Introducción

Con la incorporación de los grupos relacionados con el diagnóstico (DRG) en las políticas de pago de seguros dentro de la reforma sanitaria china, la gestión operativa hospitalaria ha adquirido una relevancia y especificidad crecientes. En este contexto, los hospitales públicos terciarios enfrentan el desafío de equilibrar prioridades como el índice de combinación de casos, la utilización de camas y el crecimiento de ingresos basado en el valor. Para abordar estas exigencias, se desarrolló en colaboración con un hospital público de 1500 camas un mecanismo de apoyo a la decisión fundamentado en datos, diseñado para acompañar todo el proceso, desde la planificación estratégica hasta la operación, favoreciendo mejoras bajo restricciones de recursos.

Este mecanismo posibilita la transformación de métricas de rendimiento hospitalario en planes de acción concretos, capaces de adaptarse a objetivos no alcanzados y ajustarse a las fluctuaciones estacionales de la demanda. Para ello, se emplearon modelos de programación mixta entera que permiten ponderar objetivos contrapuestos y alcanzar la excelencia operativa. Además, se implementó una retroalimentación bidireccional que corrige desajustes entre la dirección y los departamentos, alineando los objetivos institucionales con la ejecución operativa. El empleo de datos desidentificados demostró que el sistema puede mejorar métricas de rendimiento a través de escenarios de planificación iterativa, con compensaciones razonables. Las investigaciones futuras buscan expandir el marco hacia una solución integral que optimice la planificación de recursos a mediano y largo plazo, ajustando dinámicamente oferta y demanda y propiciando un nuevo modelo operativo hospitalario.

Evolución de las Métricas de Rendimiento Hospitalario

Desde 2019, la implementación de los DRG ha impulsado la transformación del sistema sanitario bajo la política nacional de «desarrollo de alta calidad de hospitales públicos». Si bien esto ha permitido una reducción de los pagos, las organizaciones sanitarias enfrentan importantes desafíos operativos. En 2022, el sistema gestionó 8.400 millones de consultas y 246,9 millones de hospitalizaciones, sumando a la presión el requerimiento de mejorar eficiencia y cumplir con estrictos marcos de evaluación que abarcan 56 métricas en calidad, coste y experiencia del paciente.

Los hospitales terciarios, responsables de la atención avanzada, administraron 2.230 millones de visitas anuales en 2022, debiendo armonizar prioridades clínicas y metas operativas bajo exigentes métricas de desempeño. Estas incluyen el índice de mezcla de casos (CMI), la duración media de estancia (ALOS), la tasa de cirugía, la tasa de cirugía de grado IV (G4SR) y los ingresos de servicios de consulta médica (RMCS), entre otras. Dichas métricas evalúan calidad, capacidad técnica, eficiencia y eficacia, alineadas al nivel jerárquico del hospital.

Sin embargo, la aplicación rígida de estas métricas suele generar paradojas operativas: la relación entre la evaluación de desempeño y la operación hospitalaria es muchas veces confusa, y la contención de costos puede conducir a resultados contradictorios, como el fomento de competencia interna, agotamiento profesional y demanda inducida. Además, la competencia por recursos entre especialidades genera ineficiencias sistémicas y desalineación entre los objetivos estratégicos y las realidades departamentales. La gestión reactiva y retrospectiva, predominante en muchos hospitales, muestra sus limitaciones ante picos de demanda, indicando la necesidad de una toma de decisiones basada en datos para definir objetivos y planificar acorde a métricas de rendimiento.

Enfoque Basado en Datos para la Gestión Operativa

El enfoque basado en datos es clave para salvar las brechas entre los objetivos estratégicos y las restricciones de recursos hospitalarios, como la escasez de camas. Herramientas como el aprendizaje automático y la investigación operativa analizan datos históricos para mejorar la utilización de recursos. Por ejemplo, sistemas inteligentes en urgencias han logrado reducir el tiempo medio de espera de los pacientes y simulaciones de flujo permiten identificar cuellos de botella ante picos de demanda. Estos métodos de ingeniería ayudan a conciliar objetivos cuantificados con limitaciones reales, aportando soluciones prácticas y prospectivas para la mejora del desempeño.

Objetivos de la Investigación

• Desentrañar las relaciones entre métricas de rendimiento: Se busca comprender cómo interactúan las métricas en el ecosistema hospitalario y cómo la planificación de la mezcla de casos impacta en el rendimiento general.
• Desarrollo de un sistema de planificación estratégica continua: El sistema genera proyecciones mensuales por departamento, permitiendo una planificación proactiva y el ajuste periódico de objetivos en función del desempeño y la disponibilidad de recursos.
• Establecimiento de un marco integrado con retroalimentación: El marco conecta la visión estratégica institucional con las operaciones departamentales, garantizando asignación de recursos alineada a prioridades y recopilación de información ascendente para la toma de decisiones y la planificación futura.

