library(tidyverse)
library(readxl)
library(janitor)
library(plotly)
library(skimr)
library(lubridate)
library(ggpubr)

Se realizó un análisis integral de 9.998 ordenamientos quirúrgicos con el propósito de identificar patrones operativos, oportunidades de mejora y elementos estratégicos para fortalecer la gestión quirúrgica institucional.

Los resultados evidenciaron una gestión efectiva en el 78,8% de los casos, una concentración significativa de la demanda en la Regional Centro y una alta frecuencia de procedimientos como la Colecistectomía por laparoscopia. Asimismo, se identificaron oportunidades para optimizar el seguimiento de casos pendientes, fortalecer la planeación de recursos y mejorar la oportunidad de atención mediante el uso de herramientas de analítica de datos.

Contexto del problema: La identificación de retrasos, cuellos de botella y patrones de gestión mediante el análisis de datos permite fortalecer el seguimiento de los ordenamientos quirúrgicos, optimizar los tiempos de atención y apoyar la toma de decisiones orientadas al mejoramiento continuo de los procesos asistenciales y administrativos.

Audiencia Objetivo: responsables de la toma de decisiones en las organizaciones de salud, incluyendo directivos, coordinadores asistenciales,administradores de negocios, analistas financieros, líderes de gestión quirúrgica, áreas de planeación y auditoría.

Objetivo Analítico: Identificar oportunidades de mejora que contribuyan a optimizar los procesos, la asignación de recursos y la propuesta de valor al usuario y la oportunidad en la atención.

EXPLORACION ANALITICA DE DATOS (EDA)

La gestión de los ordenamientos quirúrgicos constituye un proceso estratégico dentro de las organizaciones de salud, ya que impacta directamente la oportunidad de atención, la utilización de recursos de salud y la satisfacción de los usuarios. La creciente disponibilidad de información proveniente de los sistemas de gestión permite implementar herramientas de analítica de datos que facilitan la comprensión de los procesos, la identificación de patrones de comportamiento y el fortalecimiento de la toma de decisiones basada en evidencia. El presente informe desarrolla un proceso integral de análisis utilizando la base de datos de ordenamientos quirúrgicos, compuesta por más de ocho mil registros y variables relacionadas con características demográficas, administrativas y asistenciales de los pacientes. Los resultados obtenidos proporcionan información relevante para la gestión de recursos de salud, la optimización de procesos administrativos y la identificación de oportunidades de mejora, contribuyendo al fortalecimiento de una cultura organizacional basada en el uso estratégico de los datos para la toma de decisiones.

data <- read_excel("Ordenamientos Qx.xlsx")

data <- clean_names(data)

head(data)

Exploración Inicial y Estructural

La base de datos analizada contiene aproximadamente 8.302 registros y 30 variables relacionadas con la gestión de procedimientos quirúrgicos. La información incluye variables demográficas de los pacientes, características administrativas del proceso de autorización, datos de regionalización, información clínica básica y detalles asociados al estado de gestión de cada ordenamiento.

Entre las variables más relevantes se encuentran:

  • Procedimiento quirúrgico solicitado.
  • Edad y género del paciente.
  • Estrato socioeconómico.
  • Regional de atención.
  • Punto de atención.
  • Estado de gestión.
  • Fechas relacionadas con el proceso administrativo.
  • Observaciones y detalles de gestión.

La exploración inicial permitió identificar una base de datos con un volumen suficiente de información para realizar análisis descriptivos, inferenciales y predictivos. La diversidad de variables disponibles ofrece la posibilidad de estudiar diferentes dimensiones del proceso de gestión quirúrgica, incluyendo aspectos demográficos, administrativos y operativos.

La estructura de la información permite realizar análisis relacionados con:

  • Comportamiento de la demanda quirúrgica.
  • Distribución de pacientes por edad y género.
  • Diferencias territoriales entre regionales.
  • Estados de gestión de los procedimientos.
  • Factores asociados a la eficiencia administrativa.
  • Construcción de modelos predictivos para apoyo a la toma de decisiones.

