INFORME PROFESIONAL

MII 505 Métodos de Optimización

Aplicados

 Grupo: 6
 Integrantes: Maribel Muñoz C.– Cesar Rojas S.
 Fecha: 29-05-2022

ÍNDICE

1
Resumen.............................................................................................................................................3

Introducción.......................................................................................................................................4

Desarrollo del problema.....................................................................................................................6

Figura 1: Posible asignación para un nuevo paciente que requiere dos visitas por semana........6
Tabla 1. Resumen de parámetros...............................................................................................7

Formulación matemática................................................................................................................8

Problema maestro..........................................................................................................................8

Subproblema................................................................................................................................8

LBBD basado en patrones............................................................................................................11

Problema maestro........................................................................................................................12

Descomposición de Dantzig-Wolfe..............................................................................................13
Figura 2: Diagrama de asignación de ruteo para pacientes......................................................15
Tabla 2. Resolución de problema (Utilizando Solver).............................................................15

Conclusión.......................................................................................................................................16

9Bibliografía………………………………………………………………………………………...17

2
Resumen

A continuación plantearemos el problema de programación de cuidados de salud en

el hogar, con designación y ruteo de personal especialista en atención domiciliaria. Primero

un problema maestro y a través de sus estrategias y planificación es utilizado para

seleccionar mejores y viables rutas. 

Un modelo de redes es utilizado para identificar las rutas y horarios del personal de

atención domiciliario. Adicionalmente para acelerar el método y tomar una ventaja de

separabilidad del problema auxiliar, el problema de identificación de rutas es resuelto de

forma separada, reduciendo el tiempo computacional requerido para generar rutas, e

igualmente, múltiples columnas pueden ser retornadas en cada interacción de la generación

de columnas, mejorando de forma substancial los tiempos computacionales.

Las demandas en los puntos de ruteos específicos y las alternativas se ofrecen por

medio de los nodos intermedios, de manera que siguen rutas las rutas definidas desde los

orígenes hasta los destinos de cada paciente.

3
 INTRODUCCIÓN

Diversos estudios indican que la población mayor de 65 años crece a un ritmo muy rápido.

Al respecto, uno de estos estudios (Perspectivas de la población mundial) proyectan que

aproximadamente para el año 2050, 1 de cada 6 personas en el mundo tendrá más de 65

años.

Es por esto mismo que el envejecimiento de la población y al plan para descentralizar la

atención, es que la demanda de servicios de atención domiciliaria ha aumentado

drásticamente durante la última década. Estos servicios permitirían que los pacientes

permanezcan en sus hogares el mayor tiempo posible, ya que estos servicios reducen el

tráfico de pacientes al hospital sus costos de atención.

En este contexto, las agencias de atención domiciliaria reciben nuevas solicitudes de

pacientes todos los días y se esfuerzan continuamente sus recursos para dar la atención

mientras mantienen niveles de servicio elevados. Debido a estos recursos de gestión, las

decisiones de programación se vuelven importantes para mantener altas tasas de aceptación

y posiblemente maximizar los ingresos de la agencia. En este trabajo nos interesa

programar la atención domiciliaria con visitas. Para mantener un alto estándar y continuo

de atención, en los horarios de los pacientes que ya están en el sistema.

Para resolver problemas de manera efectiva las agencias de atención domiciliaria a menudo

segmentan a los pacientes por área y resuelven los problemas de programación por grupo

de proveedores. Para ayudarlos en este trabajo, un número importante de investigadores

está tratando de desarrollar métodos de optimización de la eficiencia que tengan en cuenta

las dificultades prácticas que enfrentan las agencias de atención domiciliaria y, al mismo

4
tiempo, creen soluciones de alta calidad en poco tiempo para usar en la práctica. Con base

en la literatura, la propuesta HCSPV puede describirse como una variante del problema de

enrutamiento y planificación de la atención domiciliaria, problema de hace 20 años.

Dentro de sus facultades y aspiraciones de estas agencias es mejorar el método el servicio

que entregan. En estos recursos de administración, las decisiones relacionadas a la

programación de atención se están volviendo esenciales para tener una alta tasa de

aceptación.

Como resultado, ha evolucionado para incorporar restricciones más prácticas, como

maximizar las preferencias del paciente y del cuidador, equilibrar las cargas de trabajo, las

visitas compartidas y el tiempo de viaje dependiente. Desde entonces, RSSS se ha ampliado

a semanal para responder mejor a las realidades de ciertas limitaciones, como la

planificación de la atención del paciente y/o la continuidad de la atención

Se han propuesto varios métodos basados en metaheurísticas. Estos métodos pueden

resolver grandes problemas, pero no dan ninguna evidencia de convergencia o desviación

de lo óptimo. El método propuesto divide el problema en dos partes, la aceptación del

paciente y las tareas realizadas en un problema principal, mientras que la viabilidad de la

programación de restricciones se prueba en los problemas del niño independiente.

