2013 - Ingeniería de Sistemas Complejos y Logística Hospitalaria

DOCUMENTOS DE INVESTIGACIÓN
Facultad de Administración
No. 143, ISSN: 0124-8219

Febrero de 2013
Ingeniería de sistemas complejos y

logística hospitalaria: modelamiento
y simulación de la dinámica de aseo
en el Hospital Vista Hermosa I Nivel
Manuel Alejandro Camargo

Erika Van den Berghe
Jorge Eliecer Villamil
Nelson Gómez Cruz
Ingeniería de sistemas complejos y logística
hospitalaria: modelamiento y simulación
de la dinámica de aseo en el Hospital
Vista Hermosa I Nivel
Documento de investigación No. 143

Nelson Gómez Cruz
Universidad del Rosario

Editorial Universidad del Rosario
Bogotá D.C.
2013
Ingeniería de sistemas complejos y logística hospitalaria: modelamiento y simulación
de la dinámica de aseo en el Hospital Vista Hermosa I Nivel / Manuel Alejandro Camargo,
Erika Van den Berghe, Jorge Eliecer Villamil y Nelson Gómez Cruz. —Bogotá: Editorial
Universidad del Rosario, 2012.
66 p. (Documento de Investigación; 143)
ISSN: 0124-8219
Logística en los negocios / Administración hospitalaria / Planificación empresarial /

Administración de empresas – procesamiento de datos / / I. Universidad del Rosario,
Facultad de Administración, / II. Camargo, Manuel Alejandro / III. Van den Berghe, Erika
/ IV. Villamil, Jorge Eliecer / V. Gómez Cruz, Nelson / VII. Serie.
658.05 SCDD 20
Catalogación en la fuente – Universidad del Rosario. Biblioteca

dcl Febrero 4 de 2013

Nelson Gómez Cruz
Corrección de estilo
Diagramación
Fredy Johan Espitia Ballesteros
Editorial Universidad del Rosario

http://editorial.urosario.edu.co
ISSN: 0124-8219
* Las opiniones de los artículos sólo comprometen a los autores y en

ningún caso a la Universidad del Rosario. No se permite la reproducción
total ni parcial sin la autorización de los autores.
Todos los derechos reservados.
Primera edición: Febrero de 2013

Hecho en Colombia
Made in Colombia
Contenido
1. Introducción�� 5
2. Planeación del servicio de aseo en las instituciones prestadoras

de servicios de salud�� 7
2.1. Caso de estudio: Hospital Vista Hermosa�� 8
3. Aspectos teórico-conceptuales............................................................ 11
3.1. Modelamiento y simulación........................................................ 11
3.2. Modelamiento y simulación basados en agentes........................... 14
3.3. Algoritmos bioinspirados y metaheurísticos.................................. 15
4. Modelo basado en agentes de la situación actual del servicio

de aseo del CAMI Vista Hermosa......................................................... 19
4.1. Planta física.............................................................................. 19
4.2. Generación de contaminación y residuos...................................... 21
4.3. Servicio de aseo actual ............................................................. 30
4.4. Movimiento de los agentes......................................................... 31
5. Simulación y resultados..................................................................... 35
5.1. Definición de parámetros del modelo y validación de resultados..... 35
5.2. Resultados de generación de contaminación................................ 41
5.3. Resultados de generación de residuos ........................................ 47
5.4. Resultados de la estrategia actual............................................... 51
6. Conclusiones y trabajo futuro.............................................................. 60
7. Bibliografía....................................................................................... 63
Índice
Tablas
Tabla 1. Horario del personal de servicios generales.................................. 9

Tabla 2. Comparación de técnicas de simulación...................................... 12
Tabla 3. Descripción de algunos algoritmos metaheurísticos...................... 16
Tabla 4. Parámetros algoritmos ACO........................................................ 18
Tabla 5. Identificación de los papeles de cada agente............................... 23
Tabla 6. Reglas de comportamiento de los agentes................................... 24
Tabla 7. Descripción del comportamiento del agente aseador..................... 30
Tabla 8. Reglas de comportamiento agente aseador.................................. 30
Tabla 9. Incremento del nivel de contaminación por agente....................... 36
Tabla 10. Cantidad y probabilidad de generación de residuos por agente..... 39

Tabla 11. Análisis estadístico de la generación de residuos en el CAMI....... 50
Tabla 12. Distribución horaria y espacial de los agentes aseadores ............ 52
Tabla 13. Umbrales de contaminación por dependencia............................ 52
Tabla 14. Umbrales promedio de contaminación por área.......................... 52
Tabla 15. Parámetros definidos mediante seguimiento.............................. 53
Tabla 16. Comparación de datos de limpieza generados en todas las
áreas del CAMI....................................................................... 56
Tabla 17. Comparación de los datos generados para recolección
de residuos reciclables en las áreas del CAMI............................ 57
Tabla 18. Comparación de datos generados para recolección
de residuos ordinarios en las áreas del CAMI............................. 57
de residuos peligrosos en las áreas del CAMI............................. 58
Algoritmos
Algoritmo 1. Algoritmo ACO básico........................................................... 17

Ingeniería de sistemas complejos y logística hospitalaria
Ingeniería de sistemas complejos y logística

hospitalaria: modelamiento y simulación
de la dinámica de aseo en el Hospital
Vista Hermosa I Nivel
Manuel Alejandro Camargo1*

Erika Van den Berghe **2
Jorge Eliecer Villamil ***3
Nelson Gómez Cruz ****4
1. Introducción
Las organizaciones actuales viven en un mundo cargado de incertidumbre,

altamente conectado y que cambia constantemente. Esto implica que los
problemas fundamentales a los que las organizaciones se enfrentan sean
no lineales, impredecibles, dinámicos e inestables, es decir, problemas
complejos[1-3]. Las organizaciones deben, por lo tanto, complejizarse
para responder a las exigencias de los problemas que afrontan. Por su
parte, la ingeniería debe desempeñar un papel crucial al proporcionar las
herramientas que ayuden a las organizaciones en este proceso planteando
problemas, encontrando soluciones —u optimizando las existentes—,
de tal forma que las organizaciones sean cada vez más flexibles, adapta-
bles, autoorganizadas y descentralizadas. Sin embargo, las herramientas
que desarrolla la ingeniería tradicional están hechas para un mundo prede-
cible, controlable, estable y lineal, y su aplicación en problemas complejos
resulta en soluciones rígidas y fuera de contexto. El campo de la ingenie-
ría no es indiferente a sus propias falencias, lo que ha dado origen a un
*1 Grupo de Complejidad, Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas. macamargoc@
correo.udistrital.edu.co
2 Grupo de Complejidad, Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas. erikavp29@
**
correo.udistrital.edu.co
3 Grupo de Complejidad, Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas. villamiljorge
***
@gmail.com
5
4 Laboratorio de Modelamiento y Simulación, Facultad de Administración, Universidad del Rosario. nelson.
****
gomez@urosario.edu.co
Manuel Alejandro Camargo, Erika Van den Berghe, Jorge Eliecer Villamil, Nelson Gómez Cruz
grupo de ingenierías no convencionales, como por ejemplo la ingeniería

de sistemas de sistemas, la ingeniería de sistemas empresariales o la meta-
ingeniería[4-6].
No obstante, aunque estas nuevas ingenierías presentan soluciones dife-
rentes a las tradicionales, se fundamentan en ciencia clásica o en teoría de
sistemas, al igual que la ingeniería tradicional. Por lo tanto, estas ingenierías
no convencionales mantienen conceptos de fondo como el control, la pre-
dictibilidad y la estabilidad1 como estados deseados, que siguen siendo las
mismas falencias de la ingeniería tradicional. En consecuencia, persiste la
necesidad de hallar soluciones pertinentes a los problemas complejos que
enfrentan las organizaciones.
Respondiendo a dicha necesidad, nace la Ingeniería de Sistemas
Complejos (ISC) [8-10], una nueva forma de hacer ingeniería, fundamentada
en los conceptos centrales de las ciencias de complejidad [11-13], es decir,
autocontrol, autoorganización, emergencia, bifurcaciones, irreversibilidad,
impredecibilidad, no linealidad e incertidumbre, entre otros. La ISC trata
sobre la construcción de sistemas que respondan eficientemente a los retos
que conllevan los problemas complejos del mundo actual, sin reducir, eludir
o controlar las características que los hacen justamente complejos.
Este proyecto busca exponer cómo la ISC puede aplicarse a la solución de
problemas complejos de las organizaciones, mediante el uso de técnicas de la
ISC en la solución de un problema complejo común a las instituciones pres-
tadoras de servicios de salud: el conocimiento de la dinámica del servicio
de aseo para mejorar su planeación.
En la primera sección se abordan las características que hacen de la pla-
neación del servicio de aseo un problema complejo. Además,se presenta el
caso de estudio específico con el objetivo de exponer el contexto en el que
se realizó este modelo. En la segunda sección se introducen aspectos teóri-
cos que fueron relevantes para la construcción del modelo propuesto. En la
tercera y en la cuarta sección se realiza la explicación puntual del modelo y
se presentan los resultados de la simulación, respectivamente. Finalmente,
en la quinta sección se exponen las conclusiones y el trabajo futuro que se
puede desarrollar basándose en este modelo.
1 Con estabilidad se hace referencia a la creencia de la ciencia clásica y de la teoría de sistemas de que
6
los sistemas son originalmente estacionarios, y debido a las perturbaciones del medio se ven forzados
constantemente a buscar la manera de adaptarse y volver a su estado original [7].
2. Planeación del servicio de aseo en las

instituciones prestadoras de servicios de salud
Las instituciones prestadoras de servicios de salud diariamente llevan a cabo

diferentes actividades de logística interna que tienen lugar en la prestación
de servicio al paciente, al interior de los centros de salud [14]. Dichas acti-
vidades se denominan logística hospitalaria, y aunque son consideradas
complementarias al área asistencial pueden recaer directamente sobre su
desarrollo. Esto se debe a que algunas de las actividades de logística hos-
pitalaria se relacionan directamente con la seguridad sanitaria,la cual ha
sido definida por la Organización Mundial de la Salud como el conjunto
de actividades proactivas y reactivas necesarias para reducir al mínimo la
vulnerabilidad a los eventos agudos de salud pública [15].
Una de dichas actividades es precisamente el servicio de aseo, cuyo
objetivo es aportar a la minimización de los riesgos causados por la gene-
ración de contaminación y residuos. Un claro ejemplo de estos riesgos es
el contagio de infecciones nosocomiales,2 una de las principales causas de
mortalidad en pacientes internos [16], por lo cual el servicio de aseo es una
actividad indispensable para garantizar la seguridad sanitaria en la prestación
de los servicios de salud.
La planeación del servicio de aseo, que incluye el diseño de rutas de
limpieza y recolección de residuos, depende en gran medida de conocer
cómo se generan la contaminación y los residuos. Sin embargo, conocer el
comportamiento de esta dinámica no es tarea sencilla, pues se ve afectada
por muchos factores de tipo ambiental, social y económico.
Entre los principales factores ambientales esta el climático. Este tiene
dos roles en la generación de contaminación y residuos, uno directo y otro
indirecto. De manera directa, el clima determina qué tipo de contaminantes
afectan las instalaciones de las instituciones. Esto se debe a que los usuarios
que ingresan a las instituciones traen consigo elementos contaminantes del
exterior. Por supuesto, si el clima es lluvioso, los principales elementos
contaminantes serán el barro y el agua y si el clima es seco será el polvo.
7
2 Infección que no muestra evidencia de presencia ni de estar siendo incubada en el momento del ingreso
a un hospital, se adquiere como consecuencia de la estadía en un centro hospitalario.
El clima influye de forma indirecta en la afluencia de pacientes que recu-

rren en búsqueda de servicios asistenciales. Durante diferentes temporadas
de un año el clima varía,ocasionando que se presenten brotes de enferme-
dades que determinan el incremento o la disminución de las afluencias de
pacientes a las instituciones, llegando incluso hasta el colapso de algunos
servicios como,por ejemplo, el de urgencias[17].
Entre los factores sociales que afectan la dinámica se encuentra el uso
de las instalaciones de las instituciones por parte de los usuarios. Estos
tienen diferentes comportamientos y utilizan en mayor o menor medida la
planta física, y como producto del uso se genera contaminación y residuos.
Sin embargo, un hecho bien sabido en el sector de la salud es que no es
posible conocer de forma exacta cuál será la cantidad, criticidad y afluen-
cia de usuarios a los diferentes servicios [18, 19]. Como consecuencia de
la impredecibilidad del uso de las instalaciones,tampoco es posible predecir
dónde, cuándo ni qué tipo de eventualidades generarán los pacientes u otros
usuarios.
Así mismo, el factor económico es fundamental, ya que en años recien-
tes la búsqueda de eficiencia en los sistemas de salud se enfoca en reducir
los costos operativos sin sacrificar calidad y cobertura, mediante el mejor
aprovechamiento de los recursos. Así pues la planeación del servicio de
aseo como una actividad de logística hospitalaria debe procurar el mejor
desempeño con menores costos, puesto que un ahorro se puede traducir en
inversiones que mejoren la calidad de la prestación de los servicios asis-
tenciales [20].
Entonces, en resumen, la planeación del servicio de aseo depende en gran
medida de factores que son de naturaleza dinámica, impredecible, no lineal
e incontrolable, que generan un alto grado de incertidumbre y hacen que las
condiciones del aseo en las instituciones cambien a una gran velocidad. Si
sumamos a esto la criticidad e importancia del servicio de aseo, tenemos que
el problema de la planeación del servicio de aseo en instituciones prestadoras
de servicios de salud es un problema complejo.
2.1. Caso de estudio: Hospital Vista Hermosa
La institución donde se desarrolló este proyecto es el Hospital Vista Hermosa

