Reconstructing End-User Demand under Batch-Level Ambiguity: Flow-Constrained Record Linkage and Audit Allocation in Orthopedic Consignment Networks

En el mundo de alto riesgo de la cirugía moderna, el momento en que un cirujano utiliza un dispositivo médico es solo el comienzo de un complejo viaje administrativo. Cuando un hospital utiliza un implante ortopédico, como un tornillo para sujetar un hueso roto, se crea un registro clínico para documentar el evento. Sin embargo, el registro financiero que confirma quién pagó por ese tornillo y de dónde vino a menudo llega más tarde, a veces en un formato diferente, y con frecuencia agrupado con otros dispositivos. Esta brecha entre el acto físico de la cirugía y el rastro de papel del comercio crea un punto ciego. Los hospitales y los distribuidores deben saber exactamente qué dispositivo se utilizó para gestionar el inventario y la facturación, pero cuando los registros llegan tarde o se agrupan, resulta difícil vincular un tornillo específico con una cirugía específica. Esta incertidumbre no es solo un inconveniente de papeleo; puede provocar la pérdida de ingresos, pedidos de inventario incorrectos y una falta de claridad sobre cómo se mueven realmente los suministros médicos a través del sistema.

Un investigador llamado Hongjie Jiang se propuso resolver este rompecabezas dentro del contexto específico de las redes de consignación ortopédica. En estas redes, los dispositivos médicos se colocan en los hospitales antes de ser vendidos, lo que significa que el hospital mantiene el inventario pero solo paga por lo que utiliza. El desafío es que los registros de lo que se utilizó suelen llegar en lotes, lo que dificulta determinar qué lote específico de tornillos de un distribuidor corresponde a una cirugía específica. Jiang se centró en una única familia de tornillos espinales utilizados en una gran red de distribuidores y hospitales. Al observar un mes de registros quirúrgicos y compararlos con nueve meses de datos de liquidación, el estudio intentó reconstruir la demanda real de estos dispositivos, incluso cuando el rastro de papel era incomplex o estaba retrasado. El objetivo era averiguar no solo qué tornillos se utilizaron, sino también comprender por qué algunos registros permanecían sin vincular y cómo emplear el tiempo y los recursos limitados para solucionar esos desajustes.

El estudio comenzó tratando el proceso de vinculación como un problema de flujo en lugar de una simple comparación de listas. Imagine que intenta emparejar un conjunto de llaves únicas con un conjunto de cerraduras donde algunas llaves podrían encajar en múltiples cerraduras, y algunas cerraduras podrían haber sido abiertas por llaves que llegaron tarde. El investigador construyó un modelo que respetaba los límites físicos del sistema: un distribuidor no puede suministrar más tornillos de los que tiene en su lote, y una sola cirugía no puede utilizar más tornillos de los que fueron registrados. Al aplicar estas reglas estrictas, el modelo pudo determinar qué coincidencias eran posibles y cuáles eran imposibles. Cuando el modelo se ejecutó, encontró que, de los 540 registros quirúrgicos que podían compararse, solo 229 tenían una coincidencia clara y única con un registro de liquidación. Otros 84 tenían una coincidencia, pero era una entre varias posibilidades. Los 311 registros restantes no tenían ninguna coincidencia clara. Esto dejó un gran grupo de demanda "no resuelta" que necesitaba ser comprendida.

Para dar sentido a estos 311 registros no vinculados, el estudio analizó el tiempo y la naturaleza de los eslabones perdidos. Resultó que las razones del desajuste no eran aleatorias. Aproximadamente un tercio de los registros no vinculados simplemente estaban esperando a que llegara su documentación; la cirugía ocurrió, pero la liquidación financiera no se había procesado antes de la fecha límite. Otro cuarto de los registros no vinculados se debían a que múltiples cirugías competían por el mismo lote de tornillos, o porque los registros del distribuidor eran demasiado vagos para señalar un único origen. El grupo más grande, que representaba casi la mitad de los registros no vinculados, parecía pertenecer a una ruta completamente distinta. Estos eran probablemente tornillos que habían pasado a través de canales mayoristas u otros sistemas de inventario que no aparecían en los registros de consignación específicos que se estudiaban. El modelo asignó probabilidades a cada uno de estos escenarios, creando efectivamente un mapa de dónde residía la incertidumbre.

La parte más significativa de la investigación no fue solo identificar los desajustes, sino determinar cómo solucionarlos de manera eficiente. Los hospitales y los distribuidores tienen personal y tiempo limitados para revisar estos registros. No pueden revisar cada uno de los registros no vinculados. El investigador se preguntó: si solo pueden revisar una pequeña fracción de los registros, ¿cuáles deberían elegir para obtener la mayor claridad? Un instinto común es revisar primero los pedidos más grandes, asumiendo que los números grandes son los más importantes. Sin embargo, el estudio encontró que este enfoque era ineficiente. Muchos pedidos grandes ya eran claros y estables, por lo que revisarlos aportaba poca información nueva. En su lugar, el estudio propuso una estrategia basada en el "valor de la información". Este método prioriza los registros que son tanto grandes en cantidad como altamente inciertos. Busca los casos específicos donde una revisión podría resolver una ambigüedad importante, como una cirugía que podría haber sido suministrada por tres distribuidores diferentes.

Cuando el investigador probó esta nueva estrategia contra el método antiguo de revisar los pedidos más grandes, la diferencia fue abrumadora. Con un presupuesto para revisar solo el 20% de los registros, la nueva estrategia resolvió más de la mitad de la incertidumbre total del sistema. En contraste, el método tradicional de revisar los pedidos más grandes solo resolvió aproximadamente un tercio de la incertididad. El nuevo enfoque fue capaz de recuperar la misma cantidad de claridad con un 40% menos de revisiones de las que el método antiguo habría requerido para lograr un resultado similar. Esto significa que, al centrarse en los registros donde la confusión era mayor, en lugar de solo en los registros con los números más grandes, las organizaciones pueden ahorrar tiempo y dinero mientras obtienen una imagen mucho más clara de su cadena de suministro.

El estudio también probó si estos hallazgos se mantendrían si los datos parecieran ligeramente diferentes. Por ejemplo, ¿qué pasaría si algunos registros fueran duplicados de la misma cirugía? O ¿qué pasaría si se eliminaba del análisis al distribuidor más activo? En cada escenario, la nueva estrategia siguió siendo superior. Incluso cuando los datos se simplificaron o la red cambió, el método de dirigirse a los registros de alta incertidumbre y alto volumen superó consistentemente al enfoque estándar. La investigación también mostró que la incertidumbre no estaba distribuida uniformemente; estaba fuertemente concentrada en distribuidores específicos y en momentos específicos del mes, particularmente cerca del final del ciclo de facturación, cuando era más probable que los registros se retrasaran.

En última instancia, este trabajo proporciona una guía práctica para gestionar las brechas invisibles en las cadenas de suministro médico. Demuestra que la incertidumbre no es un problema único que se solucione revisando más datos, sino un recurso que se gestiona revisando los datos correctos. Al combinar el tiempo de los eventos con los límites físicos del inventario, el estudio ofrece una forma de convertir un montón caótico de registros desajustados en un plan claro y accionable. Para los gestores que supervisan estas redes, el mensaje es claro: no se limiten a mirar los números más grandes. Busquen los lugares donde la historia no está clara y centren su atención allí. Este enfoque les permite conciliar sus cuentas más rápido, gestionar su inventario con mayor precisión y asegurar que los dispositivos utilizados para sanar a los pacientes sean debidamente contabilizados, incluso cuando el rastro de papel es imperfecto.