Esta reducción en el tiempo de cálculo permitirá a las agencias de atención domiciliaria

abordar problemas más grandes y utilizar los métodos recomendados a diario.

Este informe, se basa principalmente en la programación de cuidados domiciliarios con

visitas. Además, considerando para los pacientes que ya están en el mismo sistema.

5
En este informe, los vectores que se estudiarán serán abordados de la siguiente

manera:

 Problema de selección de las mejores rutas y problema de asignación de personal para

el servicio demandado, teniendo en cuenta todas las restricciones simultáneamente.

 Se propondrá en primer lugar un nuevo algoritmo para el subproblema de la

descomposición de Benders basada en lógica (LBBD), formulación presentada en

Heching et al. (2019).

 Se presentará una nueva LBBD de formulación con variables adicionales. Estas

nuevas variables corresponden a patrones de visita de los pacientes; puesto que

combinan el proveedor asignado, los días de visita y los tiempos de visita en una

única variable.

Definición del Problema global:

1.aSe debe al envejecimiento de la población, con la finalidad de descentralizar la atención

en el servicio público.

2.aLa demanda de servicios de atención domiciliaria ha aumentado significativamente

durante la última década (Sinha & Bleakney, 2014).

3. Las agencias de atención domiciliaria suelen dividir a los pacientes por área y resolver
los problemas de programación por equipo de proveedores (5 a 15 proveedores). Según
la literatura, la propuesta HCS-PV se puede describir como una variante del problema de
enrutamiento y programación de atención médica domiciliaria (HHCRSP) ((Begur, et al.
( 1997), Cheng & Rich (1998)).

6
El método propuesto se descompone en dos partes; un problema maestro y subproblemas.
 En el primero, se consideran la aceptación y asignaciones del paciente;
 El segundo se consideran la viabilidad de las restricciones de programación

HCS-PV considera un conjunto de pacientes PAG y maximiza el número de

programaciones pacientes atendidos dado un conjunto de proveedores disponibles UN en
un horizonte de 5 días
Para cada paciente programado, debemos determinar el proveedor asignado, la visita días y
el tiempo de visita. Estas decisiones deben tener en cuenta las condiciones existentes
pacientes; las visitas programadas para estos pacientes no se pueden modificar para
continuar nulidad de los fines de atención. En el contexto de la atención domiciliaria, la
continuidad de la atención implica siempre enviando el mismo proveedor a la misma hora
al mismo paciente

Definición del Problema en lo particular:

Cada semana algunos pacientes salen del sistema de las agencias (fin del plan de atención,
problema que requiere un ingreso hospitalario, etc.) y, por lo tanto, las agencias tienen que
decidir cuántos nuevos pacientes pueden aceptar y cómo los pacientes serán asignados a los
proveedores y programarlos. Con el fin de conservar una alta continuidad de la atención (es
decir, una fuerte relación paciente-proveedor), los horarios para los pacientes ya presentes
en el sistema (llamado pacientes existentes) tienen que permanecer sin cambios (mismo
proveedor asignado, misma hora de visita y días).

7
Desarrollo del problema:

Modelo matemático:

(M P ) :max ∑ δρ (1)
p ∈P

s . t . ∑ xa , p=¿ δρ ¿ ∀ ρϵ P (2)
a∈ A

Y a , p ,d ≤ xa , p ∀aϵ A ,∀ pϵ P, ∀d ϵ D (3)

∑ a ∑ Y a , p ,d =¿ Vρδρ ¿ ∀ ρϵ P (4)
a∈ A d∈ E

xa, p = 0 ∀ a ϵ A , ∀ p ϵ P , Q p ⊈ Qa (5)

y ∈KP ∀pϵP (6)

δ P , x a , Y a , ∈ { 0,1 }
P, P ,d
∀aϵ A ,∀ pϵ P, ∀d ϵ D (7)

En MP, la función objetivo:

(1) maximiza el número de pacientes visitados. Las restricciones (2) y (3) son las
restricciones de convexidad que vinculan las variables, y la restricción (4) impone el
número de visitas requerido por paciente. Las restricciones (5) garantizan que se respeten
los requisitos y las competencias, y las restricciones (6) controlan los conjuntos de días
permitidos para cada paciente. Por último, las restricciones (7) son las restricciones
binarias.
En este modelo se introducen las variables sp, que corresponden al tiempo de visita del
paciente p, y el parámetro Vd, que es igual al número de pacientes visitados el día d (es
decir, ‫׀‬P(Spa),d‫)׀‬.