8 I Nivel, que es uno de los dos hospitales de la localidad de Ciudad Bolívar
en la ciudad de Bogotá. Se compone de diecinueve centros distribuidos en la

localidad y presta atención médica primaria a más 630 000 personas, las
cuales representan el 9 % de la población total de la ciudad [21]. El más
grande de los centros del Hospital, por la cantidad y gravedad de paci-
entes que maneja, es el CAMI (Centro de Atención Médica Inmediata) Vis-
ta Hermosa, y es precisamente este centro el caso de estudio del presente
proyecto.
El CAMI Vista Hermosa se ubica en la calle 67ª sur # 18C-12 de Bogotá.
Presta, entre otros servicios, los de urgencias, laboratorio, hospitalización —
tanto pediátrica como para adultos—, obstetricia y consulta externa. Una de
las principales preocupaciones de este centro es el cuidado de la seguridad
sanitaria de las personas que hacen uso de sus instalaciones. Además, debido
a la cantidad de pacientes que acuden a él—alrededor de dos mil personas
diariamente en sus seis servicios—, recibe grandes cantidades de contami-
nación y residuos que de no ser tratados de una manera adecuada podrían
poner en riesgo la salud de pacientes y funcionarios.
El servicio de aseo se compone de dos subprocesos realizados por el
mismo personal: limpieza y recolección de residuos. Actualmente el CAMI
cuenta con dieciséis personas de servicios generales que están divididas en
tres turnos, como se muestra en la tabla 1.
Tabla 1. Horario del personal de servicios generales
Intervalo horario Cantidad de personas
7 am – 4 pm 6
10 am – 7 pm 6
7 pm -7 am 4
Fuente: elaboración propia.
El subproceso de limpieza se compone de dos actividades que son la

limpieza rutinaria y la desinfección de dependencias. Tanto la limpieza como
la desinfección se basan en protocolos de bioseguridad preestablecidos por
el Hospital y por las autoridades del Distrito. Ambas actividades difieren
en la intensidad y cobertura con la que se realizan sobre las dependencias.
La limpieza rutinaria es la menos intensa, pero la más frecuente. Consta
de limpieza de superficies, barrido y trapeado con una solución de 250 ppm
9
(partes por millón) de hipoclorito y se lleva a cabo al menos una vez por
día en todas las dependencias. La desinfección es la más intensa y menos
frecuente. Se compone de lavado de pisos, paredes, techos y demás superfi-
cies que tengan contacto con los usuarios. Para realizar la desinfección
se utiliza una solución de 500 ppm de hipoclorito. Esta solución se mantiene
sobre las superficies durante veinte minutos y después se retira con agua,
motivo por el cual su duración equivale, aproximadamente, al doble de
tiempo que la limpieza rutinaria.
Por otra parte, el subproceso de recolección de residuos, también basado
en el protocolo de bioseguridad del CAMI, se realiza tres veces al día por
área, en horarios prestablecidos a las 6 am, 12 am y 6 pm. Se realizan rutas
individuales para cada uno de los tres tipos de residuos (reciclables, ordinarios
y peligrosos) y se almacenan en depósitos ubicados en cada área. Posterior-
mente son conducidos al sótano del hospital para su disposición final.
Existen diversos elementos que hacen de la planeación del servicio de
aseo en el CAMI Vista Hermosa un problema complejo. Los factores men-
cionados anteriormente —el factor climático y el uso de las instalaciones—
influyen en la planeación de este servicio. Sin embargo, además de estos
factores generales, para cualquier institución prestadora de servicios de salud,
también existen otros que aportan incertidumbre al caso específico del CAMI.
Por una parte, este centro no cuenta con mediciones del nivel de conta-
minación de las dependencias, hecho que impide conocer con certeza tanto
el estado de contaminación de las dependencias como el desempeño de la
estrategia que se implemente. Además, si bien se intuye que la afluencia
de personas repercute en la generación de contaminación, no se conoce el
impacto real que tiene sobre la dinámica. En relación con la generación de
residuos, el CAMI conoce la cantidad de estos que se produce al final del día,
pero no existe ningún mecanismo que permita conocer cómo se desarrolla
dicha generación durante el periodo en mención.
En consecuencia, la impredecibilidad del clima, la incertidumbre en la
afluencia de pacientes y en el uso exacto que hacen de las instalaciones del
CAMI, el desconocimiento del nivel de contaminación de las dependencias
y la incomprensión de la dinámica de contaminación y residuos, además de
la criticidad e importancia del servicio, hacen de la planeación del servicio
10 de aseo en el CAMI Vista Hermosa un problema complejo.
3. Aspectos teórico-conceptuales
Antes de exponer el modelo desarrollado es necesario presentar los aspec-

tos teóricos relevantes para su construcción. A continuación se discuten
las nociones de modelamiento y simulación, se introduce la técnica de
modelamiento y simulación basados en agentes y se describen algunos
algoritmos metaheurísticos.
3.1. Modelamiento y simulación
Un modelo es una simplificación —más pequeña, menos detallada, menos

compleja, o todos estos juntos— de algún fenómeno, comportamiento o
sistema [22]. La ciencia en general construye modelos. Estos pueden ser
matemáticos, lógicos, conceptuales o computacionales. La simulación, por
su parte, emplea el computador para explorar la dinámica de un modelo en
el tiempo. En general, cobra sentido cuando se busca representar sistemas
complejos. La simulación de sistemas simples y complicados cae mejor en
el plano de la ilustración de fenómenos (con fines educativos, por ejemplo)
o en la computación gráfica. El modelamiento y la simulación se realizan,
principalmente, con tres finalidades [23]:
1. Cuando buscamos comprender (y explicar) procesos fundamentales.

2. Cuando queremos que un fenómeno o sistema se comporte como
deseamos/desearíamos.
3. Cuando queremos lograr ver emergencias, dinámicas, procesos, elemen-
tos y demás que no logramos ver (= comprender) con frecuencia; es decir,
justamente, por fuera de la simulación y el modelamiento.
Dicho sin ambages, la simulación constituye una potente herramienta y

modo de pensamiento que permite comprender sistemas y solucionar pro-
blemas caracterizados por alta incertidumbre, entornos cambiantes, rupturas
de simetría, emergencias y evolución, entre otros rasgos. También resulta
útil en casos donde no es posible intervenir el sistema real debido a limi-
taciones éticas, económicas, temporales o gubernamentales, por ejemplo. 11
Existen diversas técnicas de modelamiento y simulación que pueden ser

empleadas con mayor o menor éxito, de acuerdo con las características del
problema y los aspectos que se quiera estudiar. Algunas de las técnicas más
notorias son la dinámica de sistemas, la simulación microanalítica, los au-
tómatas celulares, el modelamiento multiagentes y el modelamiento basado
en agentes [22]. En la tabla 2 se presenta un contraste de tales técnicas.
Puede inferirse de la tabla 2 que cada una de las técnicas presentadas
tiene campos de acción en los que resulta más apropiada que otras. Así, por
ejemplo, si se requiere estudiar las propiedades y dinámicas de un sistema
partiendo de variables macroscópicas, puede emplearse el modelo de diná-
mica de sistemas. Si, por el contrario, lo que se requiere es que la simulación
permita comportamientos emergentes, pueden emplearse autómatas celulares
o modelamiento y simulación basados en agentes.
Para el caso particular del modelamiento y la simulación de la dinámica
de aseo del hospital Vista Hermosa, la técnica empleada debe admitir
comportamientos estocásticos, no proporcionalidad entre entradas y salidas
(no linealidad), comportamientos emergentes, así como también la capaci-
dad de representar agentes autónomos basados en roles. Las restricciones
anteriores fueron el criterio para elegir al modelamiento y la simulación
basados en agentes como herramienta para aportar posibles soluciones al
problema.
Tabla 2. Comparación de técnicas de simulación
Técnicas Descripción Características
Determinístico
Comportamiento
En esta técnica se modela un sistema
Probabilístico X
desde un nivel alto de abstracción, en
el cual todas las relaciones entre los
Emergencia de comportamientos X
Dinámica de componentes son predefinidas. Esta
Macro a micro
sistemas técnica tiene sus raíces en los sistemas
escala
de ecuaciones diferenciales. De acuerdo
Modelamiento
con ella, el estado futuro del sistema se
Micro a macro
deriva a partir de su estado actual [23].
escala X
Autonomía X
Continúa
12
Determinístico X
Comportamiento
Probabilístico
Técnica estocástica que se centra en el Emergencia de comportamientos X

modelado de los individuos de un sistema,
Simulación micro
generalmente social. En este los estados Macro a micro
analítica
de los individuos son predefinidos y de- escala X
penden de datos estadísticos [22]. Modelamiento
Micro a macro
escala
Autonomía X
Determinístico
Comportamiento
Probabilístico
Modelo matemático para un sistema diná-
mico que evoluciona en pasos discretos.
Emergencia de comportamientos
En este los elementos llamados células son
Autómatas ubicados en una grilla. El comportamiento
Macro a micro
celulares de estos elementos es determinado por un
escala X
conjunto de reglas de transición. El com-
portamiento de interés es el que emerge Modelamiento
en la escala global del sistema [24, 25]. Micro a macro
escala
Autonomía X
Determinístico
Comportamiento
Probabilístico
Emergencia de comportamientos X
Modelo que emplea agentes inteligentes
Modelo
para representar sistemas que cumplen Macro a micro
multiagentes
objetivos [26]. escala
Modelamiento
Micro a macro
escala X
Autonomía
Determinístico
Comportamiento
Probabilístico
Emergencia de comportamientos
Modelo que emplea agentes con reglas
Modelo basado simples de interacción, con el fin de ex-
Macro a micro
en agentes plorar dinámicas globales de complejidad
escala X
emergente [27].
Modelamiento
Micro a macro
escala
Autonomía
13
3.2. Modelamiento y simulación basados en agentes
El modelado y la simulación basados en agentes (MSBA o ABMS, por sus

siglas en inglés) constituyen una poderosa técnica que ha sido muy em-
pleada en el estudio de sistemas complejos, incluidos los sistemas sociales
[28-30]. El MSBA representa una nueva forma de entender datos y generar
información que nunca antes había estado disponible [27], ayudando en la
evaluación de escenarios posibles que sirvan de soporte a la toma de deci-
siones. Ha sido aplicado con notorio éxito en la resolución de problemas
organizacionales complejos [31], campo que atañe a este proyecto.
El MSBA encuentra su origen y comparte vínculos estrechos con las
ciencias de la complejidad, incluyendo la vida artificial y la inteligencia de
enjambres. A diferencia de las técnicas de la ingeniería tradicional, cuyo
fundamento se encuentra en la ciencia clásica, la técnica del MSBA permite
abordar características propias de los sistemas complejos, tales como la
incertidumbre, la no linealidad, la variabilidad y la adaptabilidad.
El concepto de agente, central en esta técnica, carece de una definición
única. Esta depende del campo en el que se esté trabajando y de la postura de
cada autor,3 sin que ello signifique un relativismo lógico o que cualquier cosa
valga. De hecho, la utilización del término en diferentes campos se presta
para confusiones. Es el caso de la inteligencia artificial y de la ingeniería de
sistemas complejos, específicamente en dos herramientas fundamentales para
cada área: los sistemas multiagente y el MSBA, respectivamente.
Los sistemas multiagente son una herramienta de la inteligencia artificial
(IA). El objetivo de la IA es imitar o mejorar la racionalidad humana [32,
33]. Por lo tanto, se busca que los agentes sean inteligentes o racionales y
se crean para cumplir un objetivo. Para la creación de los agentes se toman
como base de las generalidades determinadas por el objetivo, y a partir de
ellas se implementan los mecanismos locales, es decir, modelado de arriba
hacia abajo. Como consecuencia, el agente puede cumplir su objetivo; sin
embargo, los fenómenos globales que emergen son únicamente los que el
modelador espera.
3 Por ejemplo, en el contexto de MSBA, Holland emplea el concepto de agente y lo define como un elemento
activo de un sistema sin invocar contextos específicos [34]; Bonabeau, también en el contexto de MSBA,
define los agentes como entidades autónomas tomadoras de decisiones [31]. Finalmente, en el mismo
14
contexto, North y Macal definen a los agentes como entidades autónomas que deben ser adaptables,
heterogéneos y tener la capacidad de aprender y modificar sus comportamientos [33].
El MSBA es una herramienta de la ISC y, como se mencionó anteriormen-

te, se emplea para la comprensión de comportamientos de sistemas comple-
jos. Aunque en este contexto tampoco hay un consenso sobre la definición
de agente, se identifica como factor común que los agentes más que inteligen-
tes deben ser autónomos y adaptables. Para su creación se emplea el enfoque
de abajo hacia arriba. En dicho enfoque se parte del planteamiento de reglas
simples de comportamiento que dirigen las interacciones entre un agente y
su medio.4 Como producto de las interacciones emergen comportamientos
globales complejos, frecuentemente inesperados, que no son explicables a
partir del conocimiento detallado de los agentes o de las reglas.
Trabajos recientes apuntan a la hibridación de MSBA con técnicas
estadísticas, de búsqueda y de optimización, con el fin de representar de
forma realista los agentes y sus mecanismos de interacción. Algunas de las
técnicas más empleadas provienen de la investigación de operaciones, la
IA clásica y el diseño de metaheurísticas. Son precisamente los algoritmos
metaheurísticos el tema que se profundizará en la siguiente sección, puesto
que son una de las principales herramientas de la ISC y de este proyecto.
3.3. Algoritmos bioinspirados y metaheurísticos
Los algoritmos metaheurísticos son técnicas de optimización empleadas sobre

todo en la búsqueda de soluciones a problemas difíciles y complejos, como el
del camino más corto y otros problemas NP. Los algoritmos metaheurísticos
no garantizan hallar el óptimo global, pero en cambio brindan un grupo de
soluciones aceptables en términos de certeza, velocidad y costo computa-
cional, a pesar de que no se pueda determinar qué tan lejos se encuentran
del óptimo. Estos algoritmos son especialmente buenos para la resolución de
problemas multiobjetivo, en los cuales los métodos tradicionales resultarían
muy lentos, ineficientes e incluso difíciles de aplicar, por lo que estos algo-
ritmos se han convertido en un tema de profundo interés y de investigación
dentro de la ISC [23,36-39].
En la tabla 3 se presenta una breve descripción de algunos de los más
populares algoritmos metaheurísticos para la resolución de proble-
mas complejos.
4 Gran parte del medio de un agente son otros agentes. 15