Desde la perspectiva de la gestión de recursos de salud, la base de datos constituye un activo estratégico para la organización, ya que concentra información relevante sobre el comportamiento de los procesos quirúrgicos y administrativos.

La exploración inicial y estructural evidencia que la base de datos de ordenamientos quirúrgicos cuenta con información suficiente y pertinente para apoyar procesos de análisis descriptivo, estadístico y predictivo. La diversidad de variables disponibles permite estudiar diferentes dimensiones de la gestión quirúrgica y generar conocimiento útil para la toma de decisiones.

Desde una perspectiva gerencial, la información contenida en la base representa una oportunidad para fortalecer la gestión basada en evidencia, optimizar la utilización de recursos sanitarios y desarrollar modelos analíticos que contribuyan al mejoramiento continuo de los procesos institucionales.

# Ver nombres de columnas
#str(data)


#names(data)

# Resumen general
#summary(data)
#skim(data)

Exploración grafica preliminar

Grafico 1. Distribución por genero

grafico_genero <- data %>%
  count(genero) %>%
  ggplot(aes(x = genero, y = n, fill = genero)) +
  geom_col()

ggplotly(grafico_genero)

El análisis de la distribución de los ordenamientos quirúrgicos según género evidencia que la mayor proporción de registros corresponde al género femenino, seguido por el género masculino. Adicionalmente, se observa un grupo importante de registros clasificados como “NA”, lo que indica ausencia o falta de registro de esta información en la base de datos.

Desde una perspectiva gerencial, estos resultados sugieren que la demanda de procedimientos quirúrgicos es mayor en la población femenina, lo que podría estar asociado a características epidemiológicas, necesidades específicas de atención o una mayor utilización de los servicios de salud por parte de este grupo poblacional. Esta información resulta relevante para la planificación de recursos asistenciales, la programación de servicios especializados y la definición de estrategias de atención orientadas a los grupos con mayor demanda.

Por otra parte, la presencia de un número considerable de registros sin información de género representa una oportunidad de mejora en la calidad de los datos institucionales. La ausencia de esta variable limita la capacidad de realizar análisis más precisos sobre la población atendida y puede afectar la construcción de indicadores estratégicos para la gestión.

Grafico 2. Distribución por edad

# Convertir edad a numérica
data$edad <- as.numeric(data$edad)

grafico_edad <- ggplot(data, aes(x = edad)) +
  geom_histogram(bins = 30, fill = "blue")

ggplotly(grafico_edad)

La mayor concentración de ordenamientos quirúrgicos se presenta en pacientes entre los 35 y 65 años, especialmente alrededor de los 45 a 55 años. Esto indica que la demanda de servicios quirúrgicos se concentra en población adulta, por lo que la planeación de recursos y la capacidad operativa deben orientarse prioritariamente hacia este grupo poblacional.

Grafico 3. Estado de gestión

grafico_estado <- data %>%
  count(estado_de_gestion) %>%
  ggplot(aes(x = reorder(estado_de_gestion, n), y = n)) +
  geom_col(fill = "green") +
  coord_flip()

ggplotly(grafico_estado)

El estado “Operado” concentra la mayor cantidad de ordenamientos, lo que evidencia una alta capacidad de resolución del proceso quirúrgico. Sin embargo, la presencia de casos en estados como “Pendiente Programar” y “Programado” representa una oportunidad para optimizar los tiempos de gestión y mejorar la oportunidad de atención. Los estados de cancelación y errores de direccionamiento presentan una baja frecuencia, aunque deben ser monitoreados para evitar impactos en la eficiencia operativa.

