💻 computer science

An Enhanced Memetic Algorithm for Emergency Outpatient Physician Scheduling Considering Patient Psychological Distress and Physician Fatigue in Fuzzy-CPT Framework

Este estudio propone un algoritmo memético mejorado dentro de un marco de lógica difusa CPT para optimizar la programación de médicos de consulta externa de emergencia mediante la minimización simultánea del malestar psicológico del paciente y la percepción de fatiga del médico, validado a través de datos del mundo real de un hospital de Shanghái durante la pandemia de COVID-19.

Autores originales: Junji Zhou, Jiawei Wu

Publicado 2026-09-22

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Junji Zhou, Jiawei Wu

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el entorno de alto riesgo de la sala de emergencias de un hospital, el tiempo no es solo una métrica; es una fuerza psicológica. Cuando los pacientes esperan, su ansiedad no aumenta simplemente en una línea recta; se dispara bruscamente una vez que la fila crece demasiado, creando un estado de angustia que puede resultar abrumador. Simultáneamente, los médicos que los tratan no son inmunes a la presión. Su agotamiento no es meramente una cuestión de horas trabajadas; es un sentimiento que se profundiza desproporcionadamente una vez que superan un límite personal, y está fuertemente influenciado por si sus colegas están compartiendo la carga o si sienten que son los únicos que quedan en pie. Durante décadas, los administradores de hospitales han intentado resolver el rompecabezas de quién trabaja cuándo, recurriendo a menudo a horarios rígidos que tratan la fatiga como un simple costo y las líneas de espera como una simple cola. Sin embargo, estos métodos tradicionales a menudo no logran capturar la compleja realidad humana de cómo se sienten realmente el estrés y el cansancio durante una crisis.

Un nuevo estudio de los investigadores Junji Zhou y Jiawei Wu aborda este problema mediante la creación de una sofisticada herramienta de programación que escucha a la mente humana. Se centraron en la programación semanal de los médicos de consulta externa de urgencias durante las grandes emergencias de salud pública, como el punto álgido de la pandemia de COVID-19. Los investigadores se dieron cuenta de que, para crear un horario verdaderamente efectivo, debían tener en cuenta dos factores invisibles pero poderosos: la angustia psicológica de los pacientes que esperan y la fatiga subjetiva de los médicos. Combinaron dos conceptos conductuales para modelar estos sentimientos. Primero, utilizaron un método para describir cómo la fatiga se siente difusa y gradual, en lugar de ser un interruptor repentino de "cansado" a "exhausto". Segundo, aplicaron una teoría de la toma de decisiones que reconoce que las personas sienten el dolor de trabajar demasiado intensamente mucho más que el placer de trabajar menos, especialmente cuando se comparan con sus pares. Al entrelazar estos comportamientos humanos en un modelo matemático, crearon un sistema que busca un equilibrio entre mantener la calma de los pacientes y evitar que los médicos se quemen.

Los investigadores probaron su enfoque utilizando datos reales de un gran hospital terciario en Shanghái durante el apogeo de la pandemia. Compararon su nuevo método con algoritmos de programación estándar y antiguos. Los resultados mostraron una clara ventaja para su enfoque. En una serie de pruebas que involucraron doce semanas diferentes de datos de pacientes, su nuevo algoritmo produjo consistentemente mejores resultados. Fue particularmente exitoso al eliminar la angustia psicológica de los pacientes en espera; en siete de los doce casos de prueba, el nuevo método logró mantener la fila de espera lo suficientemente corta como para que los pacientes no sintieran angustia, mientras que los métodos más antiguos no lograron lograr esto en ninguno de esos casos. El nuevo sistema también logró reducir el "costo" general del horario, que incluía la fatiga sentida por los médicos, el dinero gastado en traer ayuda adicional y la ansiedad de la sala de espera. El algoritmo logró esto no simplemente trabajando más horas, sino organizando los turnos de manera más inteligente, ajustando el número de médicos de guardia al flujo fluctuante de la llegada de pacientes a lo largo del día y la noche.

Uno de los aspectos más reveladores del estudio fue cómo las diferencias culturales en la psicología humana podrían cambiar los resultados. Los investigadores probaron su modelo utilizando dos conjuntos diferentes de parámetros conductuales: uno basado en estudios realizados en los Estados Unidos y otro basado en estudios realizados en China. Encontraron que los números específicos utilizados para describir cómo las personas valoran el tiempo y se comparan con otros alteraron significativamente el horario final. Al utilizar los parámetros derivados de los estudios chinos, el modelo tendía a crear horarios que eran más sensibles al sentimiento de injusticia cuando solo unos pocos médicos trabajaban horas extras. Esto sugiere que un enfoque de programación de "talla única" podría no funcionar globalmente; lo que parece un horario justo y eficiente en una cultura puede parecer estresante o ineficiente en otra. El estudio confirmó que comprender estos sutiles matices psicológicos es esencial para crear horarios que funcionen en el mundo real.

