Data-Driven Bed Capacity Planning Using $M_t/G_t/\infty$ Queueing Models with an Application to Neonatal Intensive Care Units

Este artículo propone un marco de planificación de capacidad basado en datos que utiliza un modelo de colas $M_t/G_t/\infty$ con tasas de llegada y distribuciones de estancia variables en el tiempo para superar las limitaciones de las reglas estáticas y mejorar la precisión en la estimación de la ocupación de camas en unidades de cuidados intensivos neonatales.

Lo esencial

Imagina que un hospital, y específicamente una Unidad de Cuidados Intensivos Neonatales (UCIN), es como un restaurante muy especial donde solo se atiende a bebés prematuros o enfermos. El problema es que, a diferencia de un restaurante normal, no puedes predecir exactamente cuántos clientes llegarán mañana ni cuánto tiempo se quedarán comiendo.

Este artículo es como un manual de ingeniería para dueños de restaurantes que quieren saber cuántas mesas (camas) necesitan tener siempre listas, sin gastar dinero en mesas que nunca se usan, pero sin quedarse sin espacio cuando llega una tormenta de clientes.

Aquí te explico cómo lo hacen, paso a paso, usando analogías sencillas:

1. El Problema: La Regla del "85%" no funciona

Antes, los hospitales usaban una regla simple: "Si llenamos el 85% de nuestras camas, estamos bien".

• La analogía: Imagina que tienes un autobús con 100 asientos. La regla decía: "Siempre deja 15 asientos vacíos por si alguien sube de golpe".
• El fallo: Los autores descubrieron que esto es como intentar predecir el tráfico mirando solo el promedio de la semana. A veces, el tráfico es suave, pero en días específicos (como un lunes por la mañana o en época de gripe), todos los coches llegan a la vez. Si solo miras el promedio, te quedas atascado en el tráfico y el autobús se llena al 100% o más, y la gente se queda fuera. En los hospitales, esto significa que los bebés no pueden entrar a la unidad cuando más lo necesitan.

2. La Solución: Un "Cristal Mágico" que ve el futuro

Los autores crearon un nuevo sistema basado en datos reales (no en suposiciones). Lo llaman un modelo de colas, pero piénsalo como un simulador de clima para pacientes.

En lugar de decir "llegan 10 bebés al mes", su sistema dice:

• Llegadas variables: Sabe que en invierno llegan más bebés enfermos que en verano (como las tormentas de nieve).
• Estancias variables: Sabe que algunos bebés se quedan 3 días y otros 3 meses, y que esto cambia según la gravedad.

3. Las Tres Herramientas del Sistema

Para hacer este cálculo, usan tres "lentes" especiales:

• Lente 1: El Desglose (STL): Imagina que tienes una canción muy ruidosa con mucho estática. Este lente separa la melodía principal (la tendencia de largo plazo) del ruido (los días locos y aleatorios). Así pueden ver la "melodía" real de cuántos bebés entran cada día.
• Lente 2: El Perfil de la Estancia: No todos los pacientes son iguales. Algunos son como "comidas rápidas" (se van en 2 días) y otros son "cenas largas" (se quedan meses). El sistema aprende la forma exacta de esta distribución para cada hospital.
• Lente 3: La Máquina de Simulación (M/G/∞): Esta es la parte matemática. Imagina que lanzas miles de pelotas a una cancha. Algunas rebotan rápido, otras tardan. El sistema calcula, día a día, cuántas pelotas hay en la cancha al mismo tiempo. No asume que todo es constante; asume que el mundo es caótico y se adapta.

4. El Resultado: ¿Cuántas camas necesitamos?

El estudio comparó dos formas de planear:

• El Método Viejo (Promedio): Dice: "Necesitamos 20 camas porque en promedio usamos 18".
  • Resultado: En días normales, hay 2 camas vacías (dinero desperdiciado). Pero en días de "tormenta", se necesitan 30 camas y faltan 10. ¡Pánico!
• El Método Nuevo (Probabilidad): Dice: "¿Qué tan seguro quieres estar? ¿Quieres estar seguro el 95% de los días o el 99% de los días?".
  • Si quieres estar seguro el 99% de los días, el sistema te dice: "Necesitas 31 camas".
  • Resultado: Sí, tendrás más camas vacías en días tranquilos (quizás 15 vacías), pero nunca te quedarás sin espacio cuando llegue una emergencia.