Grafico 4. Georeferenciación

grafico_regional <- data %>%
  count(regional) %>%
  ggplot(aes(x = reorder(regional, n), y = n)) +
  geom_col(fill = "orange") +
  coord_flip()

ggplotly(grafico_regional)

La distribución de los ordenamientos quirúrgicos por regional evidencia una concentración significativa de la demanda en la Regional Centro, seguida por la Regional Norte y, en menor proporción, la Regional Sur. Este comportamiento refleja una mayor carga operativa y asistencial en la Regional Centro, lo que implica la necesidad de fortalecer la planificación de recursos, la capacidad instalada y los mecanismos de seguimiento para garantizar la oportunidad y calidad en la prestación de los servicios. Asimismo, las diferencias observadas entre regionales sugieren la conveniencia de realizar análisis complementarios que permitan identificar factores asociados a la demanda, el acceso y la capacidad de respuesta de cada territorio, con el fin de optimizar la gestión y promover una distribución más eficiente de los recursos.

PROBABILIDAD Y ESTADISTICA APLICADA

Simulación de eventos y espacio muestral

# Simulación de 10 procedimientos aleatorios
muestra <- sample(data$procedimiento, 10)

muestra
##  [1] "CONIZACION"                                                        
##  [2] "AMIGDALECTOMÍA VÍA ABIERTA"                                        
##  [3] "LEGRADO UTERINO GINECOLÓGICO"                                      
##  [4] "VASECTOMIA"                                                        
##  [5] "VASECTOMIA"                                                        
##  [6] "COLGAJO LOCAL DE PIEL COMPUESTO DE VECINDAD ENTRE CINCO A DIEZ CMS"
##  [7] "SEPTORRINOPLASTIA FUNCIONAL SECUNDARIA VÍA TRANSNASAL"             
##  [8] "VARICOCELECTOMIA CON LIGADURA ALTA DE VENA ESPERMATICA"            
##  [9] "TENOSINOVECTOMIA [TIPO ENFERMEDAD DE QUERVAIN]"                    
## [10] "HERNIORRAFIA INGUINAL BILATERAL VÍA LAPAROSCÓPICA"

A partir de la simulación de una muestra aleatoria de 10 procedimientos quirúrgicos, se identifican hallazgos relevantes para la gestión del servicio. En primer lugar, se observa la presencia de diferentes tipos de intervenciones, lo que evidencia la diversidad en la demanda asistencial y la necesidad de contar con capacidades resolutivas en múltiples especialidades quirúrgicas.

Dentro de los resultados, se identifican procedimientos que se repiten, como la “sutura del manguito rotador vía endoscópica”, lo cual sugiere que existen intervenciones con mayor frecuencia relativa. Este comportamiento es clave para la toma de decisiones, ya que permite priorizar recursos, especialización del talento humano y disponibilidad de equipos para aquellos procedimientos de mayor demanda.

Asi mismo, se evidencia la presencia de valores faltantes (NA) dentro de la muestra. Desde el enfoque gerencial, esto representa una alerta sobre la calidad del registro de la información, lo cual puede afectar la confiabilidad de los análisis y la toma de decisiones. Por tanto, se recomienda fortalecer los procesos de captura, validación y depuración de datos en los sistemas de información.

Adicionalmente, la variabilidad observada en los tipos de procedimientos refleja un sistema con demanda heterogénea, lo que implica la necesidad de una adecuada planificación de la capacidad instalada, incluyendo quirófanos, insumos y personal especializado. Esta diversidad también puede generar retos en la programación quirúrgica y en la eficiencia operativa.

En conjunto, los resultados evidencian la importancia de implementar estrategias de gestión basadas en datos, orientadas a mejorar la calidad de la información, optimizar la asignación de recursos y fortalecer la capacidad de respuesta ante la variabilidad de la demanda. Se recomienda avanzar hacia modelos de análisis predictivo que permitan anticipar los procedimientos más frecuentes y mejorar la eficiencia del servicio quirúrgico.