Para resolver este complejo rompecabezas, los investigadores desarrollaron un programa informático especializado, una versión mejorada de un tipo de algoritmo conocido como algoritmo memético. Piense en este programa como un planificador altamente capacitado que puede probar miles de combinaciones de horarios en poco tiempo. A diferencia de los planificadores antiguos que podrían quedarse estancados en una solución local, este nuevo programa utiliza una estrategia de búsqueda de múltiples capas. Observa el horario desde diferentes ángulos: cambiando la hora de inicio de un solo turno por una hora, añadiendo o eliminando a un médico para un día específico, o reorganizando toda la rotación del equipo. También utiliza un enfoque de "dos etapas" para comenzar su trabajo, construyendo primero un borrador del horario utilizando dos estrategias diferentes —una enfocada en los turnos nocturnos y otra en los turnos diurnos— y luego refinándolo. Esto permitió al programa encontrar soluciones que fueran tanto justas para los médicos como eficientes para los pacientes, algo que la programación manual o los programas informáticos más simples no podían lograr.

El estudio también exploró cómo el cambio de reglas específicas afectaría el resultado, un proceso conocido como análisis de sensibilidad. Encontraron que el número de médicos disponibles era un punto de inflexión crítico. Cuando el hospital tenía menos médicos, el sistema luchaba por mantener la fila de espera corta, lo que provocaba una alta angustia en los pacientes y una alta fatiga en los médicos. Sin embargo, una vez que el número de médicos alcanzaba cierto umbral, el sistema podía gestionar fácilmente el flujo, y la angustia caía a cero. Curiosamente, descubrieron que permitir simplemente que los médicos trabajaran más horas cada día no siempre ayudaba; había un rango óptimo donde la flexibilidad era posible sin causar una fatiga extrema. También descubrieron que el costo de traer médicos adicionales de otros departamentos jugaba un papel importante. Si traer ayuda adicional era barato, el sistema prefería usarlos para que el equipo principal descansara. Si era caro, el sistema intentaba optimizar más el equipo existente, aunque esto a veces conducía a una mayor fatiga.

En última instancia, esta investigación proporciona una herramienta científicamente fundamentada para los gestores de hospitales que enfrentan el caos de una crisis de salud pública. Va más allá de la matemática simple para incluir la experiencia humana de esperar y trabajar. Al reconocer que la fatiga es un sentimiento que crece con la comparación y que la espera es una carga psicológica que se dispara en ciertos puntos, el estudio ofrece una forma de tomar decisiones de programación que no son solo eficientes, sino humanas. Los hallazgos sugieren que, durante las emergencias, la mejor manera de proteger tanto a los pacientes como a los médicos es utilizar sistemas de programación que entiendan la mente tan bien como el reloj. Los investigadores concluyen que su método ofrece una forma robusta de manejar la incertidumbre de las futuras crisis de salud, asegurando que las líneas de frente de la atención médica permanezcan sostenibles incluso bajo la presión más intensa.

1. Definición del Problema

El estudio aborda el problema de optimización de la programación semanal de médicos de consulta externa de emergencia durante emergencias de salud pública importantes (por ejemplo, pandemias). A diferencia de los entornos de consulta externa convencionales, las clínicas de emergencia enfrentan llegadas de pacientes altamente estocásticas y variables en el tiempo, requisitos estrictos de control de infecciones y la vulnerabilidad psicológica de los pacientes.

El desafío central es un doble compromiso:

Angustia Psicológica del Paciente: Los pacientes en espera experimentan una angustia psicológica no lineal (ansiedad, sufrimiento) que aumenta bruscamente a medida que las longitudes de las colas aumentan más allá de un umbral crítico, alcanzando finalmente un límite de tolerancia.
Percepción de la Fatiga del Médico: Los médicos que trabajan bajo alta presión no experimentan la fatiga de manera lineal. Su percepción está influenciada por:
- Aversión a la Pérdida: Son significativamente más sensibles a las horas de trabajo que exceden un punto de referencia psicológico subjetivo que a las horas dentro de un rango aceptable.
- Dinámica de Grupo: La percepción de la fatiga individual se amplifica cuando solo unos pocos colegas trabajan horas extras (injusticia), pero se atenúa cuando el tiempo extra es generalizado (asimilación de grupo).
- Límites Difusos: Los niveles de fatiga transicionan gradualmente en lugar de tener umbrales rígidos.

