1

Los cuadernos de PYLO

-Logstica Hospitalaria-






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.

Tabla 1. Resultados Modelo Nivel 1
Instancia
Minutos programados Minutos programados Minutos utilizados/programados Minutos utilizados/disponibles
Histrico Optimizacin Dif**. Histrico Simulado Dif**. Histrico Simulado Dif**. Histrico Simulado Dif**.
E1C6-001 540 525 -3% 725 553 24% 134% 105% 22% 101% 77% 24%
E1C5-002 300 414 38% 440 384 13% 147% 93% 37% 61% 53% 13%
E1C6-003 360 437 21% 560 418 25% 156% 96% 39% 78% 58% 25%
E1C6-004 505 598 18% 675 570 16% 134% 95% 29% 94% 79% 16%
E1C4-005 300 338 13% 550 383 30% 183% 113% 38% 76% 53% 30%
E1C6-006 420 522 24% 670 442 34% 160% 85% 47% 93% 61% 34%
E1C6-007 450 603 34% 600 489 9% 120% 81% 32% 75% 68% 9%
E1C6-008 540 700 30% 575 671 -17% 106% 96% 10% 80% 93% -17%
E1C7-009 420 522 24% 525 495 6% 125% 95% 24% 73% 69% 6%
E1C6-010 690 813 18% 870 819 6% 135% 101% 25% 129% 114% 12%
E1C6-011 240 309 29% 560 309 45% 233% 100% 57% 78% 43% 45%
E1C5-012 325 370 14% 675 604 11% 208% 163% 21% 94% 84% 11%
Promedio 619 424 22% 619 511 18% 153% 102% 32% 86% 71% 17%
Construccin
Instancias
Ejecucin
Modelos
Simulacin
Resultados
comparativos
10

*
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.

Cantidad salas Prom. Operaciones/sala Makespan (minutos) Programados
Nivel 3 Det. Instancia Bloques Histrico Modelo Histrico Modelo Histrico Modelo
D3C28S4-001 20 8 4 3.5 7.0 725 825 720
D3C25S3-002 15 8 3 3.1 8.3 670 980 728
D3C25S3-003 15 8 3 3.1 8.3 675 890 640
D3C27S4-004 17 8 4 3.4 6.8 575 765 653
D3C30S4-005 17 8 4 4.0 6.0 870 745 630
Promedio 17 8 4 3.4 7.3 703 841 674


Simulado con Tiempos Reales (Promedios)
Instancia
Minuto finalizacin/
Minutos programados
Minuto finalizacin/
Minutos disponibles
Vacos
Tiempo
Sobrante
Mx.
Demora
Mx.
Vaco
% Cirugas
atrasadas
T. Extra
D3C28S4-001 115% 115% 111 0 57 44 42% 105
D3C25S3-002 135% 136% 57 0 153 35 44% 260
D3C25S3-003 139% 124% 20 0 150 18 74% 170
D3C27S4-004 117% 106% 156 0 51 56 39% 45
D3C30S4-005 118% 103% 186 0 33 36 24% 25
Promedio 125% 117% 106 0 89 38 45% 121

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

Cantidad salas Prom. Operaciones/sala Makespan (minutos) Programados
Nivel 3 Est. Instancia Bloques Histrico Modelo Histrico Modelo Histrico Modelo
E3C28S4-001 20 8 4 4 6 725 762 407
E3C25S3-002 15 8 3 3 8 670 944 686
E3C25S3-003 15 8 3 3 8 675 795 501
E3C27S4-004 17 8 4 3 7 575 835 571
E3C30S4-005 17 8 5 4 6 870 785 627
Promedio 17 8 4 3 7 703 824 558


Simulado con Tiempos Reales (Promedios)
Instancia
Minuto finalizacin/
Minutos programados
Minuto finalizacin/
Minutos disponibles
Vacos
Tiempo
Sobrante
Mx.
Demora
Mx.
Vaco
% Cirugas
atrasadas
T.
Extra
E3C28S4-001 123% 106% 6 263 44 30 46% 42
E3C25S3-002 123% 131% 35 - 64 44 62% 122
E3C25S3-003 110% 110% 10 80 61 30 41% 28
E3C27S4-004 117% 116% 40 88 55 51 57% 44
E3C30S4-005 103% 109% 64 104 54 57 48% 24
Promedio 115% 114% 31 107 56 42 51% 52

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%.