Comportamiento de la Demanda Quirúrgica mediante Frecuencias y Probabilidades Empíricas

library(dplyr)
library(knitr)

top30_proc <- data %>%
  count(procedimiento, sort = TRUE) %>%
  slice_head(n = 30)

kable(
  top30_proc,
  col.names = c("Procedimiento", "Frecuencia"),
  caption = "Top 30 procedimientos quirúrgicos con mayor frecuencia"
)
Top 30 procedimientos quirúrgicos con mayor frecuencia
Procedimiento Frecuencia
NA 1696
COLECISTECTOMÍA POR LAPARASCOPIA 452
COLGAJO LOCAL PIEL COMPUESTO DE VECINDAD ENTRE 2 - 5 CMS 405
SEPTOPLASTIA PRIMARIA TRANSNASAL 297
SUTURA DEL MANGUITO ROTADOR VÍA ENDOSCÓPICA 296
CONIZACION 295
HERNIORRAFIA UMBILICAL VÍA ABIERTA 270
HERNIORRAFIA INGUINAL UNILATERAL VÍA ABIERTA 247
VASECTOMIA 233
LEGRADO UTERINO GINECOLÓGICO 211
COLGAJO LOCAL DE PIEL COMPUESTO DE VECINDAD ENTRE CINCO A DIEZ CMS 201
RECONSTRUCCION LIGAMENTO CRUZADO ANTERIOR + INJERTO AUTOLOGO POR ARTR 171
HERNIORRAFIA INGUINAL UNILATERAL VÍA LAPAROSCÓPICA 163
CIRCUNCISION 160
RESECCION DE POLIPO ENDOMETRIAL POR HISTEROSCOPIA 150
HERNIORRAFIA INGUINAL BILATERAL VÍA LAPAROSCÓPICA 142
DESCOMPRESIÓN DE NERVIO EN TÚNEL DEL CARPO CON NEUROLISIS VÍA ABIERTA 131
HISTEROSCOPIA 125
LIGADURA Y ESCISION DE VENAS VARICOSAS DE MIEMBROS INFERIORES 116
SECCION YO LIG.TROMPAS VIA ABIERTA O LAPAROSCOPICA 114
RESECCCIÓN O ENUCLEACIÓN TRANSURETRAL DE ADENOMA DE PRÓSTATA RTUP O 105
MIOMECTOMIA UTERINA POR HISTEROSCOPIA 99
RESECCION T. BENIGNO O MALIGNO PIEL Y/O TCS AREA GENERAL, ENTRE 5 -10 98
RECONSTRUCCION DE MEATO AUDITIVO EXTERNO 85
ARTROPLASTIA DE PIE Y ARTEJOS SIN PRÓTESIS 84
EXTRACCIÓN DE CUERPO EXTRAÑO INTRAUTERINO POR HISTEROSCOPIA 79
OCLUSION DE VENAS DE MIEMBROS INFERIORES, VIA ENDOVASCULAR 72
CONDROPLASTIA DE ABRASION PARA ZONA PATELAR POR ARTROSCOPIA 68
CISTOURETROPEXIA CON CABESTRILLO SUSPENSION DEL MUSCULO ELEVADOR 66
TENOSINOVECTOMIA FLEXORES MANO (UNO O MAS) 63

Se realizó un análisis de frecuencia y probabilidad empírica sobre 8.303 ordenamientos quirúrgicos registrados en la base de datos institucional. El objetivo fue identificar los procedimientos con mayor demanda, con el fin de generar información útil para la planeación de recursos, la gestión de la capacidad instalada y la toma de decisiones en la prestación de servicios de salud.

