800 5 4,230 104,000 6 5,070 125,000 Las medidas de desempeo consideradas para el Nivel de decisin 3 en comparacin con el histrico: el nmero de salas utilizadas, el nmero promedio de operaciones por sala, el Makespan de la fecha y el promedio de minutos programados por sala. En las tablas que siguen a continuacin, adems de los indicadores anteriores, se muestran las siguientes medidas de desempeo obtenidas para las salas, en valores promedio: minuto de finalizacin/minutos programados, minuto de finalizacin/tiempo disponible, suma de tiempos muertos (vacos), tiempo sobrante, mxima espera (demora), mximo tiempo muerto (vaco), porcentaje de cirugas atrasadas y tiempo extra consumido. Lo anterior a partir de las simulaciones realizadas. 7.2.3.1 Caso determinstico En el hospital estudiado los cirujanos realizan entre 1 y 3 cirugas en las fechas de las instancias. Al agrupar por bloques, se obtienen entre 15 y 20 bloques de ciruga a programar. Al trabajar con el mnimo nmero de salas posible, automticamente crece el nmero de procedimientos por sala, como se aprecia en la Tabla 5. Si la estimacin de la duracin de las cirugas fuera precisa en la realidad, se podran programar en promedio 7 procedimientos por sala, programando el 94% del tiempo disponible. Sin embargo, la realidad es que la estimacin de las duraciones de las cirugas no son precisas y en consecuencia el hecho de programar las salas al borde de su capacidad tiene como principal desventaja que el porcentaje de cirugas retrasadas puede ser bastante elevado as como el consumo de horas extra. El porcentaje promedio de cirugas retrasadas es 45% en este caso y el consumo de tiempo extra alcanza a sobrepasar las 2 horas. El efecto de asumir como determinsticas las duraciones de las cirugas se aprecia en las columnas Minuto finalizacin/ Minutos programados y Minuto finalizacin/ Minutos disponibles que se asemejan a la situacin actual del hospital: hay un desfase importante cuando se compara el tiempo programado versus el tiempo asignado a las cirugas.
Tabla 5. Resultados generales modelo Nivel 3 - duraciones determinsticas.
7.2.3.2 Caso estocstico El Equivalente Determinstico del problema estocstico resulta ser mucho ms complejo que el modelo del caso determinstico por efecto de los escenarios. Sin embargo, el modelo estocstico tiene a favor que su estructura permite favorecer la generacin de bloques mdicos a travs de los parmetros de costo de espera y tiempo muerto entre cirugas, y , que estn en funcin de la secuenciacin de las cirugas y tienen efecto en la funcin objetivo. Cuando el problema se modela por bloques, las matrices y pueden reemplazarse por escalares. Este cambio reduce sustancialmente la complejidad del modelo. Por ejemplo, para la instancia 1 del Nivel 3, si se trabajara con las 30 cirugas directamente y el nmero mnimo de salas, que es 4, el modelo tendra asociadas 201,416 restricciones. Al trabajar con bloques y y como escalares, el modelo asociado consta de 83,880 restricciones. La Tabla 6 resume los resultados para las instancias del Nivel 3 agrupando los casos de ciruga en bloques por mdico para el problema estocstico. Para el Nivel 3 por bloques se observa que el modelo estocstico programa en promedio un 17% menos minutos por sala que el modelo determinstico. En el 12
Nivel 2, se programan 394 minutos en promedio para el 55% de la capacidad; en el Nivel 1 se programan 513 minutos en promedio para el 71% de la capacidad. Escalando estos valores a una programacin del 78% de la capacidad en promedio, que es la reflejada en el Nivel 3 para el caso estocstico, para el Nivel 2 esto corresponde a 552 minutos y en el Nivel 1 a 556 minutos, es decir, valores muy cercanos a los obtenidos por el modelo de Nivel 3 (558 minutos). Las medidas asociadas al tiempo de terminacin de las cirugas (Makespan) mejoran del caso determinstico al caso estocstico a penas en un 2%; el consumo de horas extra as como la sobreutilizacin de las salas, al considerar un escenario en el que se trabaja cerca de la capacidad de las salas disponibles, se reducen con el modelo estocstico con la simplificacin por bloques. Sin embargo, los indicadores no alcanzan a ser deseables. El porcentaje de cirugas que comienzan con retraso es elevado (51%), aun cuando la mxima demora oscila entre 45minutos y 1 hora. En la actualidad, las demoras regulares alcanzan a ser de ms de 2h. Aunque las medidas de desempeo son ligeramente superiores en el caso estocstico por bloques no son del todo satisfactorias. Pese a que se podra pensar que la sobreutilizacin es debido a que se estn considerando muy pocas salas y una solucin inmediata a la sobreutilizacin sea correr el modelo para cada instancia con al menos 1 sala ms, la Tabla 6 muestra que no necesariamente la sobreutilizacin es debido a que se est utilizando el mnimo nmero posible de salas: una diferencia muy marcada entre los resultados de los dos modelos simplificados por bloques para el Nivel 3 es la aparicin de tiempo sobrante al final de la jornada en el caso estocstico. Esto significa que se puede estar sobrecargando slo algunas de las salas para cada una de las fechas consideradas.