Tabla 3. Descripción de algunos algoritmos metaheurísticos
Algoritmo* Descripción Usos más comunes
Utiliza cadenas de Markov para

representar el proceso de templado Ampliamente empleado en la solu-
de metales, el cual requiere calen- ción de problemas combinatoriales,
Templado simulado (SA)
tamiento y enfriamiento progresivo se ha extendido a la solución de
para la obtención de estructuras problemas de optimización continua.
cristalinas [36]
Al igual que los algoritmos de SA,

Se creó con el objetivo de reducir tiene un gran uso en problemas
la aleatoriedad de los algoritmos SA. combinatoriales, pero gracias a su
Búsqueda tabú (TS) Implementa una lista llamada lista estructura se usa en problemas en
tabú, la cual impide que el algoritmo los que los espacios de búsqueda
quede atrapado en bucles [36]. son bastante extensos, teniendo
mayor acogida que los SA.
Su uso se encuentra en todo tipo

de problemas, en campos desde la
Se inspira en cómo se lleva a cabo
minería de datos hasta la vida artifi-
la evolución en los seres vivos,
cial. Gracias a su habilidad de lidiar
empleando los operadores de selec-
Algoritmos evolutivos (EA) con optimización compleja y parale-
ción, combinación y mutación, para
lismo han sido aplicados en pro-
encontrar las mejores soluciones en
blemas continuos, discontinuos,
un espacio de búsqueda [40].
lineales, no lineales, estacionarios y
no estacionarios.
Son usados con frecuencia en

Se basan en la forma en que las problemas de optimización com-
Algoritmos basados en colonias de hormigas realizan la binatorial y han tenido gran éxito
colonias de hormigas (ACO) búsqueda de alimento mediante el en la solución de problemas de
empleo de feromonas [41]. ruteo, agendamiento y asignación
de tareas.
Al igual que los algoritmos ACO, son

Se inspira en la forma como las empleados en optimización combi-
Optimización basada abejas realizan la búsqueda de ali- natorial y discreta. Además, tienen
en colonias de abejas mento mediante el empleo de baile gran ventaja en tratar con ruteo
y feromonas [37]. en redes dinámicas y agendamiento
de trabajo.
Este algoritmo imita el comporta-

miento social de organismos que Comúnmente utilizado para la opti-
Optimización basada en
se mueven en cardúmenes en mización de funciones continuas no
enjambres de partículas (PSO)
búsqueda de las mejores fuentes lineales y multidimensionales.
de alimento [42].
* Los acrónimos empleados hacen referencia a las siglas en inglés de los nombres de los algoritmos, se emplearon
porque de esta forma son comúnmente encontrados en la literatura.
En la sección 3.4 se emplea una variación de un algoritmo ACO para

la solución de un problema de búsqueda de rutas en el modelo propuesto.
16
A efecto de su comprensión a continuación se presentan algunos detalles

del algoritmo ACO básico tenido en cuenta.
3.3.1. Algoritmo basado en colonias de hormigas
Como se menciona en la tabla 3, los algoritmos ACO se basan en el com-

portamiento de las colonias de hormigas para procesos como el transporte
de alimento o la búsqueda del camino más corto entre la colonia y una
fuente de alimento.
En este algoritmo cada hormiga es un agente que se comunica con otros
agentes a través del uso de feromonas. Cuando una hormiga encuentra un
camino entre la colonia y la fuente de alimento lo marca con feromonas para
que pueda ser seguido por otros individuos. Las feromonas, por su parte, se
evaporan constantemente, a una tasa determinada, lo que conduce a que
en los caminos que son elegidos con más frecuencia se incremente el nivel
de feromonas, mientras que en los que no, se disminuye hasta desaparecer.
Además, para evitar que este algoritmo se quede atrapado en óptimos locales,
cada hormiga tiene la posibilidad de elegir si toma un camino ya trazado o
crea uno nuevo explorando nuevas soluciones. El resultado de esta dinámica
es la emergencia del camino o los caminos más cortos encontrados por las
hormigas entre la colonia y la fuente de alimento. El algoritmo 1 presenta
la estructura básica de este algoritmo.
Algoritmo 1. Algoritmo ACO básico
Inicializar el camino de feromonas
Repetir
Por cada hormiga haga
Construcción de la solución empleando el camino de feromonas
Actualización del camino de feromonas:
Evaporación de feromonas
Refuerzo de feromonas
Hasta criterio de detención

Salida: mejor solución encontrada o conjunto de soluciones
17
La implementación de los algoritmos ACO es bastante sencilla, solo se

requiere la definición de algunos parámetros importantes como las tasas de in-
cremento y evaporación de feromonas, la probabilidad de selección de
caminos para cada hormiga y el tamaño de la población. En la tabla 4
se presenta la definición de estos parámetros.
Tabla 4. Parámetros algoritmos ACO
Parámetro Ecuación Explicación
Donde τ es una matriz n x n en la

cual cada elemento τij representa
la deseabilidad de un camino y ρ
Tasa de evaporación τij=(1-ρ) τij ,∀i,j ∈[1,n] es la reducción de feromonas, la
cual usualmente se define con
valores entre 0.01 y 0.2, depen-
diendo el problema.
Donde ∆ es el incremento de fe-

Tasa de incremento τiπ*(i) = τiπ*(i) + ∆ ,∀i ∈[1,n] romonas y π* es la mejor solución
encontrada.
τij Donde p es la probabilidad de

Probabilidad de selección pij= ∑k∈Sτik ,∀j ∈S elección de un camino y S es el
de caminos para cada hormiga
conjunto de caminos posibles.
Se define empíricamente, de-

pendiendo del problema; por lo
Tamaño de la población
general se emplean valores entre
10 y 50.
18
4. Modelo basado en agentes de la situación actual

del servicio de aseo del CAMI Vista Hermosa
El modelado de la situación actual del servicio de aseo consta de dos fases.

La primera es el modelado de la generación de contaminación y residuos,
y la segunda es la solución actual del servicio de aseo.
Por ello en la realización de este modelo se consideró que el primer
paso sería determinar cómo se generan la contaminación y los residuos
en el CAMI, antes de modelar la solución actual, con el fin de generar co-
nocimiento previo sobre cómo se lleva a cabo y cuáles son los pormenores
de la dinámica, para posteriormente evaluar el impacto de la solución actual.
4.1. Planta física
El primer aspecto que tener en cuenta en el modelado de la generación de

contaminación y residuos mediante MSBA, es la representación del am-
biente en el que los agentes se desenvolverán. En este caso el ambiente es
la planta física del CAMI Vista Hermosa. La forma escogida para realizar
esta representación fue en forma de red.
Esta representación se puede describir como un grafo compuesto por
nodos y aristas que los conectan. En esta red los nodos representan cada
una de las dependencias de la planta física del hospital. Cada uno de los
nodos posee atributos que describen las características más relevantes de
las dependencias para el ambiente que se está simulando, es decir, atributos
como tamaño, criticidad, área y número de canecas por tipo, son tenidos en
cuenta, mientras otros como volumen, claridad, etc., son dejados de lado
porque no son relevantes para la simulación de la dinámica en cuestión.
Por otra parte, las aristas representan la adyacencia entre dependencias,
es decir, si a partir de una dependencia se tiene acceso a otra, existe una
arista entre las dos. Es importante tener en cuenta que la adyacencia entre
dependencias es de forma no dirigida, esto es, tiene lugar sin importar la
direccionalidad (ilustración 1).
La red está representada por un grafo conectado, con una densidad
o proporción de aristas por nodo de 2.08. La red posee gran cantidad de 19
árboles y algunos pocos circuitos, y en esta los nodos raíz en su gran

mayoría representan dependencias de alto tráfico —por ejemplo, salas de
espera y pasillos—, mientras que los nodos hojas son en su mayoría de uso
restringido, por ejemplo habitaciones, consultorios u oficinas.
Ilustración 1. Representación de la planta física en forma de red*
a) - Tamaño
- Nombre
- Criticidad
Nodo
- Área
b)
- Capacidad
Dependencia - Numero de canecas por tipo
<<Lugar>> - Utilización de la dependencia
- Nivel de suciedad
- Cantidad de residuos por tipo
Arista
Adyacencia entre dependencias
* a) Muestra el plano de la tercera planta del CAMI Vista Hermosa, que corresponde a las áreas de Consulta Externa
y Urgencias. b) Muestra la red que corresponde a la representación de esta planta, junto con los atributos que son
tenidos en cuenta en el ambiente simulado.
Esta representación permite un amplio espectro de oportunidades gráficas,

como la posibilidad de observar de forma sencilla y rápida los atributos de la
planta física del hospital en relación con el servicio de aseo. La ilustración
2 muestra los diferentes tipos de representaciones que permite realizar el
modelo sobre la red de dependencias.
Además de la representación gráfica, la implementación de algoritmos de
optimización para el movimiento para los agentes también se ve beneficiada.
Este punto se tratara más adelante (apartado 3.4).
20
Ilustración 2. Diferentes representaciones de los atributos de la planta física del CAMI:*
a) c) e)
Canecas por
dependencia (*)
Ninguna
Una f)
Dos
Tres
(*) El color de los círculos pequeños varia g)

según el número de canecas que está
representado y el del circulo grande según el El color y tamaño de los círculos varia
Área de la dependencia según el nivel de contaminación de las
dependencias
d) El tamaño de los círculos varia según la

cantidad de residuos de las
b)
dependencias
h)
Criticidad de
dependencias
Critica
Semicritica
No critica
El color y tamaño de los círculos varia según
la cantidad de minutos acumulados por el
uso de las dependencias
* a) Representación de la cantidad de canecas de las dependencias. b) Criticidad de las dependencias. c) Nivel de

contaminación de las dependencias. d) Utilización de las dependencias. e) Cantidad de residuos peligrosos. f) Can-
tidad de residuos ordinarios. g) Cantidad de residuos ordinarios reciclables. h) Red completa de la planta física del
CAMI Vista Hermosa.
4.2. Generación de contaminación y residuos
Como se explicó en la sección 1, la utilización de las dependencias afecta de

forma directa la dinámica de contaminación y generación de residuos. Estos
últimos no son actos voluntarios de los usuarios, más bien son inherentes a
la realización de todo acto humano, es decir, un usuario puede contaminar
de forma involuntaria una dependencia, aun con el más mínimo tránsito.
Sin embargo, la cantidad y el tipo de contaminación y residuos depen-
den de la clase de uso que se haga de las instalaciones. En este proyecto
se identificaron dos tipos principales de usuarios que por sus diferentes
características hacen usos distintos de las instalaciones. El primero son los
pacientes. Sobre ellos el asunto más relevante es la imposibilidad de conocer
de forma exacta cuál será su cantidad, criticidad y afluencia a los diferentes
servicios [18, 19], así como tampoco es posible predecir dónde, cuándo ni
qué tipo de eventualidades generarán. 21
El segundo tipo de usuarios son los funcionarios del CAMI. Sobre estos se
puede tener mayor certeza de la utilización que hacen de las dependencias de
la institución, debido a que tienen que apegarse a las normas para el desarrollo
de sus labores. Tanto pacientes como funcionarios se dividen en clases más
específicas. Esta división se detallará en la siguiente sección, junto con los
agentes que representan estos usuarios en el modelo. La ilustración 3 muestra
el diagrama de casos de uso de la dinámica de generación, contaminación y
residuos del CAMI.
Ilustración 3. Diagrama de casos de uso “Dinámica de contaminación y residuos CAMI

Vista Hermosa”*
* En la dinámica presentada en la imagen los usuarios hacen uso de las dependencias y producto de esa acción se
generan residuos, contaminación y eventualidades tanto críticas (o de alto potencial de contaminación) como no
críticas (o de bajo potencial de contaminación).
4.2.1. Agentes usuarios
Una vez modelado el entorno, el siguiente paso es modelar los agentes que
representan a los usuarios de las instalaciones del CAMI. En la tabla 5 se
identifica el papel que cumple cada agente y se hace una descripción general
de su comportamiento. Posteriormente, en la tabla 6 se presentan las reglas
básicas de comportamiento de cada uno.
22
Tabla 5. Identificación de los papeles de cada agente
Representación Descripción del

Papeles
gráfica de agentes comportamiento
Este agente representa a los asistenciales

que recorren dependencias realizando
sus labores. Mientras llevan a cabo estas
Asistencial acciones generan residuos y contaminación
recorredor en una o varias dependencias.
Este agente representa a los asistenciales

que realizan sus labores en una sola
dependencia, y es en ésta en la que
Asistencial sus acciones generan residuos y
receptor contaminación.
Funcionario
Este agente representa a los funcionarios

del hospital que no realizan labores
asistenciales, sus acciones son permanecer
en una dependencia asignada, moverse en
un área o salir del hospital a llevar a cabo
Administrativo sus labores afuera. Estos funcionarios
generan residuos y contaminación en una
o varias dependencias.
Usuario
Este agente representa a los pacientes

que solicitan servicios que no requieren
internación. Estos pacientes pueden
recorrer ciertas dependencias del área
Paciente en la que se encuentran. Mientras lo hacen
externo generan residuos y contaminación.
Este agente representa a los pacientes que

requieren internación. Estos pacientes
permanecen en una dependencia, donde
Paciente Paciente esperan atención médica y generan
interno residuos y contaminación.
Este agente representa a las personas

que acompañan a los pacientes y con ello
generan residuos y contaminación en las
Acompañante dependencias que visitan.
23
Tabla 6. Reglas de comportamiento de los agentes
Agente Condiciones percibidas Respuesta del agente
La hora actual es mayor o igual a la

Terminar turno
hora de salida
Recorrer habitaciones y revisar

Tiene pacientes por revisar
pacientes
No tiene pacientes por revisar Esperar a la siguiente ronda