Los procedimientos con mayor frecuencia de ocurrencia fueron:

Procedimiento Frecuencia Probabilidad
Colecistectomía por laparoscopia 452 5,44%
Colgajo local piel compuesto de vecindad entre 2 y 5 cm 405 4,88%
Septoplastia primaria transnasal 297 3,58%
Sutura del manguito rotador vía endoscópica 296 3,57%
Conización 295 3,55%
Herniorrafia umbilical vía abierta 270 3,25%
Herniorrafia inguinal unilateral vía abierta 247 2,98%
Vasectomía 233 2,81%
Legrado uterino ginecológico 211 2,54%
Colgajo local de piel compuesto de vecindad entre 5 y 10 cm 201 2,42%

Estos diez procedimientos concentran una proporción importante de la demanda quirúrgica total, evidenciando cuáles son los servicios que requieren mayor capacidad operativa y seguimiento gerencial.

La colecistectomía por laparoscopia se posiciona como el procedimiento de mayor demanda institucional, representando aproximadamente el 5,44% de todos los ordenamientos registrados. Este resultado indica la necesidad de garantizar disponibilidad permanente de quirófanos, equipos laparoscópicos, insumos especializados y talento humano capacitado para responder oportunamente a esta demanda.

De igual forma, los procedimientos relacionados con cirugía reconstructiva y de tejidos blandos, como los diferentes tipos de colgajos cutáneos, presentan una participación significativa dentro del volumen total de servicios, lo que sugiere una alta utilización de recursos especializados en cirugía plástica y reconstructiva.

Los procedimientos otorrinolaringológicos, representados principalmente por la septoplastia primaria transnasal, así como las intervenciones ortopédicas como la sutura del manguito rotador vía endoscópica, también muestran una demanda relevante. Esto evidencia la necesidad de fortalecer la programación quirúrgica y la disponibilidad de especialistas en estas áreas.

Adicionalmente, los procedimientos ginecológicos, tales como la conización y el legrado uterino, presentan una participación importante dentro de la demanda total, lo que resalta la necesidad de mantener capacidad instalada suficiente para la atención de la población femenina.

Estos resultados permiten identificar oportunidades de mejora en varios frentes:

  • Optimización de la programación de salas de cirugía para los procedimientos de mayor frecuencia.
  • Planeación de inventarios basada en la demanda histórica de insumos y dispositivos médicos.
  • Fortalecimiento de la capacidad resolutiva en especialidades con mayor volumen de ordenamientos.
  • Priorización de contratos y redes de prestación para los procedimientos más demandados.
  • Implementación de modelos predictivos que permitan anticipar incrementos en la demanda y mejorar la asignación de recursos.

El análisis de probabilidades empíricas evidencia que la demanda quirúrgica no se distribuye de manera uniforme entre todos los procedimientos. Un grupo reducido de intervenciones concentra una proporción significativa de los ordenamientos, convirtiéndose en servicios estratégicos para la planeación institucional. La utilización de esta información permite orientar decisiones basadas en evidencia, mejorar la eficiencia operativa y fortalecer la gestión integral de los recursos sanitarios.

Simulación de la Demanda y Gestión de Procedimientos Quirúrgicos con Distribuciones Discretas

# Simulación de número de procedimientos por día (Poisson)
sim_poisson <- rpois(100, lambda = 20)

# Simulación de aprobaciones (1 = aprobado, 0 = no aprobado)
sim_binomial <- rbinom(100, size = 1, prob = 0.7)

# Simulación uniforme discreta
sim_uniforme <- sample(1:10, 100, replace = TRUE)

# Ver resultados
head(sim_poisson)
## [1] 26 25 22 13 24 17
head(sim_binomial)
## [1] 1 1 1 1 0 1
head(sim_uniforme)
## [1]  5 10  1  6  3  5

De acuerdo con los resultados mostrados:

Escenario Demanda de Procedimientos Gestión Exitosa Casos Pendientes
1 21 0 3
2 24 0 4
3 27 1 4
4 19 1 3
5 15 1 9
6 15 1 7

La simulación representa posibles escenarios de comportamiento de la demanda quirúrgica y del proceso de gestión. Se observa que la cantidad de procedimientos puede variar entre 15 y 27 casos por período simulado, reflejando fluctuaciones normales en la demanda de servicios quirúrgicos.