5. La Lección Importante: El "Efecto de la Variabilidad"

Un hallazgo curioso del estudio es sobre la variabilidad.

• La analogía: Imagina que todos los pacientes se fueran exactamente a la misma hora (como un tren que sale a las 5:00 en punto). Eso crea un "embudo" gigante a las 5:00.
• El descubrimiento: Si los pacientes se van en momentos más dispersos y aleatorios (más variabilidad), el pico de ocupación baja. Sorprendentemente, tener una mayor "desorden" en los tiempos de alta puede ayudar a que no haya tanta congestión al mismo tiempo. El sistema nuevo captura esto; el viejo no.

6. Mirando al Futuro

El sistema también puede proyectar el futuro. Si saben que en 5 años habrá más nacimientos en la ciudad (como un aumento en la población de un barrio), pueden ajustar el número de camas necesarias hoy para estar listos mañana.

En Resumen

Este paper nos dice que planear hospitales con promedios es como planear un viaje de vacaciones mirando solo el clima promedio del año. Funciona para un día normal, pero te deja mojado si llueve.

Su propuesta es usar datos reales y matemáticas avanzadas para crear un plan que sea resiliente. Aceptan que habrá días con más camas vacías (ineficiencia) a cambio de garantizar que nunca se quede un bebé sin cama cuando más lo necesita (seguridad). Es un cambio de mentalidad: de "ahorrar al máximo" a "estar preparado para lo inesperado".

Resumen técnico

Aquí presento un resumen técnico detallado del artículo en español, estructurado según los componentes solicitados:

Resumen Técnico: Planificación de Capacidad de Camas Basada en Datos para UCI Neonatales

1. Planteamiento del Problema

La planificación a largo plazo de la capacidad de las Unidades de Cuidados Intensivos (UCI), específicamente en Unidades de Cuidados Intensivos Neonatales (UCIN), enfrenta desafíos críticos debido a la demanda incierta y no estacionaria.

• Limitaciones de los enfoques actuales: Los métodos tradicionales dependen de modelos de colas en estado estacionario (asumiendo tasas de llegada y duración de estancia constantes) o reglas heurísticas fijas, como la "regla del 85%" de ocupación.
• El problema central: Estas aproximaciones fallan al capturar la dinámica temporal real. Las tasas de admisión fluctúan por factores estacionales y demográficos, y la Duración de la Estancia (LOS, por sus siglas en inglés) varía según la heterogeneidad de los pacientes y las prácticas clínicas.
• Consecuencia: Los modelos basados en promedios a largo plazo pueden subestimar la capacidad necesaria durante picos de demanda, resultando en una ocupación diaria que frecuentemente supera el 100% de la capacidad física, a pesar de cumplir con los objetivos de utilización promedio. Además, la variabilidad de la LOS (no solo su media) es un factor determinante en la superposición de pacientes en el sistema.

2. Metodología

Los autores proponen un marco de trabajo impulsado por datos utilizando un modelo de cola $M_t/G_t/\infty$ (cola de servidores infinitos con tasas de llegada y distribución de servicio dependientes del tiempo).

• Datos: Se utilizó un conjunto de datos de múltiples años (2016-2023) de cinco sitios de UCIN en la Zona de Calgary, Canadá. Los datos se ajustaron para atribuir las transferencias de pacientes impulsadas por la capacidad al sitio de origen, permitiendo estimar la demanda intrínseca de cada unidad.
• Componentes del Modelo:
  1. Estimación de Tasas de Llegada ($\lambda_t$): Se aplicó la descomposición STL (Seasonal-Trend decomposition using Loess) a los conteos diarios de admisiones. Mediante una búsqueda en cuadrícula, se seleccionaron los parámetros óptimos para extraer tendencias suaves y componentes estacionales, ignorando el ruido a corto plazo.
  2. Modelado de la Distribución de la Duración de la Estancia (LOS):
     • Se estimaron la media ($\mu_t$) y la varianza ($\sigma^2_t$) de la LOS a lo largo del tiempo utilizando descomposición STL y ventanas deslizantes.
     • Se ajustaron distribuciones paramétricas (Weibull, Lognormal, Gamma, Fisk, Exponencial) a los datos históricos. Se observó que el parámetro de forma ($\kappa$) era estable en el tiempo, permitiendo fijarlo y reparametrizar la distribución dinámicamente según la media y varianza estimadas.
     • Se seleccionó la mejor distribución para cada sitio minimizando el Error Cuadrático Medio (RMSE) contra la curva de supervivencia empírica (Kaplan-Meier).
  3. Estimación de Ocupación: La ocupación esperada ($\rho_t$) se calcula mediante una convolución de las admisiones pasadas con las probabilidades de supervivencia condicionales de la LOS:
     $$\rho_t = \sum_{u=0}^{S_{max}} \lambda_{t-u} \cdot P(S > u | \tau = t-u)$$
     Esto permite modelar la ocupación diaria como una variable estocástica (aproximada por una distribución Poisson con media $\rho_t$).
  4. Proyección Futura: Se desarrolló un módulo impulsado por nacimientos que combina proyecciones demográficas con patrones históricos de llegada y LOS para estimar la demanda futura (2024-2030).

