Programación de Cirugías

Multi- Objetivo
considerando niveles de
prioridad.
 Milton Alexander
Londoño Roman
Ingeniero Industrial – Universidad del Valle.
Tecnólogo en Sistemas – Universidad del Valle.
Est. Maestría en Ing Industrial – Universidad del
Valle.
Asistente de docencia en Escuela Ingeniería
Industrial.
• Introducción
• Marco referencial
• Caso de estudio
• Modelo matemático 1 Contenido
• Resultados
• Modelo matemático 2
• Resultados
• Conclusiones
Introducción
Ingeniería
Industrial

Logística
Hospitalaria

Programación
de Cirugías

Cirugías
Electivas

Modelo matemático para la

Programación de cirugías electivas en
una IPS del centro del Valle del Cauca
Introducción
Afiliados al Régimen Subsidiado - 1998 a 2018
en el Valle Del Cauca
Índices demográficos
2,000,000 Valle Del Cauca
1,800,000
70
1,600,000 58.18
60
1,400,000 50
1,200,000 40
1,000,000 30 24.53
800,000 20 11.98 15.36
10
600,000
0
400,000 1980 1985 1990 1995 2000 2005 2010 2015 2020
200,000 Índice de juventud
- Índice de envejecimiento
1995 2000 2005 2010 2015 2020

Fuente: El Departamento Administrativo Nacional de Estadística (DANE).

Introducción
Niveles de decisión en la Programación de quirófanos

Nivel
estratégico

Nivel Táctico

Nivel Operativo
Introducción
Estrategias de programación.
Clasificación del paciente.
Abierta
Urgente
Cerrada

Electivo
Mixta
Introducción
Características del problema

Incertidumbr
e

Función
Etapas
objetivo
Marco referencial

Técnicas Colonia de Algoritmos Búsqueda Algoritmos

exactas hormigas genéticos local construtivos

(Guido & (Conforti et al., (Meskens et al., (Molina-Pariente

(Xiang, 2017)
Conforti, 2017). 2010). 2013). et al., 2015).

(Ribeiro, Leoneti, (Guido & (Duenas et al., (Vali-Siar et al.,

& Costa, 2018). Conforti, 2017). 2017) 2018).

(Vali-Siar,
Gholami, & (Vali-Siar et al.,
Ramezanian, 2018).
2018).
Caso de estudio
CANTIDAD / SEMANA ÍNDICE

Médicos 26 médicos m

Tiempo 5 días d
RECURSOS
4 salas s
Salas
55 horas t

DEMANDA Pacientes 398 pacientes p

Fuente: (Aristizábal Cataño et al).

 Modelo matemático 1
 Conjuntos
 

• Pacientes a programar, indexados por el subíndice p.

• Médicos disponibles para realizar las cirugías, indexado por el subíndice m.
• Número de salas de cirugía disponibles, indexado por el subíndice s.
• Días en los que se llevarán a cabo las cirugías, indexado por el subíndice d.
• Periodos de tiempo durante el día, indexado por el subíndice t.
 Modelo matemático 1
 Parámetros Capmpm
Toop
1 2 3 4 5

W
dtp P
medmtd

Capsps

2 RT
2 WS
 Modelo matemático 1
7am
Variables de Decisión mdtmd

idtsd
tsp
4 L M M J V
5 0 0 1 0 0
6
7
Xpsmtd tep
Ypsd
Upm

6pm
Modelo matemático 1
 Función Objetivo Minimizar el tiempo de espera de la cirugía y el tiempo de
 

inactividad de las salas por semana.

 Modelo matemático 1
 Restricciones
  𝑆 𝑀 𝐷  𝑀 𝑇

∑ ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 1 ∀ 𝑝 ,𝑡 (1) ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 𝑇 ∗𝑌 𝑝𝑠𝑑 ∀ 𝑝 , 𝑠 , 𝑑 (5)

𝑠 𝑚 𝑑 𝑚 𝑡

  𝑃 𝑀   𝑆 𝐷 𝑀

∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 1 ∀ 𝑠 , 𝑡 , 𝑑 (2) ∑ ∑ 𝑌 𝑝𝑠𝑑=∑ 𝑈 𝑝𝑚 ∀ 𝑝

𝑠 𝑑 𝑚 (6)
𝑝 𝑚

  𝑃 𝑆   𝑆 𝑀 𝑇 𝐷 𝑀

∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 1 ∀ 𝑚 , 𝑡 , 𝑑 (3) ∑ ∑ ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 =𝑇𝑜𝑜 𝑝 ∗ ∑ 𝑈 𝑝𝑚 ∀ 𝑝 (7)