En conjunto, la integración de datos operativos reales y métricas de rendimiento optimiza la asignación de recursos, refuerza la capacidad de respuesta y favorece la sostenibilidad.

Marco Metodológico y Implementación

El marco propuesto utiliza investigación operativa y simulaciones para optimizar la planificación de recursos en tres escenarios:

• Escenario 1: Satisfacer necesidades de pacientes mejorando la eficiencia y sostenibilidad financiera, ajustando planes de mezcla de casos para incrementar el RMCS.
• Escenario 2: Impulsar el desarrollo disciplinario mediante la atención estratégica de casos complejos, favoreciendo el crecimiento académico de las especialidades.
• Escenario 3: Fortalecer el rendimiento quirúrgico alineando la planificación de mezcla de casos con el aumento de la tasa general de cirugía y la G4SR.

El proceso metodológico abarca tres etapas: fijación de objetivos anuales desglosados en metas mensuales, planificación de la mezcla de casos mediante programación mixta entera bajo restricciones reales, y revisión periódica con ajuste de objetivos según resultados. El flujo de datos involucra la extracción de información histórica, proyecciones de volumen de pacientes (mediante el método Holt-Winters) y ajustes basados en la comparación entre resultados planificados y observados, apoyados por simulaciones Monte Carlo para analizar el impacto de los cambios en la mezcla de casos.

Criterios de Evaluación del Sistema

• Operabilidad: Capacidad para traducir análisis complejos en recomendaciones aplicables bajo restricciones reales.
• Robustez: Garantía de desempeño consistente ante interrupciones operativas, equilibrando planificación y viabilidad práctica.
• Agilidad: Adaptabilidad frente a condiciones cambiantes mediante procesamiento de datos y generación dinámica de soluciones.

El análisis exploratorio de datos revela compensaciones y dependencias entre métricas clave, lo que permite una fijación de objetivos basada en datos y su descomposición mensual, ajustada a tendencias históricas y fluctuaciones de demanda.

Estudio de Caso: Implementación Piloto

La implementación del sistema se realizó en dos departamentos quirúrgicos de alto volumen (A y B) de un hospital público de 1500 camas, de enero a abril de 2024. Los administradores establecieron objetivos anuales y revisaron mensualmente la alineación entre lo planificado y lo real, permitiendo ajustes iterativos y la validación del modelo en la práctica clínica.

Resultados

El análisis de los datos de admisión desidentificados (enero-diciembre 2023) mostró los compromisos entre métricas al perseguir distintos objetivos. Por ejemplo, maximizar el volumen de pacientes reduce la complejidad quirúrgica (menor G4SR y CMI), mientras que priorizar solo los ingresos puede afectar otras métricas de calidad. La planificación mensual ajusta en tiempo real los planes futuros ante desviaciones acumuladas, redistribuyendo objetivos para compensar déficits.

El uso del modelo de programación mixta entera permite determinar, en minutos, el número óptimo de pacientes por categoría DRG y proyectar el impacto de las desviaciones en cada métrica, facilitando la evaluación de sensibilidad y el ajuste de recursos. La comparación entre los planes propuestos y la ejecución real mostró coherencia en la distribución de pacientes y una mejora en las métricas clave, aunque la efectividad varió en periodos festivos o con inestabilidad laboral.

Conclusiones y Perspectivas Futuras

La integración de métodos quantitativos y datos en tiempo real en un sistema de apoyo a la decisión de circuito cerrado permite traducir objetivos estratégicos anuales en planificación mensual ajustable, alineando metas institucionales con restricciones y oportunidades operativas. El sistema facilita la priorización de grupos de pacientes con mejor rendimiento clínico y el equilibrio entre sostenibilidad y calidad, ajustando recursos ante variaciones de la demanda.

No obstante, se identifican limitaciones: la omisión de restricciones reales de recursos (tecnología, imagenología) y la dependencia de una infraestructura informática robusta. Futuras investigaciones buscarán integrar factores de calidad y seguridad del paciente, así como restricciones reales, para una visión holística de la operación hospitalaria. La expansión del sistema permitirá una planificación de recursos más precisa, mejorando el flujo de pacientes y la eficiencia, sin sacrificar la excelencia en la atención.