Predicting the Number of Open Operating Rooms to Enhance Resource Allocation and Patient Quality of Care

Resumen Técnico: Predicción del número de quirófanos abiertos para mejorar la asignación de recursos y la calidad de la atención al paciente

Planteamiento del problema
La naturaleza dinámica de la demanda quirúrgica crea desafíos significativos para la planificación y programación de recursos dentro de las suites quirúrgicas. La incertidumbre en la carga de trabajo a menudo obliga a los administradores a tomar decisiones conservadoras en la asignación de recursos ascendentes, lo que conduce a una asignación errónea frecuente del personal. Esto resulta en un tanto en la falta de personal, que causa cargas de trabajo excesivas, agotamiento y costos de horas extras, como en el exceso de personal, que crea tiempo de inactividad e ineficiencia. Una brecha crítica en la literatura existente es la falta de una métrica interpretable que traduzca el volumen de pacientes en un requerimiento directo de personal con suficiente antelación a la finalización de los programas quirúrgicos. Mientras que estudios previos se han centrado en predecir volúmenes de casos quirúrgicos, utilización de bloques o duraciones de cirugía, estos no abordan directamente la demanda concurrente máxima requerida para la gestión de cuadrantes a medio plazo (por ejemplo, la concesión de tiempo libre remunerado o días de investigación).

Metodología
Los autores desarrollaron un marco de aprendizaje profundo basado en una arquitectura Wide-and-Deep para predecir el número máximo diario de quirófanos abiertos (ORs). Esta métrica sirve como un indicador de la intensidad máxima de recursos y las necesidades de personal.

• Fuente de datos: El modelo fue entrenado con datos quirúrgicos históricos de la Clínica Mayo en Rochester, Minnesota, que abarcan desde el 5 de mayo de 2018 hasta el 8 de octubre de 2023 (332,904 casos quirúrgicos). Se excluyeron los datos de fines de semana, días festivos y el periodo inicial de COVID-19 (marzo–mayo de 2020) para garantizar la consistencia. El conjunto de datos se dividió en conjuntos de entrenamiento (1,028 días), validación (254 días) y prueba (257 días).
• Ingeniería de características: El modelo incorpora características a través de un horizonte de pronóstico de 90 días (Ventanas 1–90, donde la Ventana 1 es el día anterior a la cirugía). Las características clave incluyen:
  • Métricas de volumen: Número de listados quirúrgicos y cirujanos únicos calculados durante la ventana de 90 días.
  • Métricas de tendencia: Promedio, mínimo, máximo y desviación estándar de los quirófanos abiertos durante los 5, 10, 20 y 30 días precedentes.
  • Indicadores temporales/estacionales: Día de la semana, número de semana, número de mes, día del mes, código de color del día quirúrgico (Azul/Naranja) e indicadores binarios para pre/post festivos y vacaciones de primavera.
  • Identificadores categóricos: División de anestesia (9 divisiones agrupadas en 5 categorías operativas basadas en patrones de uso compartido).
• Arquitectura del modelo:
  • Componente Wide (Ancho): Maneja características categóricas (por ejemplo, día de la semana, división) y características numéricas discretizadas (listados/cirujanos agrupados en 20 cubetas) para memorizar interacciones específicas y evitar la pérdida de información por el codificación one-hot dispersa. Incluye cruces de características (por ejemplo, mes × día).
  • Componente Deep (Profundo): Utiliza múltiples capas densas con activación de Unidad Lineal Rectificada (ReLU) y regularización de dropout para aprender relaciones complejas y no lineales en las características numéricas y en las características categóricas seleccionadas.
• Entrenamiento y optimización: Los modelos fueron entrenados utilizando el optimizador Adam con una función de pérdida de Error Cuadrático Medio (MSE) durante 500 épocas. Los hiperparámetros (tasa de aprendizaje, profundidad, anchura, tasa de dropout, regularización L2) se ajustaron mediante optimización bayesiana. Se entrenaron modelos separados para cada uno de los 5 grupos de divisiones de anestesia para capturar dinámicas operativas únicas.
• Despliegue: El flujo de inferencia se ejecuta como un trabajo por lotes sin servidor en Google Cloud Platform (Google Cloud Run), generando predicciones diarias para hasta 90 días hábiles de antelación. Los resultados se visualizan mediante un tablero de Tableau para los gestores operativos.

Contribuciones clave

1. Métrica operativa novedosa: El estudio introduce el "número máximo diario de quirófanos abiertos" como una métrica específica e interpretable para la dotación de personal. A diferencia del volumen agregado o las asignaciones de bloques, esta métrica refleja directamente la demanda concurrente máxima que dicta el número mínimo de anestesiólogos y personal de apoyo requerido.
2. Marco predictivo: Los autores demuestran que los modelos de aprendizaje profundo pueden pronosticar con precisión esta métrica hasta 90 días hábiles de antelación, un marco de tiempo que anteriormente era difícil de abordar debido a la falta de datos detallados a nivel de caso.
3. Aplicación arquitectónica: La aplicación de una arquitectura Wide-and-Deep a los datos longitudinales quirúrgicos captura eficazmente tanto los patrones categóricos memorizados (a través del componente wide) como las tendencias complejas y no lineales (a través del componente deep).

Resultos

• Precisión predictiva: El modelo demostró un sólido desempeño en todos los horizontes de pronóstico. El Error Cuadrático Medio (RMSE) para el campus agregado de Rochester osciló entre 5 y 7 quirófanos abiertos. Para campus específicos, el RMSE fue menor: el campus Saint Marys (SMC) osciló entre 4 y 5, el campus Methodist (RMC) entre 2 y 4, y el edificio Gonda entre 1 y 3.
• Distribución del error: El análisis de error mostró que los errores de predicción estaban aproximadamente distribuidos normalmente y centrados en cero (por ejemplo, un error medio de -0.27 para RMC en la Ventana 4), lo que indica que el modelo no sobreestima ni subestima sistemáticamente.
• Seguimiento de tendencias: Las visualizaciones confirmaron que los modelos rastrean con precisión los picos diarios, las caídas y las tendencias generales en el uso de quirófanos a través de diferentes divisiones de anestesia.
• Estabilidad del horizonte: El desempeño se mantuvo estable a medida que el horizonte de pronóstico se extendía desde los días inmediatos hasta varios meses, validando la utilidad del marco para la planificación de cuadrantes a medio plazo.

Significancia y afirmaciones
El artículo afirma que este trabajo cierra una brecha en la gestión de operaciones perioperatorias al traducir la demanda quirúrgica incierta en una métrica relevante para la dotación de personal. Al proporcionar pronósticos precisos de la demanda máxima concurrente a medio plazo, el marco permite a los gestores de salud:

• Alinear la capacidad del personal más estrechamente con la demanda anticipada.
• Reducir la sobreestimación conservadora de personal y los costos asociados de horas extras y agotamiento.
• Minimizar la falta de personal y las consiguientes interrupciones en la atención al paciente.
• Otorgar a los proveedores un mayor control sobre sus horarios al facilitar una mejor planificación para actividades no clínicas (por ejemplo, investigación, tiempo libre remunerado).

Los autores señalan que, si bien la aplicación específica es en la Clínica Mayo, el marco conceptual y el enfoque metodológico son generalizables a otros sistemas de salud. Reconocen las limitaciones respecto a la intensidad computacional del ajuste exhaustivo de modelos y sugieren que trabajos futuros podrían explorar la Búsqueda de Arquitectura Neuronal (NAS) automatizada o la IA agéntica para optimizar aún más la selección de modelos en las muchas configuraciones requeridas.