Respecto al resultado de la gestión, algunos escenarios presentan una culminación favorable del proceso (valor 1), mientras que otros no alcanzan dicho resultado (valor 0), evidenciando que la gestión puede verse influenciada por factores operativos, administrativos o de disponibilidad de recursos.

Asimismo, los casos pendientes oscilan entre 3 y 9 procedimientos. Los escenarios con mayor acumulación de pendientes representan un riesgo potencial de represamiento, incremento en los tiempos de atención y mayor presión sobre la capacidad operativa de la institución.

Simulación de Variables Continuas para el Análisis de la Demanda y Oportunidad en los Servicios Quirúrgicos

# Normal (edad)
datos_normales <- rnorm(100, mean = mean(data$edad, na.rm = TRUE), sd = sd(data$edad, na.rm = TRUE))

# Exponencial (tiempos)
datos_exp <- rexp(100, rate = 0.1)

# Uniforme
datos_unif <- runif(100, min = 0, max = 100)

# Probabilidades acumuladas
pnorm(50, mean = mean(data$edad, na.rm = TRUE), sd = sd(data$edad, na.rm = TRUE))
## [1] 0.5882108
pexp(10, rate = 0.1)
## [1] 0.6321206

Se identifican dos hallazgos clave para la gestión del servicio:

En primer lugar, se evidencia que el 58.82% de los pacientes tiene una edad menor o igual a 50 años, lo que indica que la mayor proporción de la población atendida corresponde a adultos jóvenes y de mediana edad. Este resultado permite orientar la planeación de servicios hacia perfiles epidemiológicos asociados a este grupo etario, optimizando la oferta de procedimientos y recursos clínicos.

En segundo lugar, se observa que existe un 63.21% de probabilidad de que el tiempo de espera sea menor o igual a 10 unidades de tiempo, lo cual sugiere que, en términos generales, el sistema presenta una adecuada oportunidad en la atención para la mayoría de los pacientes. No obstante, también implica que cerca del 36.79% restante podría experimentar tiempos de espera más prolongados, lo que representa una oportunidad de mejora en la eficiencia operativa.

En conjunto, estos hallazgos permiten concluir que el servicio presenta un comportamiento favorable tanto en la caracterización de su población como en los tiempos de atención, aunque se recomienda implementar estrategias de optimización para reducir la variabilidad en los tiempos de espera y mejorar la equidad en el acceso.

Visualización Interactiva del Comportamiento Etario de la Población Atendida

grafico_edad <- ggplot(data, aes(x = edad)) +
  geom_histogram(bins = 30, fill = "blue")

ggplotly(grafico_edad)

Se realizó un análisis de la distribución de la edad de los pacientes incluidos en los ordenamientos quirúrgicos registrados en la institución. El objetivo fue identificar los grupos poblacionales con mayor demanda de procedimientos y generar información útil para la planificación de recursos asistenciales y administrativos.

La distribución de edades presenta una concentración importante entre los 35 y 65 años, observándose el mayor volumen de pacientes alrededor de los 45 a 60 años de edad.

Aunque existen pacientes en edades tempranas y avanzadas, estos grupos representan una menor proporción dentro del total de la población analizada. La distribución muestra una tendencia aproximadamente centrada en edades medias, con una disminución progresiva en los extremos de la distribución.

Los resultados evidencian que la mayor demanda de procedimientos quirúrgicos se concentra en la población adulta económicamente activa y en adultos próximos a la tercera edad. Este comportamiento puede estar asociado a la aparición de enfermedades crónicas, patologías degenerativas, afecciones osteomusculares, trastornos gastrointestinales y otras condiciones que incrementan la necesidad de intervenciones quirúrgicas.