Para cada paciente programado se debe determinar el proveedor asignado, los días de la

visita y el tiempo de esta. Estas decisiones deben tener en cuenta las condiciones de los

8
pacientes existentes. Las visitas programadas de estos pacientes implican enviar siempre el

mismo proveedor, a la misma hora y al mismo paciente; a fin de construir una relación

entre ellos y mejorar la experiencia del paciente.

Además en este modelo se restringen las ventanas de tiempo de los pacientes según la del
proveedor definiendo r 0 p = máx(ra, rp) y d 0 p = min(da, dp).

En esta formulación, la n objetivo (8) es 0 porque simplemente quiere comprobar que existe

una solución. Las restricciones (9) aseguran que el proveedor comienza y termina cada día

en su casa.

Esto significa que para cada a, el recorrido comienza en v = 1, termina en v = Vd +2v y se

visita al primer paciente en la posición v = 2 y el último paciente en la posición n v = Vd +

1. Restricciones (10) asegurarse de que se visiten todos los lugares y las restricciones (11)

hacen cumplir las ventanas de tiempo de los pacientes.

9
Se tienen en cuenta las limitaciones de tiempo de viaje. Por restricciones (12) y el tiempo

máximo de trabajo por restricciones (13). Finalmente, los dominios de las variables está n

definidos por restricciones (14)

(𝑆𝑃𝑎)∶max0 (8)

π d , 1=l a , π d , ν d +2=l a ∀𝑑 𝜖 𝐷 (9)

s . t . alldifferent { π d , v ∨v=1 ,.. , V d +2 } ∀𝑑 𝜖 𝐷 (10)

' ' ∀𝑝∈𝑃(𝑆𝑃𝑎) (11)

r p ≤ s P ≤ d p−du r P

s π +dur π +t π
d ,v d ,v d ,v, π d ,v+ 1 ≤ sπ d ,v+ 1
∀𝑑 𝜖 𝐷,𝑣=1,..,𝑉𝑑+ 1 (12)

s ∑ ¿¿¿ (13)
d∈ D

π ⅆ , v ∈ P(SPa ), d ∪ l a ∀𝑑 𝜖 𝐷,𝑣=1,..,𝑉𝑑+ 2 (14)

Subproblema

El subproblema SP se define para cada proveedor individualmente y tiene que hacer frente
a todos los problemas de enrutamiento (tiempo de viaje, visita consistencia, horas extras,
ventanas de tiempo).

Dependiente en la dificultad del problema (tamaño de las ventanas de tiempo, número de

pacientes para programar), esta gestión simultánea de todas esas restricciones podría
conducir a un tiempo de cálculo excesivo. Para evitar este problema, pro- plantear una
resolución de subproblema alternativa que permita dividir la resolución en dos pasos.

10
El primer paso solo verificará el tiempo de viaje y el tiempo ganado. restricciones de dows,
el segundo resolverá todo el subproblema propuesto en la sección anterior. Para describir
este subproblema de dos pasos, presentamos la formulación de programación de
restricciones del problema diario.
El diario subproblema (SPad anuncio) es como sigue:

( SPa , d ) :max 0 (15)

s . t . alldifferent { π v ∨v=1 ,.. , V d +2 } (16)

π 1=l a , πv ⅆ +2=l a (17)

' '
r p ≤ s P ≤ d p−du r P ∀𝑝 ∈ 𝑃(𝑆𝑃𝑎),d (18)

s π +dur π +t π
v v v, π v+ 1 ≤ sπ v+ 1
v=1 ,.. , V d +1 (19)

π v ∈ P( SPa ) ,d ∪ l a ∪ l a ' v=1 ,.. , V d +2 (20)

Según esta formulación, el subproblema alternativo resuelve ahora primero el problema

para cada día de forma independiente (SPa,d). El tiempo máximo de trabajo semanal del

proveedor y las restricciones de consistencia no se consideran (restricciones 11 y 13). Si se

encuentra una ruta factible para cada día, se resuelve el subproblema completo (SPa), de lo

contrario se crea un corte de factibilidad para cada día no factible.

Problema maestro

A continuación, presentamos la nueva formulación del LBBD basada en Ω. La variable δp

sigue correspondiendo a la aceptación del paciente y dejemos que xω sea 1 si se selecciona

11
el patrón de visita ω. Finalmente, ttω, ω0 corresponde al tiempo de viaje entre las

locaciones de los pacientes asociados a los patrones ω y ω.