Terminar turno
hora de salida
Hay pacientes en la sala de espera

Atender paciente
esperando consulta
Esperar paciente y llamar

No tiene pacientes por revisar
paciente

Terminar turno
hora de salida
El número aleatorio es menor que

Moverse
la probabilidad movimiento
El número aleatorio es mayor que

Permanecer o salir del CAMI
la probabilidad de movimiento
Es llamado por un agente

asistencial receptor
Moverse
La dependencia destino fue
cambiada por el asistencial
Es atendido por un agente

Permanecer en consulta
No es llamado por un agente

Esperar consulta

Ir al baño
la probabilidad de ir al baño
No es atendido por un agente

Esperar el alta
asistencial recorredor

Ir al baño
la probabilidad de ir al baño
Es dado de alta Salir del CAMI
El paciente se mueve Moverse
El paciente sale del CAMI Salir del CAMI
24
4.2.2. Afluencia de los agentes usuarios
En esta sección se explica cómo se simularon las afluencias de los usuarios

para ser imitadas por los agentes. En primer lugar se describe la afluencia
de los funcionarios y posteriormente la de los pacientes.
Horarios de funcionarios. Los horarios de los funcionarios no pre-
sentan mayor incertidumbre, puesto que deben cumplirse de acuerdo con
lo estipulado por el CAMI, así que de alguna forma se tiene control sobre
esas afluencias. Para la configuración de la afluencia de funcionarios, los
datos considerados fueron los horarios laborales de las más de doscientas
personas que laboran en el CAMI. Estos datos también fueron proporcio-
nados por el Hospital.
Los funcionarios del CAMI se dividen en administrativos y asisten-
ciales. Los primeros cumplen un horario laboral de 7 am a 4 pm, de lunes
a viernes, mientras que los asistenciales cumplen diferentes horarios de
acuerdo con los servicios que prestan. De esta forma, los asistenciales
de Consulta Externa laboran de 6 am a 7 pm en diferentes turnos que per-
manecen invariables por largos periodos de tiempo. Con respecto a las áreas
de Urgencias y Hospitalizaciones, que deben ser atendidas las veinticuatro
horas, existen tres turnos durante el día, el primero es de 7 am a 1 pm, el
segundo de 1 pm a 7 pm y el tercero de 7 pm a 7 am. Además, la cantidad
de personal que cubre estos turnos varía de acuerdo con el día de la semana.
Estos datos fueron tenidos en cuenta en el modelo para simular los agentes
que representan a los funcionarios del CAMI.
Afluencia de pacientes. Al simular la utilización de las dependencias se
presenta el reto de asegurar que la afluencia de los agentes que representan a
los pacientes en el modelo, se asemeje a la afluencia de pacientes en el mundo
real, lo que implica también mantener el equilibrio entre la emulación y la
aleatoriedad. Además, esta es una de las principales fuentes de incertidumbre
en el modelo, puesto que no existe un completo control de los pacientes y
los acompañantes que asisten a los diferentes servicios del CAMI.
Teniendo esto en cuenta, la afluencia de pacientes se modeló tomando
como escalas de tiempo los días de la semana, debido a que en una semana
el comportamiento entre los días puede ser diferente, pero el mismo día de
diferentes semanas tiene un comportamiento similar para cada uno de los
servicios. Además, cada servicio se ve afectado por diferentes factores que 25
modifican la afluencia de pacientes. Un claro ejemplo de ello son los ciclos

de enfermedades respiratorias que se deben a cambios climáticos durante el
año, lo que se ve reflejado en las afluencias de pacientes en los servicios de
Urgencias y Hospitalizaciones. Para cumplir con este reto se establecieron
los siguientes pasos:
• O btener información sobre la afluencia real de los usuarios del CAMI.

• Generar la afluencia de agentes pacientes por intervalos horarios,
empleando métodos estadísticos y de acuerdo con la información
obtenida anteriormente.
En el primer paso se utilizó información proveniente del CAMI con

respecto a la afluencia de pacientes en los diferentes servicios que allí se
prestan. A manera de ejemplo, la ilustración 4 presenta la afluencia diaria
promedio de pacientes para el CAMI Vista Hermosa en el área de Hospita-
lización Pediatría, durante los meses de abril y mayo de 2011.
Ilustración 4. Afluencia de pacientes del área de pediatría durante los meses

de abril y mayo de 2011
Fuente: Hospital Vista Hermosa.
Para establecer la afluencia de pacientes a los servicios de Urgencias y

Hospitalizaciones se utilizaron datos de más de 27 000 registros correspon-
dientes a los meses de marzo a julio de 2011. Dicha información fue clasifi-
cada por temporadas de enfermedades respiratorias, días y horas, permitiendo
conocer la afluencia promedio de pacientes por día en un mes. La ilustración
5 muestra la afluencia de pacientes en Consulta Externa, Laboratorio y otros
servicios.
26
Ilustración 5. Afluencia de pacientes de Consulta Externa, Laboratorio y otros servicios
Fuente: Hospital Vista Hermosa.
Para los servicios de Consulta Externa, Odontología, Laboratorio, Citas

y Facturación, Farmacia, Atención al Usuario y los servicios prestados por
enfermeras, los datos de afluencias se obtuvieron a partir de la estimación
de la cantidad de pacientes atendidos en una hora por cada uno de los asis-
tenciales que están en turno. Teniendo en cuenta que la agenda de citas de
cada asistencial está completa. Los datos de todas estas afluencias fueron
almacenados en una base de datos que se utiliza para la configuración de
los valores iniciales de la simulación.
Para el segundo paso, la generación de la afluencia de agentes pacientes
por intervalos horarios, se emplearon diferentes métodos. Con respecto la
generación de las afluencias conocidas se empleó un generador de números
aleatorios en un intervalo mayor o menor 10 % a la afluencia promedio, y para
las afluencias desconocidas se utilizó un generador de números aleatorios
con distribución de Poisson. Un ejemplo de ello se presenta en la ilustra-
ción 6, la cual muestra la afluencia original de pacientes en Urgencias y la
afluencia generada para la simulación en un lunes de pico en enfermedades
respiratorias.
27
Ilustración 6. Afluencia real de pacientes vs. afluencia generada por la simulación

para el área de Urgencias
4.2.3. Modelo matemático
Una vez modelados los usuarios y la dinámica de utilización de las depen-

dencias, el siguiente reto es lograr que los agentes generen contaminación
y residuos de acuerdo con la dinámica real del CAMI. Antes de presentar
el modelo matemático de la generación de contaminación y residuos, es
necesario recordar que dicha generación es producto de la utilización de
las dependencias. Por lo tanto, aunque el nivel de contaminación o residuos
pertenece a la dependencia, quienes lo modifican son los usuarios.
Para el caso de la contaminación de las dependencias se realizaron dos
consideraciones: la dispersión de la contaminación y la tasa de incremento. Con
respecto a la dispersión de la contaminación en las superficies de la dependen-
cia, si esta ultima es muy utilizada y de gran tamaño, la contaminación se disipa
por las superficies y, en consecuencia, el nivel de contaminación promedio de
la dependencia aumenta lentamente. Por el contrario, si la dependencia tiene
bastante tráfico y es pequeña, el nivel de contaminación aumenta con rapidez.
En conclusión, el nivel de contaminación es inversamente proporcional al
tamaño de la dependencia.
La segunda consideración es la tasa de incremento de la contaminación
en una dependencia. Hace referencia a cantidad de contaminación que
genera un usuario en un metro cuadrado del suelo de una dependencia
durante un minuto. El valor de dicha tasa de incremento fue establecido
de manera experimental. La explicación más detallada de cómo se calculó
28 específicamente esta tasa se realizará más adelante en el apartado 4.1.1.
Teniendo en cuenta las dos consideraciones (dispersión de la contami-

nación sobre las superficies y la tasa de incremento de contaminación), se
obtuvo la ecuación que describe la generación de contaminación en las
dependencias:
k
c=c+
ttt
Donde c es el nivel de contaminación actual de la dependencia, k es la

tasa de incremento de contaminación de cada usuario y t es el tamaño de
la dependencia.
Con respecto a la generación de residuos, cada agente se diferencia tanto
en la probabilidad como en la cantidad de generación de los tres tipos de
residuos. De acuerdo con los datos obtenidos en el CAMI con respecto a
generación de residuos, se pudo establecer que los asistenciales (recorredores
o receptores) generan más residuos peligrosos, mientras que los adminis-
trativos generan más residuos reciclables. Para hallar la probabilidad de
generación de cada tipo de residuo, se realizaron mediciones diarias del peso
de los residuos generados en cada área del hospital. Además, se tuvieron
en cuenta las mediciones mensuales del año 2011 realizadas por el perso-
nal de servicios generales del CAMI. De acuerdo con lo anterior, la genera-
ción de residuos por dependencia se modeló de la siguiente forma:
crr = crr + gf (x)
cro = cro + gf (x)
crp =crp + gf (x)
f(x) = { 10 sisi n<p

n>p
Donde crr es la cantidad de residuos reciclables, cro la de orgánicos, crp la

de peligrosos y g la cantidad en gramos de residuos generados. Por su parte,
f(x) es la función de generación de residuos, siendo n una variable discreta
aleatoria perteneciente a los reales en el intervalo [0,1] y p la probabilidad
de ocurrencia del evento de generación de residuos de cada agente.
29
4.3. Servicio de aseo actual
Una vez realizado el modelo de la dinámica de contaminación y residuos,

el siguiente paso es modelar la solución actual del servicio de aseo y de esta
forma establecer la eficiencia de dicha solución dadas las necesidades del
CAMI. En la tabla 7 se realiza una breve descripción del comportamiento
y en la tabla 8 se presentan las reglas de comportamiento del agente que
representa al personal de aseo que realiza la limpieza y la recolección
de residuos en el CAMI.
Tabla 7. Descripción del comportamiento del agente aseador
Representación gráfica Descripción
Agente que realiza las labores de limpieza y

recolección en la simulación del CAMI. Este agente
a) b)
lleva a cabo los procesos de la misma forma que se
describe en la sección 1.1.
La imagen (a) es la representación del agente durante el proceso de limpieza y la imagen (b) es la representación del
agente durante el proceso de recolección (en este caso de residuos peligrosos).
Tabla 8. Reglas de comportamiento agente aseador
Condiciones percibidas Respuesta del agente
La hora actual está en el intervalo de la hora de descanso Descansar
El proceso actual es limpieza y la ruta está vacía Generar percepciones de limpieza
El proceso actual es limpieza y la ruta no está vacía Limpiar
Ha finalizado la limpieza en la dependencia Predecir la hora de la próxima limpieza
El proceso actual es limpieza y es hora de recolectar Cambiar al proceso de recolección
El proceso actual es recolección y la ruta está vacía Generar percepciones de limpieza
El proceso actual es recolección y la ruta no está vacía Recolectar
Ha finalizado la recolección en la dependencia Predecir la hora de la próxima recolección
Ha finalizado la recolección en el área Cambiar al proceso de limpieza

30
4.4. Movimiento de los agentes
Después de modelar los agentes usuarios y aseadores, el siguiente asunto

por resolver es el movimiento. Los agentes deben desplazarse por el mundo
simulado del mundo real, de modo que den la imagen de realizar operaciones
de acuerdo con las situaciones que se presentan en el CAMI, que como ya
dijimos son aleatorias.
Esto implica que cada agente que se mueva debe tener la capacidad de
encontrar por su propia cuenta el camino más corto entre su posición actual
y el destino deseado en la red de dependencias, es decir, debe tener la capa-
cidad de resolver el problema del camino más corto. Este problema ha sido
ampliamente trabajado por diversos autores y a él se le han dado múltiples
respuestas, desde la aplicación de algoritmos muy conocidos, como Dijkstra,
o soluciones con algoritmos metaheurísticos [43].
Es importante resaltar que no es tema de este presente proyecto pro-
fundizar en la optimización de algoritmos de búsqueda para el problema
del camino más corto. Sin embargo, el movimiento de los agentes debe
realizarse en lo posible de la forma más parecida a la realidad. Otra carac-
terística del movimiento de los agentes es que debe ser computacionalmente
viable, ya que hablamos de cientos de agentes buscando rutas en el CAMI
en forma paralela.
La búsqueda de la viabilidad computacional llevó a tomar la decisión
de afrontar el problema con la exploración de algoritmos metaheurísticos.
Después de evaluar las opciones vistas en el apartado 2.3, la solución plan-
teada fue la construcción de un algoritmo de búsqueda con memoria para
encontrar el camino más corto entre un par de dependencias, que en el peor
de los casos implementa un algoritmo ACO (Ant Colony Optimization, ilus-
tración 7). Se escogió un algoritmo ACO debido a su fácil implementación
y a su velocidad de ejecución. La estructura básica de este algoritmo puede
encontrarse en diversas fuentes bibliográficas [36, 37].
31
Ilustración 7. Estructura general del algoritmo de búsqueda*
* El algoritmo encuentra la ruta entre dos nodos dados. En el mejor de los casos la ruta corresponde a un nodo vecino.
Si esto no se cumple, el algoritmo busca la ruta en una base de datos de rutas que es compartida por todos los
agentes. Si la encuentra, la devuelve, y si no, genera la ruta mediante un algoritmo de hormigas. La ruta resultante es
almacenada en la base de datos para que pueda ser consultada por los demás agentes.
En la aplicación del algoritmo ACO se sacó provecho de las característi-

cas de la red, al tomar en consideración su topología. Como se describió en
la sección 3.1, la red está formada en su mayoría por árboles, lo que quiere
decir que existen nodos raíz que tienen una gran cantidad de conexiones
y que están conectados entre sí. Esto permite reducir el espacio de bús-
queda del algoritmo ACO a solo los nodos raíz. La ilustración 8 muestra
el espacio de búsqueda del algoritmo. Los parámetros de evaporación de
feromonas y el tamaño de población se determinaron experimentalmente y
fueron 0.12 y 15, respectivamente, ya que con esos valores se obtuvieron
los mejores resultados.
32
Ilustración 8. Espacio de búsqueda del algoritmo ACO*
Red de dependencias (348) Red de raíces (81)
* La red completa posee un espacio de búsqueda compuesto por 348 nodos, lo que equivale a 60 348 rutas diferentes.
Mediante el análisis de la estructura de la red se pudo reducir a solo 81 nodos, equivalentes a solo 3240 rutas.
El algoritmo de búsqueda con memoria nos brinda dos importantes