Los modelos existentes suelen tratar la fatiga como una penalización lineal o ignorar la psicología del paciente, fallando en capturar estas complejidades conductuales. El objetivo es minimizar una función objetivo unificada que comprende los costos de percepción de la fatiga del médico, los costos de angustia psicológica del paciente y los costos de comisión de servicios médicos (secondment), sujetos a restricciones operativas complejas (límites de turno, periodos de descanso, regulaciones de turno nocturno y umbrales de longitud de cola).

2. Metodología

A. El Marco de Modelado "Fuzzy-CPT"

Los autores proponen un marco unificado que integra la Teoría de Conjuntos Difusos (Fuzzy Set Theory) y la Teoría de la Perspectiva Acumulativa (CPT) para cuantificar los costos:

Costo de Angustia Psicológica del Paciente ( $C_{tor}$ ): Modelado mediante una función ALO-S2 modificada (una curva de tipo sigmoide) para capturar la relación no lineal entre la longitud de la cola y la angustia. La angustia es cero por debajo de un umbral ( $L_c$ ), aumenta rápidamente en un intervalo sensible y se estanca en un límite superior ( $L_{ul}$ ).
Costo de Percepción de la Fatiga del Médico ( $C_{tir}$ ): Construido mediante una lógica de tres capas:
1. Grado de Pertenencia de Fatiga Difusa: Funciones de pertenencia difusa trapezoidales mapean las horas de trabajo semanales objetivas a tres niveles de fatiga difusa (Leve, Moderada, Severa), capturando la naturaleza continua y ambigua de la fatiga.
2. Función de Valor CPT: Una función de valor $\nu(T_n)$ modela la aversión a la pérdida. Las horas de trabajo por debajo de un punto de referencia ( $T_{ref}$ ) están en el dominio de la "ganancia", mientras que las horas por encima están en el dominio de la "pérdida", donde el dolor de las horas extras es amplificado por un coeficiente de aversión a la pérdida ( $\lambda$ ).
3. Peso del Efecto de Equipo: Una función de ponderación de probabilidad $w(p)$ ajusta la fatiga individual basada en la proporción del equipo que trabaja horas extras ( $p$ ). Esto captura el efecto de comparación social donde el tiempo extra aislado se siente más pesado que el tiempo extra colectivo.
Costo de Comisión de Servicios ( $C_{bor}$ ): Un costo lineal para los médicos asignados temporalmente de otros departamentos para satisfacer la demanda.

B. El Algoritmo Memético Mejorado (EMA)

Dado que el problema es NP-duro con restricciones no lineales, los autores diseñan un Algoritmo Memético Mejorado (EMA) para resolver el modelo. El EMA mejora un Algoritmo Memético Básico (BMA) mediante tres mejoras clave:

Codificación Jerárquica y Decodificación Multiobjetivo:
- Utiliza una estructura de cromosoma jerárquica donde cada médico es una unidad de gen que contiene secuencias de turnos y metadatos.
- Incluye "genes de caché de costos" para almacenar costos de fatiga, angustia y comisión precalculados, permitiendo la evaluación de la aptitud (fitness) en tiempo real sin cálculos redundantes.
Inicialización de Población de Dos Etapas Adaptativa:
- Etapa 1: Genera un esqueleto de programación utilizando dos estrategias codiciosas (greedy) distintas (una enfocada en la distribución de turnos nocturnos y otra en el equilibrio de turnos diurnos).
- Etapa 2: Refina el esqueleto mediante un ajuste iterativo con un mecanismo de reinicio para evitar óptimos locales y asegurar la diversidad.
Búsqueda de Vecindad Colaborativa de Multi-granularidad:
- Integra el Descenso de Vecindad Variable (VND), la Búsqueda de Vecindad Variable (VNS) y la VNS Generalizada (GVNS).
- Define cuatro niveles de operadores de vecindad: a nivel de Hora (Mover, Acortar, Extender), a nivel de Turno (Incrementar, Disminuir), a nivel de Médico (Agregar, Reducir) y a nivel de Grupo (Reorganizar).
- Utiliza un criterio de aceptación de decaimiento exponencial para equilibrar la velocidad de convergencia y la calidad de la solución.