𝑝 𝑠 𝑠 𝑚 𝑡 𝑑 𝑚

  𝑆 𝐷   𝑆

∑ ∑ 𝑌 𝑝𝑠𝑑 ≤1 ∀ 𝑝 (4) ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 𝑚𝑒𝑑𝑚𝑡𝑑 ∗𝑈 𝑝𝑚 ∀ 𝑝 , 𝑚 ,𝑡 , 𝑑 (8)

𝑠 𝑑 𝑠
Modelo matemático 1
 Restricciones
  𝑆 𝑇 𝐷

∑∑∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 𝐶𝑎𝑝𝑚 𝑚𝑝 ∗ ( 𝑡𝑒 𝑝 − 𝑡𝑠 𝑝 ) ∀ 𝑝 ,𝑚

(9)
𝑠 𝑡 𝑑
  𝑀 𝑇 𝐷

∑∑∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≤ 𝐶𝑎𝑝𝑠 𝑠𝑝 ∗ ( 𝑡𝑒 𝑝 − 𝑡𝑠 𝑝 ) ∀ 𝑝 , 𝑠 (10)

𝑚 𝑡 𝑑
 
𝑆 𝑀 𝐷 (11)

 
𝑡𝑠 𝑝 ≤𝑡 ∗ ∑ ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 +𝑇 ∗¿ ¿ ¿ ¿
𝑆 𝑀 𝐷
(12)
𝑡𝑒 𝑝 ≥ (𝑡 +1) ∑𝑠∑ 𝑚
∑𝑋𝑑 𝑝𝑠𝑚𝑡𝑑 ∀ 𝑝 ,𝑡
𝑠 𝑚 𝑑
Modelo matemático 1
 Restricciones

 𝑀 𝑆 𝑇 𝐷
Naturaleza de las variables
 

∑ ∑ ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ≥𝑡𝑒 𝑝 −𝑡𝑠 𝑝 ∀ 𝑝 (13)

𝑚 𝑠 𝑡 𝑑
  𝑃 𝑀 𝑇
𝑖𝑑𝑡 𝑠𝑑 =𝑅𝑇 − ∑ ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ∀ 𝑠 ,𝑑 (14)
𝑝 𝑚 ¿𝑡
¿

  𝑇 𝑇 𝑃 𝑆
𝑚𝑑𝑡 𝑚𝑑 =∑ 𝑚𝑒𝑑 𝑚𝑡𝑑 − ∑ ∑ ∑ 𝑋 𝑝𝑠𝑚𝑡𝑑 ∀ 𝑚 , 𝑑 (15) 0
𝑡 𝑡 𝑝 ¿𝑠
¿
0
0
 Resultados

Resultados de las Instancias Corridas Número de variables y restricciones de las instacias

corridas
40 12%
1200000 300000
277610
35 1057046
10%
1000000 250000
30

Medida de desempeño
8% 800000 200000

Restricciones
25 171040
643840

Variables
600000 150000
GAP

20 11% 6%

15 400000 345290 100000

4% 93470
10 200000 152256 50000
6%
8802
27870 42696
2%
5 0 0
1 2 3 4 5
0% 0% 0%
0 0% Número de pacientes a programar
1 2 3 4 5
GAP Bound Objetivo Variables Restricciones

Fuente: (Aristizábal Cataño et al).

 Resultados

Fuente: (Aristizábal Cataño et al).

 Resultados

Fuente: (Aristizábal Cataño et al).

Modelo matemático 2
• Formulación del modelo mátematico
Fase I

• Generación de soluciones con épsilon restricciones

Fase II

• Selección de frontera de pareto

Fase III

• Elección de una solución final

Fase IV

• Realizar un análisis estadístico de las soluciones

Fase V dominantes

(Londoño, Orejuela, & Gil, 2020)

Modelo matemático 2
 Conjuntos
 

• Conjunto de pacientes a programar, indexados por el subíndice i.

• Días disponibles para las cirugías, indexado por el subíndice d.
• Conjunto de salas de cirugía disponibles, indexado por el subíndice q.
• Conjunto de Médicos, indexado por el subíndice m.
• Lista de pacientes i, programados con el médico m.
Modelo matemático 2
 Parámetros
  • dismd: Porcentaje de disponibilidad en términos del
• Último instante para programar una cirugía. tiempo asociado al médico m, en el día d
• duri Duración necesaria para la cirugía del paciente i. • Tiempo requerido para realizar todas las cirugías del
médico M.
• dti: Último día d para realizar la cirugía del paciente i.

 
 Variables de Decisión
Modelo matemático 2
 Función Objetivo
(1)

 
(2)

(3)

 
(4)

(5)
Modelo matemático 2
 Restricciones

(7)

 
(8)

(9)

(10)

(11)
Modelo matemático 2
Algoritmo para generar soluciones con épsilon restricciones.