mejoras: reducción en el tiempo de ejecución a mediano y largo plazo y
aprendizaje colectivo. La reducción del tiempo se genera puesto que al ir
llenando la base de datos de rutas, la implementación del algoritmo ACO
—que es el peor caso— disminuye considerablemente. Entonces se podría
hablar de una tendencia logarítmica en la complejidad del algoritmo. El
aprendizaje colectivo de los agentes se genera debido a que la base de datos
es compartida por todos los agentes. Cuando un agente encuentra una ruta
los demás la pueden utilizar.
El aseguramiento de la fidelidad de las rutas que siguen los agentes,
en comparación con las que siguen los usuarios, depende de la dinámica
propia de cada uno de los agentes. En el caso de los pacientes externos y
sus acompañantes, siguen ciertos recorridos de acuerdo con el destino que
tengan, y sus destinos son modificados por los asistenciales receptores. La
ilustración 9 muestra cómo serían los diferentes recorridos que un paciente
de Consulta Externa podría tener.
Por su parte, los asistenciales recorredores siguen una ruta de acuerdo
con la ocupación de las dependencias que tienen a su cargo. Así, un agente
asistencial recorredor solo visita las dependencias ocupadas por pacientes 33
internos, mientras que en el caso de los agentes administrativos es un poco

más difícil describir algún patrón de movimiento, por lo que se decidió
que lo mejor sería que su movimiento fuera de forma aleatoria por el área
asignada.
Ilustración 9. Rutas seguidas por un paciente de Consulta Externa*
* En esta imagen se muestran los posibles recorridos que un paciente de consulta externa realiza al interior del CAMI.
El paciente inicialmente tiene como objetivo ser atendido por un médico, por lo que su destino inicial es la sala de
espera de consulta externa. Posteriormente, un médico lo revisa en su consultorio y finalizada la consulta lo remite,
de acuerdo con ciertas probabilidades, a un destino diferente, ya sea la farmacia, a citas o a su hogar. Estas proba-
bilidades de remisión fueron determinadas según datos proporcionados por el CAMI.
34
5. Simulación y resultados
Los resultados de las simulaciones de la situación actual del CAMI Vista

Hermosa se presentan a continuación en cuatro secciones. En la primera,
se exponen los parámetros con los que se evaluó el modelo y se validan
frente a la información del mundo real. En la segunda, se presentan y
explican los resultados obtenidos en la simulación de los procesos de
generación de contaminación. La tercera sección, análogamente, exhibe
aquellos resultados concernientes a la generación de residuos. La cuarta
sección analiza la simulación de la estrategia actual del CAMI.
5.1. Definición de parámetros del modelo

y validación de resultados
En esta sección se presenta la forma como se definieron los parámetros

empleados para realizar la simulación del modelo de generación de contami-
nación y residuos. Posteriormente, se validan los parámetros de la simulación
comparándolos con los datos proporcionados por el CAMI.
5.1.1. Generación de contaminación
De acuerdo con la primera fórmula descrita en la sección 3.2.3, con objeto de

simular la generación de contaminación, se debe hallar la constante k que
representa la tasa de incremento de contaminación de cada usuario. Para
ello se realizaron mediciones con la herramienta 3M™ Clean-Trace™ NG
Luminometer [44], empleada por la organización 3M™ y que permite me-
dir la concentración de ATP (adenosin trifosfato) en una superficie. Dicho
compuesto está presente en todos los seres vivos y junto con la encima
luciferin-luciferinasa genera bioluminiscencia. Cuanto más sea la cantidad
de ATP presente, mayor será la intensidad de la luz, y son precisamente las
unidades relativas de luz (URL) la variable que se mide para conocer la con-
centración de ATP, es decir, la cantidad de organismos vivos en la muestra.
35
Para establecer el valor de k se llevaron a cabo experimentos, cuyo

procedimiento consistió en la realización de limpieza rutinaria sobre una
superficie por medir. Luego de esto se realizó la medición inicial de URL
de la superficie y posteriormente se expuso el área a la utilización de los
usuarios durante un determinado tiempo y se contabilizaron las personas
que hicieron uso de dicha superficie. De esta forma se pudo establecer un
promedio de contaminación de una persona en un minuto.
Al realizar las mediciones de URL en superficies de diferentes dependen-
cias del hospital, se pudo concluir que la tasa de incremento en el nivel de
contaminación depende del rol que desempeñan los usuarios en el CAMI,
es decir, un paciente externo produce un incremento diferente al que pro-
duce un administrativo en el nivel de contaminación de las dependencias.
La tabla 9 presenta el nivel de incremento de acuerdo con los roles de los
usuarios en el CAMI.
Pese a que no es posible contrastar las mediciones de contaminación
arrojadas por el modelo contra mediciones del mundo real, puesto que
no existen, se emplearon estos valores en la simulación configurada para
representar un martes del mes de mayo y se obtuvieron los resultados que
se presentan en las ilustraciones 10 y 11.
Tabla 9. Incremento del nivel de contaminación por agente
Agente Incremento en el nivel de contaminación (URL x m2)
Pacientes internos y acompañantes 8.28
Pacientes externos CE 55.3
Asistenciales receptores 1.64
Pacientes externos Urgencias 155.3
Asistenciales recorredores 77.55
36
Ilustración 10. Utilización de dependencias*
* En la imagen se pueden observar los resultados de la simulación configurada para un martes de mayo a las 8:00 am,
junto con fotografías tomadas a la misma hora y día en el CAMI. Los resultados son muy cercanos en todas las imágenes.
Ilustración 11. Contaminación de dependencias*
* En la imagen se presentan los resultados de niveles de contaminación, el mismo día a la misma hora. Gracias a la
cercanía en utilización y a la fiabilidad de las mediciones, se puede esperar que los resultados presentados en b) se
acerquen a los realmente generados en el CAMI.
Fuente: elaboración propia. 37
5.1.2. Generación de residuos
Las mediciones de generación de residuos en el hospital provienen de cuatro

fuentes diferentes de información, una por parte de la empresa encargada
del servicio de aseo a nivel interno y las restantes provienen de las empresas
que se encargan de la disposición final de cada tipo de residuo.5
La diversidad de fuentes de información sobre este proceso, la discon-
tinuidad y la falta de rigor en las mediciones resultan en datos poco fiables
con respecto a la generación real de residuos en el CAMI. La ilustración 12
muestra los datos brindados por el hospital.
Ilustración 12. Consolidado de generación de residuos año 2011*
Fuente: elaboración propia según los datos proporcionados por el hospital Vista Hermosa.
* En esta imagen se puede observar la generación de residuos según tipo de residuo. Se distingue una clara tendencia
en los peligrosos, cuyo comportamiento se asemeja al de los ciclos de enfermedades respiratorias. Los residuos ordi-
narios y reciclables no presentan una tendencia clara, probablemente por inconsistencia en las mediciones. En el mes
de febrero no existen datos debido al cambio de empresa de aseo interna del hospital.
Los parámetros configurados en cada agente para la generación de los

tres tipos de residuos fueron definidos mediante prueba y error, hasta obtener
resultados similares a los del hospital. La tabla 10 muestra la cantidad de re-
siduos generada por cada agente y su respectiva probabilidad de generación.
38 5 Residuos reciclables, ordinarios o peligrosos.

Tabla 10. Cantidad y probabilidad de generación de residuos por agente
Residuos peligrosos Residuos ordinarios Residuos reciclables

Agente
Gramos Gramos Gramos
Prob. Prob. Prob.
generados generados generados
Paciente externo Urgencias 0.5 1 0.8 1.9 0.18 1.3
Paciente interno Urgencias 0.2 1 0.8 0.2 0.000001 1
Asistencial receptor
0.9 14.3 0.9 6.8 0.15 0.6
Urgencias
Asistencial recorredor
0.7 14.3 0.8 6.8 0.05 1
Urgencias
Paciente externo Consulta

0.5 1 0.6 0.2 0.00001 1
Externa
Asistencial receptor
0.002 1.4 0.4 0.9 0.07 1.7
Consulta Externa
Paciente interno
0.2 1 0.8 0.58 0.000001 1
Hospitalización Pediatría
0.7 1.6 0.8 0.01 0.05 1
Hospitalización Pediatría
Paciente interno
Hospitalización Adultos 0.2 1 0.8 0.15 0.000001 1
y Obstetricia
Hospitalización Adultos 0.7 1.6 0.8 0.01 0.05 1
y Obstetricia
Acompañantes 0.04 1 0.26 0.2 0.000001 1
Administrativos 0.04 1 0.5 0.7 0.15 2
Con estos parámetros se realizaron experimentos correspondientes a los

meses de marzo a julio de 2011. Para cada uno de estos meses se ejecutaron
ocho simulaciones por día de la semana, resultando un total de 280 simu-
laciones. La ilustración 13 presenta los valores obtenidos de generación de
residuos en la simulación versus los proporcionados por el CAMI.
Para el caso de los residuos reciclables, el hecho de que los datos pro-
porcionados por el CAMI no sean fiables obliga a buscar otro indicador que
permita establecer qué usuarios son los mayores responsables de la genera-
ción de este tipo de residuos. El indicador seleccionado fue la distribución
de las canecas en la planta física del CAMI. En el caso de las canecas de
residuos reciclables se encuentra que el 52 % de las canecas se localiza en
el área administrativa, seguida del Sótano, Consulta Externa y Urgencias, 39
por lo que es de esperarse que los principales generadores de este tipo de

residuos sean los administrativos, seguidos por los asistenciales de Consulta
Externa y Urgencias.
Ilustración 13. Comparación de la generación real de residuos vs. la generada

por la simulación*
Rojos
Resultados Desv.
Mes Hospital Promedio
a) simulación estándar
Rojos
Mes 3 Resultados
31.08 simulación36.10
Hospital Promedio
33.59 Desv. estándar
3.549642641
3 31.08 36.10 33.59 3.549642641
44 30.50
30.50 40.04
40.04 35.27
35.27 6.748500851
6.748500851
5 33.51 36.10 34.80 1.829668531
65 33.51
29.61 36.10
31.14 34.80
30.38 1.829668531
1.079070202
a) 7 25.49 Rojos 25.20
24.90 0.420312662
6 29.61 31.14 30.38 1.079070202
Total 30.04 simulación 33.65
Mes Resultados Hospital 31.85
Promedio2.725438977
Desv. estándar
73 25.4931.08 24.90 36.10 25.2033.59 3.549642641
0.420312662
4 30.50 Verdes
40.04 35.27 6.748500851
b) Mes 5 Resultados
Total 30.04 simulación33.65
33.51 Hospital
36.10Promedio
31.8534.80 Desv. estándar
2.725438977
1.829668531
a) 3 27.18 25.94 26.56 0.879147164
6 29.61 31.14
Rojos 30.38 1.079070202
4 27.67 Verdes 22.34
17.00 7.544879863
Mes7 Resultados25.49 24.90 Promedio
simulación Hospital 25.20 Desv.0.420312662
estándar
5Total 30.75
30.04 30.00
33.65 30.37 31.85 0.530203817
2.725438977
3 Resultados
31.08 36.10 33.59 3.549642641
Mes
6 26.46 Hospital
7.93 Promedio
17.20 Desv. estándar
13.09871539
4 simulación
30.50 40.04 35.27 6.748500851
7 22.81 15.45
Verdes 19.13 5.201561798
5
Total
33.5126.97 36.10
19.26
34.80 5.450901606
23.12
1.829668531
b) 3 27.18
6Mes Resultados
25.94
29.61simulación 31.14
26.56
Hospital 30.38 0.879147164
Promedio 1.079070202
Desv. estándar
3 27.18 25.94 26.56 0.879147164
74 25.49
27.67 24.90 22.34
Grises
17.00 25.20 0.420312662
7.544879863
4 27.67 17.00 31.85 22.34 2.725438977
7.544879863
c) Total
Mes Resultados 30.04 33.65
simulación Hospital Promedio Desv. estándar
355 30.7530.75
6.29 30.00 30.00 30.37
6.68 30.37 0.274414049
6.48 0.530203817
0.530203817
4 6 26.46
6.24 4.727.93 5.48
Verdes 17.20 1.076123924
13.09871539
b) 567 Resultados
Mes 26.46
6.26simulación7.93
22.81 Hospital
12.56 17.20
15.45 Promedio 13.09871539
19.13 4.452962186
9.41 5.201561798
Desv. estándar
Total
63 27.18 26.97
6.17 19.26 4.14
25.94
2.10 23.12 2.878896871
26.56 5.450901606
0.879147164
7 22.81 15.4517.00 19.13 5.201561798
74 27.67
6.04 11.45 22.34 3.828924159
8.74 7.544879863
Grises
5
Total 30.75
6.20 30.00
7.50 30.37
6.85 0.530203817
2.502264238
c) Total 26.97
Mes Resultados 19.26
simulación Hospital23.12
Promedio 5.450901606
Desv. estándar
6 26.46 7.93 17.20 13.09871539
3 6.29 6.68 6.48 0.274414049
7 22.81 Grises
15.45 19.13 5.201561798
4 6.24 4.72 5.48 1.076123924
Total 26.97 19.26 23.12 5.450901606
5 Resultados
6.26
Mes Hospital12.56Promedio
9.41 4.452962186
Desv. estándar
6 simulación
6.17 2.10
Grises 4.14 2.878896871
c) Mes 7
3 Resultados
6.04
6.29simulación6.68
11.45 Promedio
Hospital 6.48
8.74 Desv.
3.828924159
estándar
0.274414049
3Total 6.20
6.29 7.50
6.68 6.85 0.274414049
6.48 2.502264238
44 6.24
6.24 4.724.72 5.48
5.48 1.076123924
1.076123924
5 6.26 12.56 9.41 4.452962186
65 6.26
6.17 12.562.10 9.41
4.14 4.452962186
2.878896871
7 6.04 11.45 8.74 3.828924159
6 6.17 2.10 4.14 2.878896871
Total 6.20 7.50 6.85 2.502264238
7 6.04 11.45 8.74 3.828924159
Total 6.20 7.50 6.85 2.502264238
* En (a) y (b) se tienen los residuos peligrosos y ordinarios respectivamente. A pesar de que los datos no son totalmente
fiables, en ellas se puede observar que la tendencia tiene una similitud respecto a la variación en la afluencia de
pacientes por enfermedades respiratorias en las áreas de Urgencias y Hospitalización Pediátrica. (c) presenta los
valores correspondientes a residuos reciclables. En cuanto la generación de este tipo de residuos no se observa una
tendencia tan clara.
40 Fuente: elaboración propia.
5.2. Resultados de generación de contaminación
En la presente sección se exponen y analizan los resultados de la simula-

ción de la generación de contaminación, iniciando por los resultados de las
dependencias individuales, continuando con los resultados de las áreas y,
por último, se realiza un análisis de los resultados vistos a nivel general de
todo el centro.
5.2.1. Dependencias
Al ejecutar la simulación con los parámetros definidos en la sección 4.1.1, se

obtiene un panorama del comportamiento completo del sistema. Sin embar-
go, el análisis del comportamiento de las dependencias de forma individual
resulta importante por el dinamismo del problema. Los resultados de la
simulación indican que las dependencias varían su comportamiento debido
a su utilización y tamaño, llevando a que se caractericen por:
• D iferentes comportamientos de una dependencia en el tiempo