Tabla 6. Resultados generales modelo Nivel 3 - duraciones estocsticas
Al correr las instancias del modelo del Nivel 3 para el caso estocstico en su versin completa, las soluciones no alcanzan a ser ptimas ya que en todos los casos se consume la memoria disponible del computador sobre el cual se corren los modelos. La desviacin respecto a la cota que calcula X-Press se sita entre el 5% y 35%, para las instancias probadas. Se examinan estas soluciones obteniendo en promedio lo siguiente (ver Tabla 7): Se programan 7 operaciones/sala El Makespan se reduce en un 32% y 35% respecto al modelo de Nivel 3 determinstico y estocstico por bloques, respectivamente. La reduccin del Makespan es coherente con el resultado de Nivel 2. El consumo de tiempo extra es casi inexistente. La utilizacin de las salas se sita alrededor del 86% de la capacidad y sobran 60 minutos en promedio por sala en cada fecha. La desviacin del tiempo utilizado frente al tiempo programado es del 10%. La suma total de tiempos muertos durante la jornada es de 48 minutos; el mximo tiempo muerto en promedio se sita alrededor de 1h mientras que los tiempos muertos entre una ciruga y resultan en 7 minutos, en promedio. El porcentaje de cirugas con retraso contina siendo alto, sin embargo el tiempo de espera entre las cirugas que esperan es de 12 minutos. Finalmente, la mxima demora est cercana a 1h.
13
Tabla 7. Resultados modelo Nivel 3 estocstico - completo Indicador Unidades en minutos Promedio operaciones/sala 7 Promedio Makespan 620 Promedio minutos programados 564 Promedio M. Finalizacin/M. Programados 110% Promedio M. Finalizacin/ M. Disponibles 86% Promedio suma de vacos 47.5 Promedio tiempo sobrante 59.5 Promedio mxima demora 58 Promedio demora o espera 12 Promedio mximo vaco 54 Promedio tiempos muertos (vacos) 7 Promedio % cirugas atrasadas 52% Promedio tiempo extra consumido 0.75
Figura 4. Comparacin de resultados Nivel 3 7.2.4 Resultados mtodos heursticos 7.2.4.1 Best-Fit La Tabla 8 resume los resultados para cada una de las instancias de Nivel 3 probadas con el algoritmo Best-Fit. Esta heurstica va en pro de minimizar el nmero de salas utilizadas. Best-Fit program en 3 de las 5 instancias el nmero mnimo posible de salas y en las 2 restantes utiliz 1 sala ms. En promedio Best-Fit programa 7 operaciones por sala, es decir ms del 50% de operaciones por sala frente al histrico. La principal desventaja de este esquema es que en la prctica una programacin de este tipo puede generar una disminucin en el nivel de servicio prestado al paciente as como un incremento en los riesgos de consumo de horas extra y cancelacin de alguna ciruga. Para el caso de las instancias 2 y 3, 1000 minutos en el Makespan corresponden a 16 horas aproximadamente y por lo tanto, de haberse realizado la programacin propuesta por Best-Fit, podra haberse cancelado algn procedimiento, de no existir capacidad en otras salas para realizar un cambio de ltima hora, que tampoco es el ideal. Cuando se comparan los resultados de Best-Fit con los del modelo determinstico se observa que el promedio de minutos programados por sala se reduce de 674 a 630 minutos (ver Tabla 6); en consecuencia, hay una desmejora en los indicadores de desempeo asociados a la utilizacin cuando se consideran el mismo nmero de salas (instancias 2, 3 y 4). La mxima demora pasa de ser 89 minutos a 113 en promedio y del mismo modo se incrementa el porcentaje de cirugas que comienzan con retraso de 45% a 61%.