( PBF ) :max ∑ δρ (21)

p ∈P

s . t . δp= ∑ xωp ∀𝑝 ∈ 𝑃 (22)

ωp ∈Ωp

x ω +x ω' ≤1 ∀ (ω, ω’) ∈Ω, Dω Ռ, Dω` ≠ Ø, Sω + ttω , ω' > Sω` (23)

δp Є {0,1 } ∀𝑝 ∈ 𝑃 (24)

xω Є {0,1} ∀ω ∈ Ω (25)

Dejar PBF ser la nueva formulación basada en patrones. El problema maestro es un

problema de cobertura de conjuntos definido por (21)–(25). La función objetivo (21)

maximiza el número de pacientes visitados. Las restricciones (22) son las convexas

restricciones de calidad que vinculan las variables de decisión, y las restricciones (23)

hacen cumplir el tiempo de viaje entre pacientes.

Las restricciones (24)–(25) son las restricciones binarias restricciones Este nuevo problema

maestro incluye todas las restricciones (asignación de proveedor a paciente, visitas

consistentes, número requerido de visitas su, tiempo de viaje, requisitos del paciente)

excepto por las restricciones en el tiempo de trabajo de los proveedores, que se cumplen en

los subproblemas.

12
Descomposición de Dantzig-Wolfe
Como se describe en la introducción, los métodos de sucursal y precio ampliamente

utilizados para resolver el problema de programación de atención médica en el hogar

(Gamst & Jensen (2012), Trautsamwieser & Hirsch (2014)).

Para cada solución factible, podemos definir el horario del proveedor por el subconjunto de

patrones que se ha asignado a este proveedor. Por lo tanto, el horario de un proveedor

consiste en patrones de visitas que satisfacen los viajes y el tiempo de trabajo restricciones

Usamos esta agregación de patrones (es decir, los horarios) para construir la tercera

formulación, una descomposición de Dantzig-Wolfe. Introducimos ᴧ, el conjunto de

horarios factibles de los proveedores, y al subconjunto de horarios factibles para el

proveedor a (con ᴧ = Uᴧa). Sean λ el número de pacientes visitados por horario λ. Sea vλ,p

igual a 1 si se visita al paciente p por horario λ y 0 en caso contrario. Finalmente, definimos

la variable de decisión xλ, que es igual a 1 si se selecciona el horario λ del proveedor y 0 en

caso contrario. La formulación de partición del conjunto de asignaciones (ASP) es una

fórmula de Dantzig-Wolfe descomposición y se expresa de la siguiente manera:

( ASP ) :max ∑ nλxλ

λ∈ λ
(26)

s . t . ∑ xλ ≤1 ∀𝑝 ∈ 𝑃 (27)
λ∈ λ

s . t . ∑ vλ , pxλ ≤ 1 ∀p ∈ P (28)
λ∈ ᴧ

xλ Є {0,1} ∀λ ∈ ᴧ (29)

13
La función objetivo (26) maximiza el número de pacientes programados. Las restricciones

(27) aseguran que haya como máximo un horario por proveedor, y las restricciones (28)

aseguran que haya como máximo un programa por paciente. Finalmente, las restricciones

(29) son las restricciones binarias

Formalmente, sea:

(P) mín z = c1 ・ x1 + c2 ・ x2 + ... + cr ・ xr

s.a A1 ・ x1 + A2 ・ x2 + ... + Ar ・ xr = b0
B1 ・ x1 = b1
B2 ・ x2 = b2
Br ・ xr = br
x1, x2, ..., xr r ≥ 0

La descomposición de Dantzig-Wolfe se aplica a problemas lineales en que existe un grupo de

restricciones generales que involucran todas las variables y grupos de restricciones que afectan a

subconjuntos disjuntos de variables (estructura diagonal en bloque).

donde hay m0 restricciones generales y mj que involucran a la variable (vectorial) xj y además:

cj, xj ∈ IRnj Aj ∈ IRm0×nj

b0 ∈ IRm0 bj ∈ IRmj
Bj ∈ IRmj×nj

aplicar el principio de descomposición y aprovechar la estructura específica del problema

para crear una descomposición más eficiente: la idea es que en lugar de resolver un

subproblema grande, resuelva los subproblemas más pequeños

14
En el siguiente diagrama, se presentan 11 trayectos posibles como ejemplo. El problema de la ruta
más corta entre pacientes para ir de A hasta F (los trayectos se pueden ejemplificar en comunas,
regiones, etc.).