• Comportamientos diferentes entre cada una de las dependencias.
Para ilustrar los resultados de la simulación, la ilustración 14 muestra el

resultado de la simulación después de ser ejecutada para representar un día
de actividad en el CAMI. En este ejemplo la simulación fue configurada
para representar un martes del mes de mayo de 2011.
41
Ilustración 14. Generación de contaminación vs. utilización de las dependencias*
(a) (b)
* En a) se muestra la generación de contaminación de las dependencias y en b) la utilización de estas. En las imágenes

se observan los nodos que representan a las dependencias del pasillo de Consulta Externa y un baño público de La-
boratorio. La primera (véanse (a) y (b) en un círculo discontinuo verde) tiene un área de 180m2, su concentración de
URL es de 2771 y su utilización acumulada en minutos es de 13 642. En contraste, la segunda dependencia (véase
ilustración 1(a) y (b) en un círculo continuo) tiene un área de 2.6 m2, su concentración de URL es de 11 954 y su
utilización acumulada en minutos es de 931.
Los diferentes comportamientos de una dependencia en el tiempo se

pueden evidenciar realizando el seguimiento a una dependencia cualquiera
y comparando los niveles de contaminación arrojados en diferentes días y
meses. La ilustración 2 presenta un ejemplo de la variación de niveles de
contaminación de una dependencia.
Ilustración 15. Comportamiento de contaminación Triage (Urgencias)*
a)
42 b)
Continúa
b)
* En a) se muestra el comportamiento de contaminación promedio de los días de una semana para el mes de marzo.
En ella se puede observar que cada día posee un nivel de contaminación diferente. La media de los datos es de
6169 URL y su desviación es de 837.1 URL. Una variación bastante significativa, si se tiene en cuenta que algunos
estudios [45] aseguran que los niveles de URL para dependencias críticas, como es el caso de esta, no deben
sobrepasar los 250 URL diarios. b) muestra la misma dependencia en el mismo día, pero en diferentes meses.
También se observan diferentes niveles en la dependencia; la media de los datos en esta gráfica es de 5636.1 URL
y la desviación de 1035 URL.
La simulación también permitió establecer que cada una de las depen-

dencias posee un patrón de comportamiento diferente, aun si su función en
el CAMI es similar. En la ilustración 16 se evidencia este comportamiento.
Ilustración 16. Comportamientos de contaminación de diferentes dependencias*
a)
Continúa
b)
43
b)
* a) exhibe el comportamiento de tres salas de espera del CAMI un lunes del mes de marzo. En ella, por ejemplo, se
identifican tres patrones de comportamiento diferentes, a pesar de estar diseñados para propósitos similares. En esta
gráfica la media de los datos es de 1091.37 URL y la desviación de 308.18 URL. En b) la situación es aun más dra-
mática, ya que además de las tres dependencias anteriores, se incluyen tres dependencias más y estas evidencian la
gran diferencia de niveles de contaminación que existe entre estas. En esta oportunidad la media de los datos es de
3702.28 URL y la desviación es de 3053.5 URL, una cifra muy grande.
5.2.2. Áreas
Las áreas del hospital al igual que las dependencias poseen comportamien-
tos únicos, que se deben a la utilización y al tipo de servicio que se brinda
en ellas. La ilustración 17 presenta los niveles de contaminación para las
diferentes áreas del CAMI en el mes de marzo.
Ilustración 17. Nivel de contaminación áreas para marzo*
* Se puede observar que las áreas que presentan mayor flujo de pacientes y que prestan servicios asistenciales ocupan
los primeros lugares en contaminación.
44
Los datos arrojados por la simulación ayudaron a establecer que las

áreas varían sus niveles de contaminación de acuerdo con el mes en que
se encuentran. Esta variación de niveles se debe a que debido a los ciclos de
enfermedades respiratorias en ciertos meses del año se incrementa el flujo
de pacientes al CAMI, lo cual conlleva mayores niveles de contaminación.
La ilustración 18 presenta las variaciones de niveles de contaminación en
Urgencias, una de las áreas más afectadas por este fenómeno.
Ilustración 18. Contaminación área de Urgencias (diferentes meses)*

12000
10000
Nivel de contaminación
8000
marzo
6000
abril
mayo
4000 junio
julio
2000
0
230
460
690
920
1150
1380
1610
1840
2070
2300
2530
2760
2980
3210
3440
3670
3900
4130
4350
4580
4810
5040
5270
5500
5730
5950
6180
6410
6640
6870
7100
7320
7550
7780
8010
8240
8470
8690
8920
9150
9380
9610
9840
0
10070
Minutos
* En la imagen se observa que el mes con mayores niveles es mayo, siendo este un mes pico de enfermedades respi-
ratorias, y el más bajo es julio ya que es un mes en el que no se presentan muchas lluvias y, por lo tanto, no se hay
incremento de este tipo de enfermedades.
Los niveles de contaminación en las áreas también presentan algunos

comportamientos inesperados. La ilustración 19 presenta un ejemplo de este
tipo de comportamientos.
Ilustración 19. Contaminación vs. utilización (marzo)*
Contaminación
Valores Contaminación (URL)
Consulta Externa
Contaminación
8529.769268
a)
Urgencias
Valores Contaminación 4641.268775
(URL)
Consulta Externa 8529.769268
Área Administrativa
Urgencias
Área Administrativa
4641.268775
901 3361362
901.3361362
Hospitalización Adultos 440.9958305
Hospitalización Pediatría 379.169865
Hospitalización Adultos
Sótano 236.3207714 440.9958305
Utilización
b)
Utilización
SótanoValores (min) 236.3207714
45
Área Administrativa 1952.95262 Continúa
Urgencias 1643.50918
Sótano 309.3567387
Contaminación
Manuel Alejandro Camargo,
a) Erika Van den Berghe, Jorge Eliecer Villamil, Nelson Gómez Cruz
Valores Contaminación
(URL)
Área Administrativa Utilización
901 3361362
Sótano Valores 236.3207714 Utilización (min)
Utilización
b)
Utilización
Valores
Área Administrativa (min) 1952.95262
Área Administrativa 1952.95262
Urgencias
Urgencias
Sótano
1643.50918
309.3567387
1643.50918
Sótano 309.3567387
* En cuanto a la utilización de las áreas, la segunda más utilizada es la Administrativa; sin embargo, no es la segunda
generadora de contaminación, este puesto lo obtiene el área de Urgencias. Así mismo, el área más contaminante y
utilizada es el área de Consulta Externa, pero pese a la gran diferencia de utilización entre esta área y Urgencias —ya
que en la primera es casi tres veces la segunda—, se esperaría que la diferencia en generación de contaminación
fuera mucho más alta. No obstante, la diferencia entre
las dos es menos del doble al final de la semana. Lo que resulta, como conclusión de este rápido análisis, es que el
área de Urgencias en proporción es mucho más contaminante que Consulta Externa y requiere mucha más atención
en cuanto al servicio.
5.2.3. CAMI
El resultado de la generación de contaminación en el CAMI es el producto

del comportamiento de las áreas, de las dependencias y, en su nivel más
fundamental, de la utilización de estas por los usuarios del CAMI. Como
es de esperarse, los niveles de contaminación del CAMI guardan similitud
con los comportamientos tanto de las áreas como de las dependencias. En
este los niveles de contaminación varían de acuerdo con el mes y el día
en el que se encuentra el CAMI (ilustración 20).
Ilustración 20. Niveles de contaminación CAMI*
a)
46 Continúa
b)
b)
* a) presenta los niveles de contaminación para una semana del mes de julio. En esta gráfica la media es 278.24 URL
y la desviación promedio es de 112.24 URL. b) Presenta la contaminación del CAMI en diferentes meses; la media es
2517.99 URL y la desviación 198.94 URL.
5.3. Resultados de generación de residuos
Los resultados de la simulación de la generación de residuos se presentan

de la misma forma que los resultados de la generación de contaminación,
iniciando desde la presentación y análisis de las dependencias, pasando
por los resultados de las áreas y hasta el análisis de los resultados de la
generación de los tres tipos de residuos en el CAMI.
5.3.1. Dependencias
La generación de residuos comparte características con la generación de

contaminación, como el dinamismo entre días y meses, y los diferentes
patrones de comportamiento de cada dependencia. Pero, adicionalmente,
la generación de ciertos tipos de residuos se da en mayor cantidad en al-
gunas dependencias que en otras, dependiendo del uso que se les dé. En
la ilustración 21 se exhiben los comportamientos de nueve dependencias
diferentes.
47
Ilustración 21. Comportamiento de residuos de las dependencias por tipo*
* En (a) se expone el comportamiento de los residuos reciclables que se generan en dos de las nueve dependencias
referenciadas: una oficina y un consultorio. Tal comportamiento se debe a que los residuos reciclables se componen
sobre todo de papel y cartón, que es el principal desecho de las labores administrativas. En (b) se presenta el com-
portamiento de los residuos ordinarios. En este tipo de residuos se puede observar que ocho de las nueve depen-
dencias presentan comportamientos. Esto se debe a que este tipo de residuos se genera prácticamente en todo el
CAMI, ya que al componerse de restos de alimentos y envolturas, todos los agentes generan este tipo de residuos. Por
último, (c) se exhibe el comportamiento de los residuos peligrosos. Debido a la naturaleza de este tipo de residuos,
que se componen principalmente de residuos biológicos y residuos producto de la atención a los pacientes, como
jeringas, bolsas de suero o gasas, solo en tres de las nueve dependencias se genera este tipo de residuos; estas
dependencias son: Terapia Respiratoria, un consultorio y un baño de Laboratorio.
5.3.2. Áreas
Como es de esperarse, debido a la naturaleza diferente de los tres tipos de

residuos, su generación se concentra en diferentes áreas. La ilustración 22
presenta la generación de residuos después de una semana de simulación
del mes de junio.
48
Ilustración 22. Generación de residuos mes junio*
* En (a) se observan círculos rojos que denotan las principales zonas de generación de residuos reciclables. Estos se
concentran en particular en el área administrativa, seguida por el Sótano y Urgencias. La distribución de tales residuos
se debe a que son el principal desecho de las labores administrativas. La (b) presenta la generación de residuos ordi-
narios. Como se puede apreciar en la imagen, estos se presentan en prácticamente todas las áreas del hospital. Por
último, (c) muestra la generación de residuos peligrosos. Debido a su naturaleza se generan en mayor proporción en
aquellas áreas en las cuales se prestan servicios asistenciales, como Urgencias, Consulta Externa y las habitaciones
de los pacientes internos.
5.3.3. CAMI
En la tabla 11 se muestra el análisis estadístico de los resultados de simular

diferentes meses y diferentes días de la semana. De ahí se puede deducir
que los únicos que no presentan grandes variaciones entre días y meses son
los residuos reciclables, debido a que la principal fuente de generación de
estos residuos son los administrativos y su afluencia es constante durante el
año, es decir, gracias a que los factores que afectan a este tipo de residuos
no son dinámicos, lo que implica un comportamiento mucho más prede-
cible que el que se puede esperar de los residuos ordinarios o peligrosos.
49
Tabla 11. Análisis estadístico de la generación de residuos en el CAMI
Residuos reciclables Residuos ordinarios Residuos peligrosos

Función
Diferentes Diferentes Diferentes Diferentes Diferentes Diferentes
meses días meses días meses días
Media 396.31 44.89 848.67 89.63 1014.15 109.35
Desv.
5.25 29.21 98.17 30.09 103.23 23.03
estándar
Varianza 37.15 1432.20 12841.41 1491.25 13765.82 808.56
La ilustración 23 presenta las gráficas de los resultados de la generación

de residuos reciclables (a), ordinarios (b) y peligrosos (c) en diferentes meses
y diferentes días de una semana.
Ilustración 23. Generación de residuos de marzo en el CAMI*
50 Fuente: elaboración propia.