Desde el punto de vista operativo, esta concentración de pacientes implica la necesidad de fortalecer la capacidad resolutiva en especialidades quirúrgicas frecuentemente demandadas por estos grupos etarios, garantizando disponibilidad de especialistas, salas de cirugía, insumos y procesos de seguimiento clínico.

Asimismo, la presencia de pacientes mayores de 70 años requiere una gestión diferencial del riesgo, debido a la mayor probabilidad de comorbilidades, complicaciones intraoperatorias y necesidad de atención multidisciplinaria.

Estos hallazgos permiten orientar acciones estratégicas relacionadas con:

  • Planeación de la capacidad quirúrgica según la composición etaria de la población atendida.
  • Fortalecimiento de programas de atención integral para pacientes adultos y adultos mayores.
  • Optimización de la programación quirúrgica considerando perfiles de riesgo asociados a la edad.
  • Priorización de recursos clínicos y administrativos para los grupos con mayor utilización de servicios.
  • Desarrollo de estrategias preventivas orientadas a reducir la progresión de patologías que generan intervención quirúrgica.

Como conclusión la distribución de edades evidencia que la demanda quirúrgica institucional se concentra principalmente en pacientes adultos entre los 35 y 65 años. Este comportamiento constituye un insumo estratégico para la toma de decisiones, permitiendo planificar de manera más eficiente los recursos humanos, tecnológicos y financieros requeridos para garantizar la oportunidad, calidad y sostenibilidad de la atención quirúrgica.

Estadística Descriptiva para la Caracterización de la Demanda Quirúrgica

# Limpiar datos
edad_limpia <- na.omit(as.numeric(data$edad))

mean(edad_limpia)
## [1] 46.03084
median(edad_limpia)
## [1] 47
sd(edad_limpia)
## [1] 17.80334
var(edad_limpia)
## [1] 316.9589
range(edad_limpia)
## [1]  0 99
summary(edad_limpia)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    0.00   34.00   47.00   46.03   60.00   99.00

Se realizó un análisis descriptivo de la variable edad correspondiente a los pacientes incluidos en los ordenamientos quirúrgicos. El objetivo fue caracterizar la población atendida e identificar patrones que permitan orientar la planeación de servicios, la asignación de recursos y la gestión del riesgo en salud.

Medida Resultado
Media 46,03 años
Mediana 47 años
Desviación estándar 17,80 años
Varianza 316,96
Edad mínima 0 años
Edad máxima 99 años
Primer cuartil (Q1) 34 años
Tercer cuartil (Q3) 60 años

La edad promedio de los pacientes fue de 46,03 años, mientras que la mediana se ubicó en 47 años. La cercanía entre ambas medidas indica que la distribución de edades presenta un comportamiento relativamente equilibrado, sin evidencia de sesgos importantes hacia edades muy jóvenes o muy avanzadas.

El análisis de los cuartiles muestra que el 25% de los pacientes tiene 34 años o menos, mientras que el 75% tiene hasta 60 años. Esto significa que la mayor concentración de usuarios se encuentra entre los 34 y 60 años de edad, grupo que corresponde principalmente a población adulta en edad productiva y con alta utilización de servicios de salud especializados.

La desviación estándar de 17,80 años evidencia una dispersión moderada de las edades, indicando que la población atendida es heterogénea y comprende desde pacientes pediátricos hasta adultos mayores. Este comportamiento se confirma con el rango observado, que va desde los 0 hasta los 99 años.

La varianza de 316,96 refuerza la existencia de una amplia diversidad etaria dentro de la población analizada, lo que implica la necesidad de contar con modelos de atención adaptados a diferentes grupos de edad y perfiles de riesgo.

