Mejorar la eficiencia en el uso de los pabellones del Hospital Clínico de la Universidad de Chile José Joaquín Aguirre mediante análisis estadístico, machine learning y simulación - Tesis de Magíster

Aug 6, 2026

Subido por Violet

La gestión eficiente de los pabellones quirúrgicos busca equilibrar objetivos financieros, uso de recursos físicos y humanos, y calidad y rapidez en la atención, enfrentando la dificultad de optimizar variables que compiten entre sí. El estudio propone identificar, clasificar y analizar el tiempo disponible en pabellones ambulatorios para formular una política de programación que aumente la ocupación y el número de intervenciones sin incrementar drásticamente el sobretiempo. Se modela el tiempo como categorías de inactivo y ocupado, se estiman fuentes de inactividad y se predice la duración con machine learning, destacando XGBoost por su mejor desempeño; además, la simulación cuantifica mejoras relevantes en ocupación y sobretiempo.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas71

Tiempo de lectura1 h 49 min

AccesoGratis para descargar

Tabla de contenidos

Resumen

Objetivo del estudio

Metodología y variables

Resultados y desempeño de modelos

Política propuesta y simulación

UNIVERSIDAD DE CHILE FACULTAD DE CIENCIAS F´ISICAS Y MATEM´ATICAS DEPARTAMENTO DE INGENIER´IA INDUSTRIAL MEJORAR LA EFICIENCIA EN EL USO DE LOS PABELLONES DEL HOSPITAL CL´INICO DE LA UNIVERSIDAD DE CHILE JOS´E JOAQU´IN AGUIRRE MEDIANTE AN´ALISIS ESTAD´ISTICO, MACHINE LEARNING Y SIMULACI´ON TESIS PARA OPTAR AL GRADO DE MAG´ISTER EN GESTI´ON DE OPERACIONES MEMORIA PARA OPTAR AL T´ITULO DE INGENIERO CIVIL INDUSTRIAL FELIPE SEBASTI´AN SALAZAR ROCHA PROFESOR GU´IA: MARCELO OLIVARES ACU˜NA PROFESORA CO-GU´IA: SUSANA MONDSCHEIN PRIETO COMISI´ON: SIM´ON MATURANA MOLINA Este trabajo ha sido parcialmente financiado por Instituto Sistemas Complejos de Ingenier´ıa SANTIAGO DE CHILE Resumen El manejo eficiente de los pabellones quir´urgicos implica cumplir con diversos objetivos. Estos abarcan aspectos financieros, uso de recursos f´ısicos y humanos, la calidad y rapidez en la atenci´on a los pacientes, entre otros. La complejidad e interrelaci´on de estos objetivos dificulta encontrar una soluci´on ´optima, ya que es necesario equilibrarlos, a veces, en un conflicto mutuo. A modo de contexto, las utilidades reportadas por el servicio de pabell´on representan el 40% de las ganancias del hospital [1], por lo que un uso ineficiente de estos espacios impacta directamente en la estabilidad financiera. Este trabajo de investigaci´on tiene por objetivo principal identificar, clasificar y analizarel uso del tiempo disponible de los pabellones ambulatorios con el prop´osito de proponer unapol´ıtica de programaci´on que permita aumentar la ocupaci´on y la cantidad de intervenciones realizadas sin provocar un aumento dr´astico en el sobretiempo. Este objetivo se persigue mediante la divisi´on del uso del tiempo disponible en el pabell´onen categor´ıas de inactivo y ocupado. La categor´ıa inactivo se subdivide en retraso al inicio del d´ıa, entre actos quir´urgicos y al final del d´ıa. Adem´as, se calcula el error de estimaci´on de la duraci´on de los procedimientos quir´urgicos junto con el sobretiempo. De esta manera, se logra comprender las fuentes de inactividad y proponer una pol´ıtica de programaci´on que aborde dichos m´argenes identificados. Adem´as, se emplean algoritmos de machine learning que incluyen variables del paciente, procedimiento y cirujano para predecir la duraci´on de los actos quir´urgicos con mayor exactitud, con un enfoque de implementabilidad y programaci´on m´as eficiente de los pabellones reduciendo la probabilidad de sobretiempo. Como resultado, se ha determinado que la ocupaci´on promedio de los pabellones duranteel a˜no 2022 oscila entre el 66 .7% y el 74 . 15% . En relaci´on con las fuentes de ineficiencia, se observa que los tiempos entre actos quir´urgicos son mayores cuando intervienen cirujanos distintos en dos procedimientos consecutivos, alcanzando una diferencia promedio de 21 minutos. Respecto al algoritmo de machine learning, el de mejor rendimiento fue XGBoost logrando reducir el MAPE hasta un 23 .01% . Este an´alisis ha derivado en una pol´ıtica que se enfoque en reducir los tiempos inactivos, agrupe cirug´ıas del mismo cirujano, programe intervenciones en el tiempo liberado y realice la predicci´on de la duraci´on de los procedimientos mediante machine learning. Utilizando herramientas de simulaci´on, se cuantific´o el margen de mejora, logrando un aumento de laocupaci´on del pabell´on 12B a 81.4%, conteniendo el porcentaje de d´ıas en que el pabell´on tuvo sobretiempo en el turno de las 16:00 bajo el 19 .66% . Muchas gracias a los que estuvieron, a los que est´an y a los que estar´an. Agradecimientos Quiero comenzar expresando mi profundo agradecimiento a mi familia, especialmente amis padres, Franklin Salazar Fuentes y Berta Rocha Rocha. Ellos han sido y seguir´an siendo un pilar fundamental en mi vida y en mi formaci´on acad´emica. Siempre me han permitido dedicarme por completo a mis estudios, sin preocupaciones adicionales, proporcion´andome un ambiente pro

Preguntas frecuentes

Cuál es el objetivo principal del trabajo sobre los pabellones ambulatorios?

Identificar, clasificar y analizar el uso del tiempo disponible para proponer una política de programación que incremente la ocupación y la cantidad de intervenciones sin aumentar drásticamente el sobretiempo.

Cómo se estructura el análisis del tiempo disponible en el pabellón?

Se divide en categorías de inactivo y ocupado. El inactivo se subdivide en retraso al inicio del día, entre actos quirúrgicos y al final del día, además de considerar el error de estimación de duración y el sobretiempo.

Qué resultados se obtienen con los modelos de machine learning y la política propuesta?

La ocupación promedio en 2022 se ubica entre 66,7% y 74,15%. El mejor modelo es XGBoost, que reduce el MAPE a 23,01%, y la política logra aumentar la ocupación del pabellón 12B a 81,4% con días en sobretiempo a las 16:00 por debajo de 19,66% mediante simulación.

Aug 6, 2026

Subido por Violet