5.4. Resultados de la estrategia actual
Los resultados de simular la dinámica de limpieza y recolección de residuos

permitieron conocer cómo se genera la contaminación y los residuos en el
CAMI. Sin embargo, simular el desarrollo de la estrategia de limpieza ac-
tual permite conocer su desempeño, es decir, cuánto están disminuyendo la
contaminación y los residuos del CAMI, o cuán cerca se está de mantener
el umbral de contaminación establecido.
En la sección 4.4.1 se establecen los parámetros bajo los que se ejecutó
la simulación. Posteriormente, en la sección 4.4.2 se presenta el análisis de
los resultados de los niveles de contaminación y residuos bajo la estrategia
actual. Esta última sección se desarrolla en dos niveles. En el primer nivel
se exponen los resultados individuales obtenidos para dependencias con
diferentes comportamientos y en el segundo nivel se presentan y comparan
los resultados para cada área.
5.4.1. Parámetros de la simulación
La simulación de la estrategia de limpieza y recolección actual se ejecutó

para los meses de marzo a julio, con periodos de tiempo de una semana. A
fin de asegurar que cada uno de los agentes se comportara lo mas parecido
posible a como lo hace su contraparte en el mundo real, fue necesaria la
definición de valores para algunos de los atributos que se explicaron en
la sección 3.3.
La definición de los valores de estos atributos se realizó de diferentes
fuentes y formas. La distribución horaria y espacial fue proporcionada
por el hospital y se presenta en la tabla 12. Otros valores fueron definidos
mediante el seguimiento y la toma de tiempos a diferentes personas en di-
ferentes días. Esta información se consolidó y se establecieron los valores
que se presentan en la tabla 15.
Los niveles máximos o umbrales de contaminación y residuos permitidos
por dependencia (tabla 13) que se utilizaron como referencia para la eva-
luación de la estrategia actual, se definieron en conjunto con el personal del
CAMI y se basaron en estudios realizados en otras instituciones prestadoras
de servicios de salud [45]. Los umbrales por área, a su turno, se establecieron
como el promedio de los umbrales de las dependencias pertenecientes al 51
área (tabla 14). Por último, parámetros como las dependencias excluidas por
turno y aquellas que se desinfectan según una programación prestablecida
se establecieron mediante entrevistas al personal de aseo y al supervisor
encargado del servicio.
Tabla 12. Distribución horaria y espacial de los agentes aseadores
Hora de Consulta Hospitalización Hospitalización

Horario Administración Sótano
descanso Externa Adultos Pediatría
7 am - 4 pm 10 am 1 1 1 2 2
10 am -7 pm 12 am 1 1 1 0 0
7 pm -7 am 10 pm 1 1 1 0 0
Tabla 13. Umbrales de contaminación por dependencia
Criticidad de la dependencia Umbral (URL)
Crítica 250
Semicrítica 400
No crítica 600
Fuente: Hospital Vista Hermosa y autores.
Tabla 14. Umbrales promedio de contaminación por área
Área Umbral (URL)
Administración 563.5416667
Sótano 477.8846154
52
Tabla 15. Parámetros definidos mediante seguimiento
Parámetros Valores
Tiempo que tarda una

30 s
recolección en una dependencia
Tiempo que tarda una aseadora en

2 min
conocer el estado de limpieza del área
Tiempo que tarda una aseadora en

10 min
volver a recargar insumos
Crítica 1.6 m2
Limpieza No crítica 1.9 m2
Semi-crítica 2 m2
Metros cuadrados limpiados o
desinfectados en un minuto*
Crítica 0.8 m2
Desinfección No crítica 0.95 m2
Semi-crítica 1 m2
* El valor de este parámetro depende del proceso que se esté realizando y la criticidad de la dependencia.
5.4.2. Análisis de resultados de la estrategia actual
Esta sección presenta las observaciones de los autores a los resultados de

la simulación de la estrategia actual. Primero, se analiza el desempeño
de la estrategia actual en las dependencias y, posteriormente, se realiza el
análisis del desempeño en cada una las áreas del centro.
Dependencias. El seguimiento de la estrategia actual en las dependencias
permite observar cuáles son los niveles de contaminación y residuos que
se mantienen en cada una y, por ende, su cercanía a los umbrales estable-
cidos para las dependencias del CAMI. En la ilustración 24 se presentan
los umbrales y los comportamientos de los niveles de contaminación en las
dependencias del consultorio de Triage y la sala de espera de Laboratorio,
durante una semana del mes de marzo.
La línea punteada de la ilustración 24 representa el umbral de conta-
minación establecido para las dependencias. El consultorio de Triage es
considerado una dependencia crítica; por lo tanto, su umbral de tolerancia
en contaminación es de 250 URL, mientras que la sala de espera del Labo-
ratorio es catalogada como no crítica, por lo cual su umbral de tolerancia
en contaminación es de 600 URL. 53
El análisis de las gráficas permite llegar a varias conclusiones. En pri-

mer lugar, los datos fluctúan bastante, lo que significa que esta estrategia
es incapaz de mantener los niveles de contaminación estables, es decir, se
observan decrementos bruscos durante el proceso de limpieza, pero inme-
diatamente este finaliza, la contaminación se dispara. Por otra parte, tanto
el consultorio de Triage como la sala de espera del Laboratorio pasan gran
parte de la semana por encima del umbral, lo que permite poner en duda la
eficiencia de la estrategia de limpieza actual.
Ilustración 24. Umbrales y contaminación de consultorio Triage y sala

de espera Laboratorio
a) Consultorio Triage
b) Sala de espera laboratorio
Con respecto al desempeño de la estrategia actual en relación con los

residuos, la ilustración 25 presenta el comportamiento y el umbral de re-
siduos para las dependencias de Triage y Toma de Muestras; en ambas se
prestan servicios asistenciales. Se evidencia que solamente los residuos
reciclables se mantienen cerca del umbral, ya sea porque se generan muy
pocos residuos de este tipo (Consultorio de Triage), o porque simplemente
54 no se generan (Toma de Muestras). En el caso de los residuos ordinarios, es
claro que estos distan bastante de dicho umbral, puesto que la generación
de este tipo de residuos es reiterada y la frecuencia de recolección es baja.
En el caso de los residuos peligrosos se presenta el mismo comportamiento
en ambas dependencias, donde se genera gran cantidad de este tipo de
residuos.
Ilustración 25. Generación de residuos en el consultorio de Triage y Toma de Muestras
a) Consultorio Triage
b) Toma de muestras
Sin embargo, a partir del comportamiento de la estrategia actual una

dependencia no puede ser concluyente sobre su desempeño en el área
completa. Por tal motivo, en la siguiente sección se analizarán los datos
generados en cada una de las áreas bajo la estrategia de limpieza y reco-
lección actual.
Comportamiento de las áreas. En la sección 3.2 se pudo establecer que
cada área tiene un comportamiento diferente de acuerdo con la afluencia y el
tipo de usuarios que en ella se presentan. Analizar bajo la estrategia actual
el comportamiento de los niveles de contaminación y residuos de las áreas,
permite establecer si la estrategia es beneficiosa para todas o solo para al-
gunas áreas. En primera instancia se presenta y analiza el desempeño de la
estrategia actual en materia de limpieza. En la tabla 16 se presentan los datos
generados para cada una de las dependencias del CAMI. 55
Tabla 16. Comparación de datos de limpieza generados en todas las áreas del CAMI
Hosp.
Consulta Hosp.
Parámetros Urgencias Adultos Admin. Sótano
Externa Pediatría
y Obstetricia
Umbral*
387.06 356.36 375.32 384.88 563.54 477.88
(URL)
Valor máximo
2245.10 919.92 143.11 145.41 951.44 207.02
(URL)
Valor mínimo
0.01 0.48 5.33 4.76 0.01 0.01
(URL)
Promedio
938.35 481.14 83.51 62.67 435.17 104.28
(URL)
Desviación
597.09 290.18 61.33 49.93 323.93 68.56
(URL)
Tiempo sobre
el umbral de
40.133 31.511 0 0 21.090 0
contaminación
(minutos)
Porcentaje del
tiempo sobre 79.63% 62.52% 0 0 41.845% 0
el umbral
* El umbral de cada dependencia se estableció como el promedio de los umbrales de las dependencias que pertenecen
a dicha área.
El mal desempeño en Consulta Externa, Urgencias y Administración se

debe a diversos factores; sin embargo, hay uno común a las tres: las altas
concentraciones de usuarios y las bajas frecuencias de limpieza de las de-
pendencias. Con respecto al desempeño en Urgencias, el factor fundamental
es la afluencia de pacientes con altos índices de contaminación.
Las áreas en las que la estrategia de limpieza tuvo un buen desempeño
son aquellas con menor utilización del CAMI, como lo son hospitalizaciones
y sótano, que sumadas representan el 15 % de la utilización y el 11 % de la
contaminación semanal. Por lo tanto, aunque se demuestra un buen desem-
peño en tres de las seis áreas simuladas, estas no son muy representativas
en cuanto al desempeño de la estrategia de limpieza actual.
Con respecto al desempeño de la estrategia actual en la recolección de
residuos, los datos obtenidos para residuos reciclables, ordinarios y peligro-
56 sos se presentan en las tablas 16, 17 y 18, respectivamente.

Tabla 17. Comparación de los datos generados para recolección

de residuos reciclables en las áreas del CAMI
Residuos reciclables
Hosp.
Consulta Hosp.
Parámetros Urgencias Adultos y Admin. Sótano
Externa Pediatría
Obstetricia
Umbral (grs.) 50 50 50 50 50 50
Valor máximo
4.02 32.83 0 0 121.07 75.36
(grs.)
Valor mínimo
0 0 0 0 0 0
(URL)
Promedio(grs.) 4.02 12.68 0 0 56.27 32.64
Desviación(grs.) 6.00 7.20 0 0 41.79 23.82
Tiempo sobre
el umbral de
0 0 0 0 1990 1400
contaminación
(minutos)
Porcentaje del
tiempo sobre 0 0 0 0 39.48 27.8
el umbral

de residuos ordinarios en las áreas del CAMI
Residuos ordinarios
Hosp.
Consulta Hosp.
Externa Pediatría
Obstetricia
Umbral (URL) 50 50 50 50 50 50
Valor máximo (grs.) 129.87 351.14 21.04 143.28 127.64 52.74
Valor mínimo (g) 0 0 0 0 0 0
Promedio(g) 27.29 149.62 6.24 38.27 56.64 23.63
Desviación(g) 39.56 84.67 4.36 28.09 41.55 17.13
Tiempo sobre
el umbral de
780 2920 0 910 2016.67 36.61
contaminación
(minutos)
Porcentaje del tiempo

15.4 58 0 18.5 40.0 0.72
sobre el umbral
Fuente: elaboración propia. 57


de residuos peligrosos en las áreas del CAMI
Residuos peligrosos
Hosp.
Consulta Hosp.
Externa Pediatría
Obstetricia
Umbral (URL) 50 50 50 50 50 50
Valor máximo (g) 223.52 392.89 27.20 48.3 0 0.11
Valor mínimo (g) 0 0 0 0 0 0
Promedio(g) 55.17 178.55 7.95 13.30 0 0.03
Desviación(g) 70.10 97.22 5.73 9.82 0 0.03
Tiempo sobre
el umbral de
990 3043 0 0 0 0
contaminación
(minutos)
Porcentaje del tiempo

19.64 68.38 0 0 0 0
sobre el umbral
Vale la pena recordar que la generación de los residuos reciclables se

centra en el área de Administración y en el Sótano, y la de los residuos
peligrosos en el área de Consulta Externa y en Urgencias. Por su parte,
la generación de residuos ordinarios está más distribuida en las áreas del
CAMI. En este orden de ideas, se hace necesario enfocar la atención en las
áreas donde se presentan estos comportamientos.
Para el caso de los residuos reciclables, la estrategia de recolección tiene
un desempeño aceptable; sin embargo, este tipo de residuos no representan
mayor peligro de contaminación para la salud de los usuarios y, por con-
siguiente, no son la prioridad para la calificación total de la estrategia de
recolección. Con respecto a los residuos ordinarios, cinco de las seis áreas
simuladas sobrepasan el umbral, lo cual también puede dar una idea del
bajo rendimiento en condiciones de altas afluencias.
En cuanto al desempeño en la recolección de residuos peligrosos, el área
de Consulta Externa y la de Urgencias sobrepasan el umbral. Es necesario
aclarar que estos residuos sí representan peligro para la salud de los pacientes
y, por ende, tienen prioridad en la atención de recolección de residuos. En
síntesis, la estrategia de recolección no atiende las necesidades del CAMI
58
en materia de residuos, puesto que en las áreas en las que se concentra la

generación de cada tipo de residuos el desempeño es muy bajo.
Así las cosas, es posible concluir que la estrategia actual exhibe un
buen desempeño, siempre y cuando las afluencias de usuarios no sean muy
altas. Sin embargo, para las áreas con mayor afluencia de usuarios o alta
incertidumbre, la estrategia es ineficiente. Debido a que la incertidumbre en
las afluencias y en la criticidad de los pacientes hace parte de la naturaleza
de la generación de contaminación y residuos, es necesario implementar
una estrategia cuyo buen desempeño no se limite a bajas afluencias o bajos
niveles de contaminación y residuos.
59
6. Conclusiones y trabajo futuro
Del presente proyecto se desprenden una serie de conclusiones no solo

sobre la aplicación del modelo desarrollado en el CAMI Vista Hermosa,
sino también sobre la aplicación y pertinencia de la Ingeniería de sistemas
complejos en el campo organizacional. En este sentido se concluye:
Sobre la utilización de la ISC y su pertinencia en el campo organizacional:
• L a ISC no desestima el trabajo realizado por la ingeniería tradicional;

por el contrario, es consciente de su importancia. Sin embargo, es una
nueva forma de hacer ingeniería y de hallar soluciones para aquellos
problemas donde los métodos tradicionales ya no son suficientes.
No obstante, para los ingenieros emplear ISC implica un cambio
de paradigma que requiere abrir espacio para conocimientos nue-
vos que pueden entrar en conflicto con los conceptos tradicionales,
pero que son necesarios para afrontar los retos del mundo actual.
• Los resultados de este proyecto aportan a la aclaración del papel de la
ISC en las organizaciones e indican que su enfoque puede aplicarse
no solo en problemas de gran escala, sino también en aquellos que
pueden considerarse cotidianos para las organizaciones, porque más
que la escala del problema, lo que importa es su naturaleza, y esto
presenta a la ISC como una ingeniería prometedora con un amplio
campo de acción.
Sobre el modelo desarrollado en este proyecto:
• L
a logística hospitalaria es un problema crítico para las instituciones
prestadoras de servicios de salud, puesto que procesos que hacen
parte de esta, como el servicio de aseo, recaen directamente sobre la
salud de los usuarios. Con el desarrollo de este proyecto se demostró
que la ISC posee un conjunto de conceptos y herramientas que se
adecúan a las características de los problemas complejos de logística
hospitalaria. Por lo tanto, debe ser considerada como una propuesta
viable y pertinente para la solución de problemas logísticos hospi-
talarios, así como lo ha sido con éxito en la solución de problemas
60 en otro tipo de organizaciones.
• E ste es el primer proyecto realizado en Colombia para la solución

