La planificación de la actividad del bloque quirúrgico es un aspecto clave en la organización y el uso de los recursos de cualquier hospital. El hospital HLA Universitario Moncloa (Madrid) e IE Business School han puesto en marcha el Proyecto HLA CirugIA para desarrollar un modelo basado en inteligencia artificial (IA) -análisis de datos y ‘machine learning’- que permita una programación más eficiente de su actividad quirúrgica.
Motivación del proyecto
A pesar de los grandes avances introducidos en los últimos años en la gestión, los hospitales y otros centros sanitarios tienen todavía un importante margen de mejora asociado generalmente a su funcionamiento operativo. En este sentido, destacan dos cifras:
25%
del gasto se desperdicia, según algunos estudios recientes
40%
de los costes de un hospital están vinculados a la cirugía
Una de las herramientas que ha probado ser más efectiva a la hora de ganar eficiencia es lo que se conoce como investigación operativa, que permite planificar eventos, como las intervenciones quirúrgicas, de un modo eficiente. En este sentido, para crear un sistema de planificación de intervenciones en un bloque quirúrgico (‘scheduling’), es imprescindible disponer de un modelo capaz de predecir la duración de cada intervención a partir de un amplio número de factores que pueden clasificarse en tres categorías: clínicos, organizativos y logísticos.
Descripción del proyecto
A partir de este análisis, el Grupo HLA y el IE pusieron el marcha el Proyecto HLA CirugIA con un doble objetivo:
Desarrollar un modelo eficiente para la predicción de la duración de las intervenciones quirúrgicas en el hospital HLA Universitario Moncloa.
A partir de este modelo de predicción, desarrollar un algoritmo para la planificación eficiente de las intervenciones quirúrgicas.
Uso de IA (machine learning)
La primera fase del proyecto se centró en el análisis de los datos disponibles para calcular la duración de las intervenciones y establecer los factores que influyen en esa duración. Los datos iniciales corresponden a:
8
quirófanos
14
especialidades
60.000
operaciones
Igualmente, a partir de la revisión de literatura especializada, se establecieron los factores de las diferentes categorías que influyen la duración de las operaciones quirúrgicas:
Clínicos
Esencialmente, la diferente duración de las cirugías en función de la especialidad y el tipo de intervención.
Organizativos
Se han incorporado factores novedosos relacionados con la composición y estructura de los equipos quirúrgicos como son el “team familiarity” o la diversidad de género; exposición de los cirujanos a una determinada intervención; así como patrones de conflicto-colaboración del equipo en los quirófanos.
Logísticos
Se consideran el solapamiento de intervenciones quirúrgicas; la inclusión de intervenciones provenientes de urgencia; o el tipo de cirugía (código OMC, ambulatoria, etc.). También se tienen en cuenta sucesos no esperados, como cancelaciones o complicaciones que afectan seriamente a la duración de una intervención.
Considerando estos factores y, a partir de los datos disponibles recopilados por el hospital HLA Universitario Moncloa entre 2016 y 2019, se construye un modelo predictivo para estimar la duración de cada intervención a partir de información previa. Se comparan dos tipos de modelos:
Machine Learning (ML)
Los modelos de ML se han estimado en dos etapas: primero, se desarrolla el “entrenamiento” un grupo de modelos con el conjunto completo de datos: después, se repite el análisis por especialidad quirúrgica. En ambos casos, el algoritmo que ofrece mejores resultados es el XGBoost y se obtiene la relevancia de cada factor en la duración de las intervenciones quirúrgicas, lo que permite ayudar a la planificación del bloque quirúrgico del hospital.
Conditional Distribution Estimation (CDE)
El uso de CDE tiene como finalidad facilitar la obtención de un algoritmo de optimización robusto, mucho más versátil que los convencionales. Este tipo de optimización permite incluir distintos tipos de incertidumbre lo que la hace mucho más útil que la optimización convencional.
Resultados
El modelo predictivo desarrollado a partir de técnicas ‘machine learning’ ha permitido:
22%
de mejora en la programación respecto a la situación anterior al uso de IA
73%
de tasa de precisión
5 minutos
de mejora en el tiempo de cada operación
1M €
de ahorro anual
Además, los resultados ponen de manifiesto la importancia de familiaridad con el cirujano principal, así como el nivel de exposición de los miembros del equipo a otros compañeros. Estos resultados tienen una aplicación directa sobre el diseño de equipos, así como a la mejora de la formación y entrenamiento de equipos quirúrgicos combinando la rotación con la estabilidad. Por otra parte, la diversidad de género también contribuye a reducir la duración de las intervenciones.
Igualmente, el análisis por especialidades quirúrgicas permite identificar patrones específicos para cada una de ellas lo que añade valor a los modelos a la hora de la planificación.
En definitiva, el uso de IA ha permitido identificar el margen de mejora en la planificación del bloque quirúrgico del hospital HLA Universitario Moncloa , así como los factores que contribuyen a optimizar la duración de los actos quirúrgicos. Por otra parte, el uso de CDE ha permitido obtener información valiosa para diseñar un algoritmo de ‘scheduling’ a medida para este centro hospitalario.