Tabla 8. Resultados generales Best-Fit

Cantidad salas Prom. Operaciones/sala Makespan (minutos) Programados
Best-Fit Instancia Histrico BestFit Histrico BestFit Histrico Simulado
D3C28S4-001 8 5 3.5 5.6 725 746 586
D3C25S3-002 8 3 3.1 8.3 670 1,065 640
D3C25S3-003 8 3 3.1 8.3 675 1,090 640
D3C27S4-004 8 4 3.4 6.8 575 739 653
D3C30S4-005 8 5 4.0 6.0 870 775 630
Promedio 8 4 3 7 703 883 630


Simulado con Tiempos Reales (Promedios)
Instancia
Minuto finalizacin/
Minutos programados
Minuto finalizacin/
Minutos disponibles
Vacos
Tiempo
Sobrante
Mx.
Demora
Mx.
Vaco
%
Cirugas
atrasadas
T.
Extra
D3C28S4-001 127% 104% 153 252 114 89 71% 23
D3C25S3-002 166% 148% 70 215 143 50 76% 190
D3C25S3-003 170% 151% 71 148 162 58 59% 370
D3C27S4-004 113% 103% 48 138 107 26 60% 12
D3C30S4-005 123% 108% 97 190 40 38 38% 55
Promedio 140% 123% 88 188 113 52 61% 130



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%.

Tabla 9. Resultados generales Worst-Fit

Cantidad salas Prom. Operaciones/sala Makespan (minutos)
Programados
Worst-Fit Instancia Histrico WorstFit Histrico WorstFit Histrico Simulado
D3C28S4-001 8 8 3.5 3.5 725 507 366
D3C25S3-002 8 8 3.1 3.1 670 475 440
D3C25S3-003 8 8 3.1 3.1 675 620 440
D3C27S4-004 8 8 3.4 3.4 575 604 440
D3C30S4-005 8 8 4.0 3.8 870 523 426
Promedio 8 8 3 3 703 546 422


Simulado con Tiempos Reales (Promedios)
Instancia
Minuto finalizacin/
Minutos programados
Minuto finalizacin/
Minutos disponibles
Vacos
Tiempo
Sobrante
Mx.
Demora
Mx.
Vaco
% Cirugas
atrasadas
T.
Extra
D3C28S4-001 139% 70% 48 381 38 40 44% -
D3C25S3-002 108% 66% 38 425 73 30 54% -
D3C25S3-003 141% 86% 25 424 78 25 54% -
D3C27S4-004 137% 84% 42 360 68 33 42% -
D3C30S4-005 123% 73% 55 322 47 39 50% -
Promedio 129% 76% 42 382 61 33 49% -





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

Cantidad salas Prom. Operaciones/sala Makespan (minutos)
Instancia Operaciones Histrico BestFit Desc. Histrico BestFit Desc. Histrico Simulado Programados*
1 28 8 5 3.5 5.6 725 827 683
2 25 8 3 3.1 8.3 670 930 735
3 25 8 3 3.1 8.3 675 940 650
4 27 8 4 3.4 6.8 575 745 553
5 30 8 5 4.0 6.0 870 705 530
Promedio 27 8 4 3 7 703 809 630


Simulado con Tiempos Reales (Promedios)
Instancia
Minuto finalizacin/
Minutos programados
Minuto finalizacin/
Minutos disponibles
Suma
Vacos
Tiempo
Sobrante
Mx.
Demora
Mx.
Vaco
% Cirugas
atrasadas
T. Extra
1 106% 95% 123 142 34 71 29% 5
2 127% 102% 17 - 25 145 13 67% 110
3 145% 90% 72 - 50 117 32 55% 170
4 135% 77% 96 3 98 55 36% 19
5 133% 74% 71 109 38 32 31% -
Promedio 129% 88% 76 36 86 41 44% 61
Tabla 11. Resultados generales Worst-Fit Descending

Cantidad salas Prom. Operaciones/sala Makespan (minutos)
Instancia Operaciones Histrico Worst Fit Desc. Histrico Worst Fit Desc. Histrico Simulado Programados*
1 28 8 8 3.5 3.5 725 471 490
2 25 8 8 3.1 3.1 670 450 340
3 25 8 8 3.1 3.1 675 572 440
4 27 8 8 3.4 3.4 575 573 380
5 30 8 8 4.0 3.8 870 500 460
Promedio 27 8 8 3 3 703 513 422


Simulado con Tiempos Reales (Promedios)
Instancia
Minuto finalizacin/
Minutos programados
Minuto finalizacin/
Minutos disponibles
Suma
Vacos
Tiempo
Sobrante
Mx.
Demora
Mx.
Vaco
% Cirugas
atrasadas
T. Extra
1 96% 65% 73 372 38 51 39% -
2 132% 63% 34 430 66 34 56% -
3 130% 79% 50 433 65 50 58% -
4 151% 80% 55 354 43 43 38% -
5 109% 69% 60 323 34 36 27% -
Promedio 124% 71% 54 382 49 43 43% -

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.