(YV, Lasdon, & DA, 1971)

Resultados
Resultados por ejecución y por medida de desempeño.
Número de Pacientes Tardanza total % No operativo de
no atendidos en días los médicos

8 139 14.86
Ejecución 1
8 85 16.83
Ejecución 2
12 164 7.92
Ejecución 3

Valores para obtener épsilon restricciones

Min Max Rango Número Pasos Amplitud
Objetivo 1 8 12 4 25 0.16
Objetivo 2 85 164 79 25 3.16
Objetivo 3 7.92 16.6 6.9 25 0.356
(Londoño, Orejuela, & Gil, 2020)
Resultados
Grafica de soluciones con su frontera de Pareto.

(Londoño, Orejuela, & Gil, 2020)

Resultados
Soluciones dominantes
NO TARDANZA NO
ATENDIDOS TOTAL OCUPACIÓN PAC/MED
1 8 85 11.58% 0.5220
2 8 86 10.53% 0.5159
3 8 87 10.16% 0.5137
  ∑ (1− ( ∑ Y idq ∗ dur 𝑖
4 8 88 9.69% 0.5111
𝑃𝐴 𝐶 / 𝑀 𝐸𝐷=
𝑖 ∈𝐼 𝑑∈ 𝐷; 𝑞𝜖𝑄 ))
5 8 90 9.31% 0.5089 ¿¿

6 9 94 9.02% 0.5707
7 9 94 8.90% 0.5700
8 9 96 8.43% 0.5670
9 9 98 8.18% 0.5655
10 10 103 8.12% 0.6279
11 11 110 7.97% 0.6896
12 12 116 7.92% 0.7518

(Londoño, Orejuela, & Gil, 2020)

Resultados
No Atendidos VS Tardanza total

(Londoño, Orejuela, & Gil, 2020)

Resultados
No atendidos VS % No ocupación médicos

(Londoño, Orejuela, & Gil, 2020)

Resultados
Tardanza total VS % No ocupación médicos

(Londoño, Orejuela, & Gil, 2020)

Resultados
Programación de cirugías propuesta.
Periodos (30 min) 1 2 3 4 5 6 7 8 9 10
Quirófano 1 P8 / M1 P26 / M1 P63 / M11 P53 / M17 P11 / M5
Quirófano 2 P7 / M6 P4 / M6 P3 / M8
Lunes
Quirófano 3 P47 / M19 P23 / M10 P2 / M7
Quirófano 4 P10 / M4 P12 / M4 P34 / M3
Quirófano 5 P16 / M11 P17 / M11 P19 / M8
Quirófano 6 P27 / M9 P39 / M12 P21 / M8 P6 / M16
Martes
Quirófano 7 P29 / M1 P25 / M1 P25 / M1 P28 / M5 P30 / M5 P1 / M5
Quirófano 8 P31 / M3 P22 / M10 P9 / M2
Quirófano 9 P33 / M16 P35 / M16 P15 / M11 P32 / M7
Quirófano 10 P41 / M22 P56 / M6 P51 / M6 P40 / M3 P42 / M13 P44 / M13
Miércoles
Quirófano 11 P60 / M20 P36 / M9 P67 / M18 P45 / M18
Quirófano 12 P59 / M18 P24 / M1 P38 / M8 P43 / M12
Quirófano 13 P57 / M3 P52 / M6 P77 / M25
Quirófano 14 P55 / M3 P61 / M9 P62 / M22 P50 / M16
Jueves
Quirófano 15 P54 / M9 P46 / M15
Quirófano 16 P48 / M21 P68 / M21 P72 / M14
Quirófano 17 P70 / M15 P76 / M22 P69 / M14
Quirófano 18 P64 / M2 P65 / M23
Viernes
Quirófano 19 P73 / M20 P74 / M24
Quirófano 20 P75 / M16 P71 / M9 P66 / M26

(Londoño, Orejuela, & Gil, 2020)

Conclusiones
Recurrir a métodos de modelación matemática para la programación de cirugías electivas representa una gran mejora para
las instituciones prestadoras de servicios de salud puesto que brinda una programación en un horizonte de tiempo amplio, en
menos tiempo que al realizarla de forma manual, además, evita posibles errores de programación de médicos especialistas,
salas quirúrgicas u horas de inicio y terminación de las intervenciones.