de problemas de logística hospitalaria empleando ISC. De ahí se
concluye la innovación que representa este proyecto y que la ISC
puede realizar grandes aportes en el desarrollo de este campo.
• El desarrollo de este proyecto en el CAMI demostró que el MSBA
es una herramienta poderosa para unir diferentes perspectivas sobre
un fenómeno complejo, incluso en el plano organizacional. Por
ejemplo, en el CAMI se pudieron tener en cuenta perspectivas tan
diferentes como las del personal de facturación, el de farmacia y
el personal asistencial, entre otros, que inicialmente no constituían
parte fundamental para la planeación del servicio, pero que junto
con los puntos de vista del personal de aseo y del responsable del
servicio convergieron en una perspectiva más amplia que la tenida
en cuenta hasta ese momento, abriendo nuevas posibilidades para la
optimización del servicio.
• La simulación de la dinámica actual en materia de contaminación y
residuos permitió generar un conocimiento que era fundamental para
la planeación del servicio de aseo en el CAMI, incluyendo patrones y
comportamientos contraintuitivos desconocidos hasta ese momento,
permitiendo identificar las verdaderas necesidades del CAMI en
materia de aseo.
Una continuación de este trabajo buscaría emplear este modelo como

plataforma de pruebas para estrategias que pretendan optimizar el servicio
de aseo. También se puede buscar la ampliación de su cobertura para la
aplicación en los dieciocho centros restantes del Hospital. Otro posible
trabajo futuro podría ser la expansión del modelo para la inclusión o per-
feccionamiento de los factores que influyen en la dinámica.
El modelo, además, tiene la capacidad de trascender mas allá de su
objetivo e incluso funcionar como una plataforma de prueba para diversos
propósitos. Debido a que se basa en el comportamiento y la afluencia de
usuarios en el CAMI, podría ser la base para plantear soluciones a proble-
mas como:
• T ransporte de ropa sucia y limpia

• Optimización de tiempo de espera de los pacientes
61
• istribución del personal en los servicios

D
• Distribución de los servicios en la planta física
• Agendamiento de recursos
• Mejoramiento de la atención de los pacientes, a raíz de conocer cuáles
son los patrones de utilización de los servicios
• Creación de planes de evacuación.
No tenemos dudas de la importancia que tiene la aplicación de las

técnicas de la ISC en problemas complejos de logística hospitalaria, y del
profundo impacto que puede tener en el mejoramiento de la atención a los
usuarios. Tampoco tenemos dudas del gran impacto que puede tener en la
supervivencia de las organizaciones el desarrollo de sistemas con la ISC.
Esperamos que el futuro traiga muchos nuevos avances relacionados con
esta disciplina.
62
7. Bibliografía
[1] E. MCMILLAN, Complexity, management and the dynamics of Chal-

lenges for Practice, Taylor & Francis, 2008.
[2] M. J. COOK, J. M. NOYES. Decision making in complex environ-
ments, Ashgate Publishing, 2007.
[3] R. STACEY, D. GRIFFIN y P. SHAW, Complexity management: Fad
or radical challenge to systems thinking?, Routledge, 2000.
[4] G. J. REBOVICH y B. E. WHITE, Enterprise engineering advances in
the theory and practice, Boca Raton: CRC Press, 2011.
[5] M. JAMSHIDI y M. JAMSHIDI, Systems of systems Principles and
applications, CRC Press, 2009.
[6] N. CALLAOS, The essence of engineering and meta-engineering: work
in process, The Institute of Systeuiics. Cybernetics and Informatics.
[7] R. STACEY, “The science of complexity: An alternative for strategic
change processes”, Strategic Management Journal, vol. 16 nº 6 pp.
477-495, septiembre 1995.
[8] N. GÓMEZ CRUZ y C. E. MALDONADO, sistemas bioinspirados: un
marco teórico para la ingeniería de sistemas complejos, Bogotá: Uni-
versidad del Rosario, 2011.
[9] Y. BAR-YAM y P. SEGUIN, “Complex systems engineering failure: A
response and soft failure: A visit to the US Army Corps of Engineers in
New Orleans”, New England Complex Systems Institute, Cambridge,
2010
[10] D. BRAHA, A. A. MINAI y Y. BAR-YAM, Complex Engineered Sys-
tems, Cambridge: New England Complex Systems Institute, Springer
Complexity, 2006.
[11] M. MITCHELL, Complexity: A guided tour, New York: University
Press, 2009.
[12] C. E. MALDONADO, Ciencias de la complejidad: ciencias los cam-
bios súbitos, Bogotá: Universidad Externado de Colombia, 2005 p. 8.
[13] C. E. MALDONADO, “Marco teórico del trabajo en ciencias de la
complejidad y siete tesis sobre la complejidad”, Revista Colombiana de
Filosofía de la Ciencia, pp. 139-154, 2003.
[14] A. JIMÉNEZ, J. GUERRERO, N. VELÁSCO y C. Optimización de
los recursos en los hospitales: revisión de la literatura sobre logística
hospitalaria, Bogotá: Universidad de los Andes, 2007.
[15] WORLD HEALTH ORGANIZATION, The World Health Report
83,625 safer future: Global public health security in the 21st century,
Thomson Prentice, Lina Tucker Reinders, 2007. 63
[16] G. J. TORTORA, B. R. FUNKE y C. CASE, Introducción a la micro-

biología, Ed. Médica Panamericana, 2007.
[17] J. ESCARRABILL, X. CORBELLA, A. SALAZAR y J. “Los co-
lapsos en los servicios de urgencias hospitalarios durante el invierno”,
Atención Primaria, pp. 141-144, 2001.
[18] Z. BOUTSIOLI, “Demand variability, demand uncertainty and hos-
pital A selective survey of the empirical literature”, Global Journal of
Health Science, vol. 2 nº 1 pp. 138-149, abril 2010.
[19] M. GAYNOR y G. F. ANDERSON, “Uncertain demand, structure of
hospital costs, and the cost of empty hospital beds”, Journal of Health
Economics, vol. 14 nº 3 p. 291-317, agosto 1999.
[20] A. JIMÉNEZ, J. GUERRERO, N. VELAZCO y C. Los cuadernos
de PYLO. Logística Hospitalaria, Bogotá: Universidad de los Andes,
2007.
[21] ALCALDÍA DE BOGOTÁ, “Portal Bogotá”, 18 de enero 2010 [en
línea]. Disponible: http://www.bogota.gov.co [último acceso: 13 7
2011].
[22] N. GILBERT y K. G. TROITZSCH, Simulation for social scientist,
McGraw-Hill International, 2005.
[23] C. E. MALDONADO y N. A. GÓMEZ, Modelamiento y simulación de
sistemas complejos, Bogotá: Editorial Universidad del Rosario, 2010.
[24] J. FORRESTER, Principles of systems, 2nd preliminary ed., MIT
Press, 1980.
[25] S. WOLFRAM, Theory and applications of cellular automata, World
Scientific, 1986.
[26] G. WEISS, Multiagent systems: A modern approach to artificial in-
telligence, MIT Press, 1999.
[27] M. J. NORTH y C. M. MACAL, Managing complexity, New York:
Oxford University Press, 2007.
[28] G. N. GILBERT, Agent-based models, SAGE, 2008.
[29] F. BILLARI, Agent-based computational modelling: Applications in
demography, economic and environmental sciences, Physica-Verlag,
2006.
[30] T. TERANO, Agent-based simulation: from modeling methodologies
to applications: Post-proceedings of the Third International Workshop
on Agent-Based Approaches in Economic and Social Complex Sys-
tems 2004 Springer, 2005.
[31] E. BONABEAU, “Agent-based modeling: Methods and techniques
for human systems”, Icosystem Corporation, Cambridge, 2002.
[32] R. H. BORDINI, Multi-agent programming: Languages, tools and
64 Springer, 2009.
[33] M. J. WOOLDRIDGE, An introduction to multiagent systems, Wiley

and Sons, 2002.
[34] J. H. HOLLAND, Hidden order: How adaptation builds Perseus
Books, 1996. 47
[35] M. J. NORTH y C. M. MACAL, Managing complexity, New York:
Oxford University Press, 2007.
[36] E. G. TALBI, Metaheuristics: From design to implementation, Wiley
and Sons, 2009.
[37] X.-S. YANG, Engineering optimization: An introduction with meta-
heuristic, John Wiley and Sons, 2010.
[38] K. F. DOERNER, Metaheuristics: Progress in complex systems
Springer, 2007.
[39] D. FLOREANO y C. MATTIUSSI, Bio-inspired artificial intelligence:
methods, and technologies, Cambridge: The MIT Press, 2008.
[40] J. H. HOLLAND, Adaptation in natural and artificial. An introductory
analysis with applications to biology, control, and artificial intelligence,
MIT Press, 1992.
[41] M. DORIGO y T. STUTZLE, The ant colony metaheuristic: Algo-
rithms, applications, and advances, Springer, 2003.
[42] J. KENNEDY y R. EBERHART, “Particle swarm optimization”, of
IEEE International Conference on Neural Networks, vol. 4 1995.
[43] R. K. AHUJA, K. MELHORN, J. ORLIN y E. TARJAN, “Faster al-
gorithms for the shortest path problem”, Journal of the ACM (JACM),
vol. 37 nº 2 1990.
[44] 3M, “3M”, 2011 [en línea]. Disponible: http://solutions.3m.com/wps/
portal/3M/en_US/Microbiology/FoodSafety/product-information/
product-catalog/?PC_7_RJH9U523003DC023S7P92O3O87000000_
nid=994DWNJTD0beJ9C52DTHJWgl. [Último 2011 11 18].
[45] J. M. BOYCE, N. L. HAVILL, A. LIPKA H. HAVILL, “Variations
in hospital daily cleaning practices”, Infection Control and Hospital
Epidemiology, vol. 31 nº 1 pp. 99-101, 2010.
65
66
DOCUMENTOS DE INVESTIGACIÓN
No. 143, ISSN: 0124-8219

Febrero de 2013
Ingeniería de sistemas complejos y

logística hospitalaria: modelamiento
y simulación de la dinámica de aseo
en el Hospital Vista Hermosa I Nivel

Nelson Gómez Cruz

2013 - Ingeniería de Sistemas Complejos y Logística Hospitalaria

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

2013 - Ingeniería de Sistemas Complejos y Logística Hospitalaria

Cargado por

Copyright:

Formatos disponibles

DOCUMENTOS DE INVESTIGACIÓN

No. 143, ISSN: 0124-8219

Ingeniería de sistemas complejos y

Manuel Alejandro Camargo

Manuel Alejandro Camargo

Universidad del Rosario

Logística en los negocios / Administración hospitalaria / Planificación empresarial /

Catalogación en la fuente – Universidad del Rosario. Biblioteca

Manuel Alejandro Camargo

Editorial Universidad del Rosario

* Las opiniones de los artículos sólo comprometen a los autores y en

Primera edición: Febrero de 2013

2. Planeación del servicio de aseo en las instituciones prestadoras

4. Modelo basado en agentes de la situación actual del servicio

6. Conclusiones y trabajo futuro.............................................................. 60

Tabla 1. Horario del personal de servicios generales.................................. 9

Tabla 10. Cantidad y probabilidad de generación de residuos por agente..... 39

Algoritmo 1. Algoritmo ACO básico........................................................... 17

Ingeniería de sistemas complejos y logística

Manuel Alejandro Camargo1*

Las organizaciones actuales viven en un mundo cargado de incertidumbre,

grupo de ingenierías no convencionales, como por ejemplo la ingeniería

2. Planeación del servicio de aseo en las

Las instituciones prestadoras de servicios de salud diariamente llevan a cabo

El clima influye de forma indirecta en la afluencia de pacientes que recu-

2.1. Caso de estudio: Hospital Vista Hermosa

La institución donde se desarrolló este proyecto es el Hospital Vista Hermosa

en la ciudad de Bogotá. Se compone de diecinueve centros distribuidos en la

Tabla 1. Horario del personal de servicios generales

Intervalo horario Cantidad de personas

Fuente: elaboración propia.

El subproceso de limpieza se compone de dos actividades que son la

Antes de exponer el modelo desarrollado es necesario presentar los aspec-

3.1. Modelamiento y simulación

Un modelo es una simplificación —más pequeña, menos detallada, menos

1. Cuando buscamos comprender (y explicar) procesos fundamentales.

Dicho sin ambages, la simulación constituye una potente herramienta y

Existen diversas técnicas de modelamiento y simulación que pueden ser

Tabla 2. Comparación de técnicas de simulación

Técnicas Descripción Características

Técnica estocástica que se centra en el Emergencia de comportamientos X

Fuente: elaboración propia.

3.2. Modelamiento y simulación basados en agentes

El modelado y la simulación basados en agentes (MSBA o ABMS, por sus

El MSBA es una herramienta de la ISC y, como se mencionó anteriormen-

3.3. Algoritmos bioinspirados y metaheurísticos

Los algoritmos metaheurísticos son técnicas de optimización empleadas sobre

4 Gran parte del medio de un agente son otros agentes. 15

Tabla 3. Descripción de algunos algoritmos metaheurísticos

Algoritmo* Descripción Usos más comunes

Utiliza cadenas de Markov para

Al igual que los algoritmos de SA,

Su uso se encuentra en todo tipo

Son usados con frecuencia en

Al igual que los algoritmos ACO, son

Este algoritmo imita el comporta-

En la sección 3.4 se emplea una variación de un algoritmo ACO para

A efecto de su comprensión a continuación se presentan algunos detalles

3.3.1. Algoritmo basado en colonias de hormigas

Como se menciona en la tabla 3, los algoritmos ACO se basan en el com-

Algoritmo 1. Algoritmo ACO básico

Inicializar el camino de feromonas

Por cada hormiga haga

Construcción de la solución empleando el camino de feromonas