Las distancias de la ruta; los números interlineales, representan los kilómetros que tiene se tiene que
recorrer entre pacientes.
Figura 2: Diagrama de asignación de ruteo para pacientes.

Tabla 2. Resolución de problema (Utilizando Solver).

Respecto a lo visto con la descomposición de Dantzig-Wolfe, se mantienen dos condiciones que se
aplicarán en Excel. Se le dará el valor 0 a “A” y -1 a “F”, las demás rutas serán representadas bajo
la condición con valor 0.

15
En la tabla anterior, se visualiza que, al restringir las condiciones con las distancias, los valores 1
determinados en la columna “Ruta” refieren al trayecto más corto.
Por lo tanto, la ruta más corta será de “A”-“D”, “D”-“E” y “E” hasta “F”.

CONCLUSIÓN

Sin duda alguna los servicios de atención domiciliaria reducen el flujo de pacientes en los
hospitales y reduce el costo de la atención (Macintyre et al., 2002), por lo tanto, la
maximización del recurso debe ser implementada y mejorada, reduciendo con esto
hospitalizaciones y camas ocupadas en los recintos hospitalarios.

Como una forma de resolver eficientemente los problemas, las agencias de atención
domiciliaria suelen dividir a los pacientes por área y resolver los problemas de
programación por equipo de proveedores (5 a 15 proveedores).

Se diseñó una metodología para tratar los problemas Optimización Combinatoria, dicha
metodología dista de la forma en que normalmente los libros clásicos tratan estos temas ya
que los problemas se resuelven de una forma intuitiva, sencilla y práctica, la cual fue
estructura de la siguiente manera: a) Introducción; b) Desarrollo del problema; c)
Formulación matemática del problema; d) Resultados y e) Bibliografía.

Entonces, ha evolucionado para integrar restricciones más prácticas como la maximización

de las preferencias de los pacientes y cuidadores (Braekers et al., 2016), el balance de la
carga de trabajo (Bertels & Fahle, 2006), visitas compartidas (Frifita et al., 2017) o
incluso el tiempo de viaje dependiente del tiempo (Rest & Hirsch, 2016). Algunos
métodos exactos (Gamst & Jensen, 2012; Trautsamwieser & Hirsch, 2014; Borsani et
al., 2006; Torres-Ramos et al., 2014) han sido propuestas.
Según los experimentos, la propuesta matemática podría permitir a las agencias "jugar" con
el algoritmo en or-der probar diferentes parámetros (modificación de las ventanas de
tiempo, conjunto de proveedores tomados en cuenta). Esto podría ayudarlos a probar
diferentes opciones y optimizar su nivel de servicio.

16
Por lo que la optimización nos lleva a la mejor elección y selección de elementos
disponibles para la maximización de nuestros recursos con el fin de mantener las atenciones
medicas y descongestionar los hospitales.
Bibliografia:

Sivalli Campos C.M., Buffette Silva B.R., Forlin D.C., Trapé C.A., de Oliveira Lopes I.
Práticas emancipatórias de enfermeiros na Atenção Básica à Saúde: a visita domiciliar
como instrumento de reconhecimento de necessidades de saúde. Rev Esc Enferm USP
[Internet]. 2019;48(Spe):119–125. [consultado 28 Ene 2019].

CENSO . (2017). CENSO 2017 REVELÓ QUE MÁS DEL 16% DE LA POBLACIÓN
CHILENA ES ADULTO MAYOR. 2022, de Ministerio de Desarrollo social y Familia
Sitio web: http://www.senama.gob.cl/noticias/censo-2017-revelo-que-mas-del-16-de-la-
poblacion-chilena-es-adulto-mayor

Giraldo Osorio A., Betancurth Loaiza D.P., Orozco Castillo L., Mejía Alarcón A.M.
Fundamentación de la visita domiciliaria desde un enfoque de enfermería familiar y
cultural. Rev Cienc Cuidad.  2020;17:99–111.

Contel, J.C.. (2021). Atención domiciliaria: La necesidad de más atención integrada que
nunca. La Gestión Importa. Salud y Sociedad. 28-06-2021. http://lagestioimporta.cat/arees/
atencion-domiciliaria-la-necesidad-de-masatencion-integrada/?lang=es

Marino Germán Narváez Reyes. (13 de Junio de 2013). Un Enfoque Basado en Generación
de Columnas para la Planeación de Personal y Asignación de Rutas en un Programa de
Atención Médica Domiciliaria. Bogotá, Colombia. Departamento de ingeniería Industrial
Universidad de los Andes.
https://repositorio.uniandes.edu.co/bitstream/handle/1992/12159/u670955.pdf?sequence

17
18