0 100 200 300 400 500 600 700 800 900 0% 20% 40% 60% 80% 100% 120% 140% 160% 180% Actual Nivel 3 - Det Nivel 3 - Estoc. Con Bloques Nivel 3 - Estoc. Sin Bloques M i n u t o s Makespan Minutos Programados Min Utilizados/Min Programados Min Utilizados/Min Disponibles 14
7.2.4.2 Worst-Fit Worst-Fit no minimiza el nmero de salas a utilizar como se observa en la Tabla 9. El algoritmo programa todas las salas disponibles. El nmero de cirugas programadas por sala se asemeja mucho al indicador histrico, al igual que la cantidad promedio de minutos programados por sala (422) pero logrando una reduccin en un 12% en el Makespan y en consecuencia una reduccin promedio del 10% en la razn Minuto finalizacin/ Minutos disponibles, as como del 24% en el indicador Minuto finalizacin/ Minutos programados. El algoritmo Worst-Fit procura minimizar el Makespan, siendo la consecuencia directa una reduccin en el riesgo de consumo de horas extra. Hay una mejora significativa en la cantidad de espacios vacos, el retraso mximo durante la jornada y el mximo tiempo vaco frente a Best-Fit. Al comparar con el Nivel 2, all se programan en promedio 424 minutos por sala, un valor muy cercano al de esta heurstica; la secuenciacin generada por Worst-Fit se obtiene una mejora del 12% en promedio respecto al Makespan histrico, sin embargo el modelo del Nivel 2 logra una reduccin promedio del 30%.
Los algoritmos Best-Fit with Fuzzy Constraints y Worst- Fit with Fuzzy Constraints, relajan la restriccin de capacidad de las salas. Para el caso de los datos histricos del hospital, Best-Fit with Fuzzy Constraints agudiza el problema del riesgo de consumo de horas extra, mientras que Worst-Fit with Fuzzy Constraints arroja exactamente los mismos resultados que Worst-Fit, debido a que el consumo de horas extra no es necesario. Lo anterior es debido a que la cantidad total de cirugas y sus duraciones no se aproximan a la capacidad del rea de ciruga del hospital. 7.2.4.3 Best-Fit Descending y Worst-Fit Descending Best-Fit escending y Worst-Fit Descending son estrategias Off-line siguen la misma lgica de los algoritmos Best-Fit y Worst-Fit, respectivamente; la diferencia consiste en que los casos se ordenan previamente de mayor a menor duracin total. El resultado obtenido para Best-Fit Descending frente a Best-Fit por efecto de realizar dicho ordenamiento es una mejora del 8% en el Makespan promedio y en el indicador Minuto finalizacin/ Minutos programados promedio, as como una mejora aproximada del 10% en el indicador Minuto finalizacin/ Minutos disponibles. De la misma manera, existen mejoras significativas en el consumo de horas extra, en el porcentaje de procedimientos atrasados y las medidas relacionadas con espacios muertos y demoras en la programacin. Para Worst-Fit Descending frente a Worst-Fit, el Makespan se reduce en un 6%, 3% el indicador Minuto finalizacin/ Minutos programados 6% en el indicador Minuto finalizacin/ Minutos disponible, en promedio. La mejora respecto al Makespan histrico es de 17%, muy parecido al Nivel 1 y ms cercano al resultado de Nivel 2, considerando el nmero promedio de operaciones por sala, de las heursticas anteriores. Finalmente, frente al resto de indicadores evaluados, Worst-Fit Descending no presenta ms mejoras significativas frente a Worst-Fit.