En esta investigación se ha propuesto un modelo de programación de cirugías multi-objetivo que considera niveles de
prioridad de los pacientes basado en la complejidad de sus procedimientos. Además, resaltar que esta metodología
considerando múltiples objetivos permitió brindar una solución que mejorar el nivel de servicio y la utilización eficiente de
los recursos. La instancia de aplicación del modelo es derivada de la realidad de un hospital colombiano. Resultados son
prometedores, mostrando las ventajas de realizar herramientas de programación, en este caso, para salas de cirugías electivas.
 Bibliografía
• Amaya, C., Beaulieu, M., Landry, S., Rebolledo, C., & Velasco, N. (2010). Potenciando
la contribución de la logística hospitalaria: tres casos, tres trayectorias.
Management International, 85 - 98.
• Bejarano, M. (2011). Evaluación Cuantitativa en la Eficiencia en las salas de Cirugía.
Rev. Colombia.
• Burkard, R. E. (2009). Assignment Problems.
• Dexter, F., & Macario, A. (2002). Changing Allocations of Operating Room Time From
a System Based on Historical Utilization to One Where the Aim is to Schedule as
Many Surgical Cases as Possible. International Anesthesia Research Society.
• Dorigo, M. (2019). Metaheuristics Network. Obtenido de
http://www.metaheuristics.org/index.php%3Fmain=1.html
• Estupiñan, A., & al., e. (2016). Reglas de Despacho en la Programación de
Procedimientos Quirúrgicos Electivo: Impacto en los indicadores de ocupación y
oportunidad. Ciencia Salud.
 Bibliografía
• Gobernación del Valle del Cauca. (2017). Informe PQR. Gobernación del Valle del
Cauca, 1.
• González, B., Moreno, F., & Dueñas, R. (2016). Optimización de la programación
quirúrgica del cardiocentro "Ernesto Che Guevara" a través de un modelo
matemático. Revista Cubana de Informática Médica.
• Jansson, A., & Delgado, C. (2000). Optimización del proceso de cirugía en hospitales
públicos. Una aplicación de la modelación matemática entera en la prestación de
atenciones quirúrgicas en el hospital el Salvador, Santiago, Chile. Red de Revistas
Científicas de América Latina y el Caribe, España y Portugal.
• Jose M. Molina-Pariente, J. M.-G. (2010). Algoritmos aproximados para la resolución
de la planificación de intervenciones quirúrgicas. QUANTITATIVE METHODS.
• Landa, P., Aringhieri, R., Soriano, P., Tanfani, E., & Testi, A. (2016). A hybrid
optimization algorithm for surgeries scheduling. Sciencie Direct, 103-104.
 Bibliografía
• Leguizamón, P., & Paz, A. (2011). Mejoramiento Del Proceso De Programación De
Cirugías De Una Institución Hospitalaria De La Ciudad De Cali.
• Ministerio de la Protección Social. (2011). Biblioteca Nacional de Indicadores de
Calidad de la Atención en Salud. Ministerio de la Protección Social, 9.
• Ministerio de Salud. (2015). Informe Nacional de Calidad de la Atención en Salud.
Bogotá: Imprenta Nacional de Colombia.
• Ministerio de Salud. (2017). Encuesta Nacional de Evaluación de los Servicios de las
EPS. Bogotá.
• Ministerio de Salud y Protección Social. (2018). La Tutela en Salud. Bogotá.
• Mohammad, V. S., Saiedeh, G., & Reza, R. (2018). Multi-period and Multi-resource
Operating Room Scheduling Under Uncertainty: A Case Study. ELSEVIER.
• Patiño, N., Moreno, M. P., & Toro, E. (2012). Modelamiento Matemático del
Problema de Ocupación de Quirófanos. Revista Colombiana de Tecnologías de
Avanzada.
 Bibliografía
• Pinedo. (2018). Scheduling_Theory, Algorithms, and Systems.
• Rivard, H., Landry, S., & Beaulieu, M. (2002). Hybrid stockless: a case study: Lessons
for health‐care supply chain integration. International Journal of Operations &
Production Management, 412 - 424.
• Ropke, S. (2005). Heuristic and exact algorithms for vehicle routing problems. PhD
thesis, Computer Science Department, University of Copenhagen.
• Rubilar, I. (2016). Algoritmo GRASP para la Programación de Cirugías Electivas en un
Hospital Público Chileno.
• Vijayakumar, B., Parikh, P., Scott, R., Barnes, A., & Gallimore, J. (2013). A dual bin-
packing approach to scheduling surgical cases at a publicly-funded hospital. Sciencie
Direct, 583-591.
• Wolff, P., Durán, G., & Rey, P. (2012). Modelos de Programación Matemática para
Asignación de Pabellones Quirúrgicos en Hospitales Públicos. Revista Ingeniería de
Sistemas.
Contacto

EMAIL
Milton.londono@correounivalle.edu.co