3. Contribuciones Clave

• Marco No Estacionario: Integración exitosa de tasas de llegada y distribuciones de servicio dependientes del tiempo en un modelo de cola de servidores infinitos para la planificación de capacidad a largo plazo.
• Modelado de la Variabilidad de la LOS: Demostración de que la varianza de la LOS es crítica. A diferencia de la intuición de colas tradicional, en un sistema de servidores infinitos con media fija, una mayor varianza en la LOS puede dispersar las altas y reducir la ocupación pico, mientras que una menor varianza (más determinista) puede aumentar la superposición temporal y la necesidad de camas.
• Estrategias de Capacidad Basadas en Riesgo: Propuesta de umbrales de capacidad que controlan explícitamente la probabilidad de exceder la capacidad (riesgo de desbordamiento), en lugar de basarse únicamente en promedios de utilización.
• Herramienta de Proyección: Un módulo que vincula las proyecciones demográficas (nacimientos) con la variabilidad estacional histórica para generar escenarios futuros de requerimientos de camas.

4. Resultados Principales

• Ineficacia de las Heurísticas Estáticas: El análisis mostró que la regla del 85% y los promedios históricos subestiman significativamente la capacidad necesaria. En un sitio con alta variabilidad, la ocupación superó el 100% de la capacidad planificada en más del 23% de los días bajo la regla del 85%.
• Compensación Eficiencia-Resiliencia:
  • Estrategia $B_{average}$: Basada en promedios, ofrece alta utilización (~85%) pero riesgo alto de desbordamiento.
  • Estrategia $B_{0.05}$ y $B_{0.01}$: Estrategias restringidas por probabilidad de desbordamiento (1% y 5% de riesgo). Estas requieren más camas (ej. de 14 a 20 camas en un sitio crítico) y reducen la utilización promedio (a ~58% y ~53% respectivamente), pero garantizan una resiliencia operativa mucho mayor.
• Impacto de la Varianza de la LOS: El análisis de sensibilidad reveló que reducir la varianza de la LOS (haciendo las estancias más predecibles) en realidad aumenta la necesidad de camas para mantener el mismo nivel de riesgo de desbordamiento, debido a la mayor sincronización de las altas.
• Proyecciones: Las proyecciones para 2030 indican que, incluso con un crecimiento moderado de la población, la necesidad de camas bajo estrategias de resiliencia ($B_{0.01}$) aumenta significativamente en comparación con los promedios históricos, con un rango de incertidumbre que debe considerarse en la planificación.

5. Significado e Implicaciones

• Cambio de Paradigma: El estudio aboga por pasar de la planificación basada en promedios estacionarios a una planificación basada en la gestión de riesgos y la variabilidad temporal.
• Toma de Decisiones Informada: Proporciona a los administradores de salud una herramienta cuantitativa para equilibrar la eficiencia (utilización de camas) con la resiliencia (capacidad de absorber picos de demanda sin colapsar).
• Aplicabilidad General: Aunque el estudio se centra en UCIN, el marco metodológico ($M_t/G_t/\infty$ con datos empíricos) es aplicable a otras unidades de cuidados intensivos y sistemas de salud que enfrentan demanda fluctuante y restricciones de infraestructura.
• Gestión de Redes: Destaca cómo las transferencias de pacientes entre sitios pueden enmascarar desequilibrios estructurales en la demanda, sugiriendo que la planificación de capacidad debe considerar la demanda intrínseca de cada sitio si se reduce la dependencia de la redistribución.

En conclusión, el paper demuestra que ignorar la dinámica temporal y la variabilidad de la duración de la estancia conduce a una planificación de capacidad insuficiente, y propone un modelo matemático robusto y transparente para abordar estos desafíos en entornos de salud críticos.