15
Tabla 10. Resultados generales Best-Fit Descending
7.2.4.4 Sensibilidad Cuando la cantidad de casos de ciruga y sus duraciones estimadas no alcanzan a bordear la capacidad del rea de cirugas, la brecha entre la versin off-line y la versin on-line de WorstFit no es tan amplia, como aparentemente ocurre con las heursticas que siguen la lgica BestFit. Se simula realizar programaciones si la demanda de las salas aumenta generando una muestra aleatoria de cirugas con tiempos que oscilaban entre 1h y 3h, es decir el tipo de cirugas ms frecuentes. Para cada una de estas cirugas se genera tambin un tiempo real de ciruga para poder evaluar el desempeo de las heursticas. Cuando la demanda de tiempo de las salas est cercana a su capacidad, la brecha entre la versin off-line y la versin on-line de los algoritmos se acenta. Para las instancias probadas el mejor desempeo lo obtiene WorstFit Descending with Fuzzy constrainst. El consumo de horas extra mximo permitido se asumi en 30 minutos por sala, un parmetro conservador. Para un promedio de 6 cirugas por sala las medidas de desempeo fueron muy cercanas a los de WorstFit Descending con 3 cirugas por sala. 7.2.5 Aplicabilidad de las estrategias Es claro que para la situacin actual del hospital se obtienen mejoras desde el primer nivel de decisin en la versin estocstica, tambin en la versin determinstica del problema, y en menor medida con el uso de algoritmos que siguen la lgica WorstFit. La sub- utilizacin actual de las salas es consistente en todos los resultados obtenidos, ya sea porque es factible programar todos los procedimientos en cada fecha del histrico utilizando menos del 60% de las salas disponibles o porque es posible, utilizando el mismo nmero de salas, consumir menos tiempo. 16
WorstFit Descending produde los mejores resultados. Sin embargo, debe recordarse que esta heurstica tiene como trasfondo una estrategia de programacin off-Line. Esto llevado a la prctica implica una serie de cambios organizacionales, empezando porque el personal mdico que hoy en da solicita turno para operar, recibe una respuesta inmediata. Una estrategia off-line asume que existe un corte de tiempo hasta el cual quien hace la reserva puede remitir su caso. Este sera el primer parmetro a fijar. El segundo cambio que se requiere para llevar a cabo esta estrategia consiste en definir un proceso de confirmacin. Es decir, en establecer el plazo que tiene el programador para, a partir de dicho corte de tiempo, tener lista la programacin de las salas para una fecha especfica y cmo debe transmitir su resultado a cada uno de los equipos mdicos. Todo esto a su vez, debe estar respaldado por el uso de tecnologas que permitan realizar eficientemente el proceso descrito. Un interrogante natural acerca de cmo implementar esta estrategia off-Line en la prctica es, para una fecha especfica, hasta cuntos casos admitir durante el tiempo en el que la lista de reserva est abierta para esa fecha. La sugerencia derivada del estudio realizado es que si los algoritmos estn programados en alguna herramienta computacional, es fcil correr la heurstica cada vez que llega un nuevo caso y observar si la programacin resultante es factible; si es factible, se agrega el nuevo caso remitido; si no, puede evaluarse otra fecha para quien remite la ciruga. 8 CONCLUSIONES GENERALES A partir del estudio realizado se observan mejoras significativas en el Makespan, conforme se incrementa la complejidad del modelo; es decir, conforme el programador toma un mayor nmero de decisiones simultneas. Una simplificacin por bloques es conveniente en el caso determinstico pero debe tratarse con ms cuidado en el caso estocstico. En el caso estocstico la complejidad del equivalente determinstico del modelo estocstico completo puede reducirse en trminos de la eliminacin de las variables asociadas a la secuenciacin de los equipos mdicos, utilizando apropiadamente los costos de tiempos muertos y demoras entre las cirugas. Sin embargo, suponer una secuenciacin previa para los casos de cada equipo mdico (conformar bloques mdicos) resulta ser una decisin muy costosa en trminos de indicadores de desempeo. La precisin en la estimacin de las duraciones de las cirugas refleja un gran impacto en la calidad de las programaciones de las salas. Pero la principal dificultad en el momento de integrar la incertidumbre es que la complejidad del modelo crece. nicamente en el primer nivel de decisin esta complejidad es tratable y se lantea como un estudio futuro. El modelo para Nivel 1 es un problema lineal que puede tratarse de manera exacta. Para el resto de niveles, y considerando el enfoque prctico del problema, puede ser beneficioso el uso de heursticas o meta-heursticas, que en el presente estudio no son el inters principal, pero s constituyen un inters futuro. En los resultados obtenidos, el porcentaje de cirugas que comenzaron con retraso siempre fue elevado. Esto es natural en el caso determinstico y un interrogante en el caso estocstico. Un interrogante en el sentido en que, si bien, sigue siendo elevado el nmero de cirugas que empiezan con retraso, el tiempo promedio de retraso por ciruga es mucho menor. Resta saber cunto se podra llegar a disminuir dicho porcentaje si se pudiera integrar mejor la incertidumbre a travs de series histricas ms completas que las que se tuvieron a disposicin.