3. Principales Contribuciones

El artículo afirma cuatro contribuciones primarias:

Marco Teórico: Desarrollo de una perspectiva "Fuzzy-CPT" que construye un marco de evaluación de fatiga tridimensional (carga fisiológica, percepción subjetiva e influencia de grupo), yendo más allá de los modelos de penalización lineal.
Modelo de Optimización: Formulación de un modelo de programación semanal que minimiza simultáneamente la percepción de la fatiga del médico, la angustia psicológica del paciente y los costos de comisión, incorporando restricciones conductuales complejas.
Innovación Algorítmica: Diseño del EMA, que presenta codificación jerárquica, una estrategia de inicialización de dos etapas y una búsqueda colaborativa de multi-granularidad para resolver eficazmente el modelo NP-duro.
Validación Empírica y Adaptabilidad Cultural: Validación utilizando datos reales de un hospital terciario de Shanghái durante el pico de COVID-19. El estudio incluye una comparación transcultural de los parámetros CPT (entornos chinos vs. estadounidenses), demostrando la adaptabilidad del modelo a diferentes contextos conductuales.

4. Resultados Experimentales

Se realizaron experimentos numéricos utilizando 12 semanas de datos reales de un gran hospital de Shanghái.

Rendimiento del Algoritmo: El EMA superó significativamente al Algoritmo Memético Básico (BMA) y a un algoritmo de Búsqueda de Vecindad Variable Mejorado (IVNS).
- El EMA logró los valores de objetivo total ( $Z$ ) más bajos en todos los casos de prueba.
- El EMA logró reducir el costo de la angustia psicológica del paciente ( $C_{tor}$ ) a cero en 7 de 12 casos, mientras que el BMA lo logró en solo 1 caso y el IVNS en ninguno.
- El EMA demostró una capacidad de respuesta dinámica superior a las fluctuaciones en la llegada de pacientes en comparación con la programación real rígida y los resultados rezagados del IVNS.
Sensibilidad de Parámetros:
- Diferencias Culturales: Los resultados de programación utilizando parámetros CPT chinos (mayor sensibilidad al riesgo $\alpha, \beta$ ) generalmente arrojaron costos de fatiga más altos que los parámetros estadounidenses, resaltando el impacto de los rasgos conductuales culturales en los resultados de optimización.
- Umbrales ( $L_c, L_{ul}$ ): El aumento de los umbrales de longitud de cola expandió la región factible, permitiendo una mejor gestión de la fatiga sin aumentar la angustia.
- Conteo de Médicos ( $N_1$ ): Se observó un efecto de escala crítico; aumentar los médicos hasta un punto crítico redujo drásticamente los costos, mientras que aumentos posteriores produjeron rendimientos decrecientes.
- Horas de Referencia ( $T_{ref}$ ): Elevar el punto de referencia psicológico desplazó el espacio de optimización, permitiendo una mejor distribución de la fatiga.
- Costo de Comisión ( $P_{bor}$ ): Costos de comisión más altos forzaron al algoritmo a optimizar la programación interna, a veces aumentando la fatiga pero manteniendo el control de la cola.

5. Significado y Reivindicaciones

Los autores afirman que esta investigación proporciona una herramienta de soporte de decisiones científicamente fundamentada para la programación de consultas externas de emergencia durante crisis de salud pública.

Realismo Conductual: Al integrar la lógica difusa y la teoría de la perspectiva, el modelo captura las respuestas psicológicas "irracionales" pero predecibles tanto de los pacientes como de los médicos, que los modelos lineales omiten.
Aplicabilidad Práctica: El uso de datos del mundo real y la demostración de la capacidad del EMA para manejar la demanda compleja y variable validan su utilidad para los administradores hospitalarios.
Perspectiva Transcultural: El estudio destaca que los parámetros de programación (específicamente las actitudes ante el riesgo y los efectos de grupo) dependen de la cultura, lo que sugiere que las herramientas de programación globales deben calibrarse según los contextos conductuales locales.
Perspectivas de Gestión: Los análisis de sensibilidad ofrecen orientación accionable, como la identificación de niveles críticos de dotación de médicos y los compromisos entre la flexibilidad de la programación interna y la comisión de recursos externos.

El artículo concluye que el marco y el algoritmo propuestos equilibran eficazmente la eficiencia del servicio, la experiencia del paciente y el bienestar del médico, ofreciando una solución robusta para el entorno complejo y de alta presión de la medicina de emergencia.