Una extensin natural del presente estudio es extender los modelos ac presentados a varios das de planeacin. Desde el punto de vista de la formulacin del modelo, realizar dicha extensin no es un gran reto. Sin embargo, si ya el modelo de Nivel 3 es complejo, resolver el modelo de Nivel 4 es una tarea aun ms difcil. Es precisamente que la primera extensin propuesta del presente estudio es la evaluacin del uso de meta- heursticas. 9 AGRADECIMIENTOS Los autores del presente estudio agradecen al personal mdico del hospital, a los estudiantes que colaboraron con la recoleccin de datos en el departamento de ciruga y a Fair Isaac Corporation por proveer las licencias de Xpress-MP bajo el Academic Partner Program suscrito con la Universidad de los Andes. 10 REFERENCIAS Birge, J. R. (1997). Introduction to stochastic programming. New York: Springer. Cardoen, B., Erik, D., & Bel, J. (2008). Operating room planning and scheduling:A literature review. Katholieke Universiteit Leuven, Department of Decision Sciences and Information. Leuven, Belgium: Faculty of Business and Economics. Denton, B., Viapiano, J., & Vogl, A. (2007). Optimization of sugery sequencing and scheduling decisions under uncertainty. Health Care Manage Sci (10), 13-24. Dexter, F., Macario, A., & Ledolter, J. (2007). Identification of systematic understimation (bias) of case durations during case scheduling would not markedly 17
reduce overutilized operating room time. Journal of Clinical Anesthesia , 19, 198-203. Dexter, F., Macario, A., & Traub, R. D. (1999). Which Algorithm for Scheduling Add-on elective cases Maximizes Operating Room Utilization? Use of bin Packing Algorithms and Fuzzy Constraints in Operating Romm Management. American Society of Anesthesiologists , 91, 1491-1500. Dsa, G. (2007). The Tight Bound of First Fit Decreasing Bin-Packing Algorithm Is FFD(I)(11/9)OPT(I)+6/9. ESCAPE 2007 (4614), 111. Forero Hollmann, C. M., Velasco, N., & Amaya, C. A. (15 de 01 de 2009). Optimizacin del proceso de esterilizacin de paquetes quirrgicos en un hospital privado. Tesis de pregado para optar por el ttulo de Ingeniero Industrial . (D. d. Industrial, Ed.) Bogot, Colombia: Universidad de Los Andes. Garey, M. R., & Johnson, D. S. (1979). Computers and Intractability: A Guide to the Theory of NP- Completeness. W.H. Freeman. Gordon, T., Lyles, A., & Fountain, J. (1988). Surgical unit time review: Resource utilization an management implications. Journal of Medical Systems , 12, 169-179. Gordon, T., Lyles, A., & Fountain, J. (1988). Surgical unit time review:Resource utilization an management implications. Journal of Medical Systems , 12, 169-179. Hans, E., Wullink, G., Houdenhoven, M. v., & Kazemier, G. (2008). Robust surgery loading. European journal of operational research , 185, 1038-1050. Higle, J., & Sen, S. (1991). Stochastic decomposition: An algorithm for two stage stochastic linear programs with recourse. Mathematics of Operations Research , 16, 650669. Infanger, G. (1994). Planning Under Uncertainty: Solving Large Scale Stochastic Linear Programs. Danvers, MA: Boyd and Fraser Publishing Co. Jebali, A., Hadj Aluane, A. B., & Ladet, P. (2006). Operatingrooms scheduling. International journal of production economics , 99, 52-62. Lamiri, M., Xie, X., Dolgui, A., & Grimaud, F. (2008). A stochastic model for operating room planning with elective and emergency demand for surgery. European Journal of Operation Research (185), 10261037. Lodi, A., Martello, S., & Vigo, D. (2002). Recent advances on two-dimensional bin packing problems (Vol. 123). Discrete Appl. Math. Paoletti, X., & J., M. (2007). Consequences of running more operating theatres than anaesthetists to staff them: A stochastic simulation study. British Journal of Anaesthesia , 4, pgs. 462-469. Sciomachen, A., Tanfani, E., & Testi, A. (2005). Simulation models for optimal schedules of operating theatres. International Journal of Simulation, , 6, pgs. 26-34. Wets, V. S., & R.J-B. (1969). L-shaped linear programs with applications to optimal control and stochastic programming. SIAM Journal on Applied Mathematics , 17, 638663. Wright, I., Kooperberg, C., Bonar, A., & Bashein, G. (1996). Statistical modeling to predict elective surgery time. Anesthesiology (89), 6. Yang, Y., Sullivan, K., Wang, P., & Naidu, K. (2002). Applications of computer simulation in medical scheduling. Joint Conference on Information Sciences. Zhang, B., Murali, P., Dessouky, M., & Belson, D. (2009). A mixed integer programming approach for allocating operating room capacity. (O. R. Ltd., Ed.) (60), 663-673. Zhou, J., & Dexter, F. (1998). Method to assist in the scheduling of add-on surgical cases: Upper prediction bounds for surgical case durations based on log-normal distribution. Anesthesiology (89), 5.