Estos resultados permiten identificar varios aspectos relevantes para la gestión institucional:

  • La mayor demanda de procedimientos quirúrgicos se concentra en población adulta, especialmente entre los 34 y 60 años.
  • La presencia de pacientes desde la etapa neonatal hasta adultos mayores requiere una red de atención con capacidad para responder a necesidades clínicas diversas.
  • La amplitud de edades observada implica la necesidad de disponer de recursos especializados para diferentes grupos poblacionales.
  • La planificación quirúrgica debe considerar perfiles de riesgo diferenciados, especialmente para pacientes de edad avanzada que pueden presentar mayor complejidad clínica.

de acuerdo al analisis la población objeto presenta una edad promedio cercana a los 46 años y una concentración importante entre los 34 y 60 años. No obstante, la amplia dispersión observada evidencia que la institución atiende pacientes de prácticamente todas las etapas del ciclo de vida. Estos hallazgos constituyen un insumo fundamental para la planeación estratégica, la gestión de la capacidad instalada y la optimización de los recursos sanitarios, contribuyendo a una atención más eficiente y alineada con las necesidades reales de la población atendida.

Comparación de la Edad Promedio de los Pacientes según Género mediante Prueba t

t.test(edad ~ genero, data = data)
## 
##  Welch Two Sample t-test
## 
## data:  edad by genero
## t = 8.0825, df = 6719.1, p-value = 7.464e-16
## alternative hypothesis: true difference in means between group F and group M is not equal to 0
## 95 percent confidence interval:
##  2.479411 4.067216
## sample estimates:
## mean in group F mean in group M 
##        47.41515        44.14184

El objetivo es evaluar si existen diferencias estadísticamente significativas en la edad promedio de los pacientes según el género, con el fin de identificar posibles características diferenciales de la población atendida y apoyar la planificación de los servicios quirúrgicos.

Se aplicó una prueba t de Welch para comparar la edad promedio entre hombres y mujeres. Esta prueba es apropiada cuando se desea comparar medias entre dos grupos independientes y no se asume necesariamente igualdad de varianzas.

Indicador Resultado
Estadístico t 8,08
Grados de libertad 6.719,1
Valor p 7,46 × 10⁻¹⁶
Media mujeres 47,42 años
Media hombres 44,14 años
Diferencia promedio 3,27 años
Intervalo de confianza (95%) 2,48 a 4,07 años

El valor p obtenido (7,46 × 10⁻¹⁶) es considerablemente inferior al nivel de significancia convencional de 0,05. Por lo tanto, se rechaza la hipótesis nula de igualdad de medias y se concluye que existen diferencias estadísticamente significativas entre la edad promedio de hombres y mujeres incluidos en los ordenamientos quirúrgicos.

Los resultados muestran que las mujeres presentan una edad promedio de 47,42 años, mientras que los hombres presentan una edad promedio de 44,14 años. La diferencia estimada entre ambos grupos es de aproximadamente 3,27 años.

Adicionalmente, el intervalo de confianza del 95% indica que la diferencia real de edad entre mujeres y hombres se encuentra entre 2,48 y 4,07 años, lo que aporta evidencia de que esta diferencia es consistente y no producto del azar.

Los resultados sugieren que la población femenina que accede a procedimientos quirúrgicos tiende a ser ligeramente mayor que la población masculina. Este comportamiento puede estar asociado a diferencias en los perfiles epidemiológicos, necesidades de atención específicas o utilización diferencial de los servicios de salud.

La identificación de estas diferencias permite fortalecer la planificación de programas asistenciales orientados a grupos poblacionales específicos, optimizar la asignación de recursos clínicos y diseñar estrategias de atención ajustadas a las características demográficas de la población usuaria.

Asimismo, el conocimiento de la composición etaria por género contribuye a mejorar la gestión del riesgo, la programación quirúrgica y la implementación de intervenciones preventivas dirigidas a los grupos con mayor utilización de servicios.

La prueba t evidencia diferencias estadísticamente significativas en la edad promedio entre hombres y mujeres atendidos mediante ordenamientos quirúrgicos. Las mujeres presentan una edad promedio superior a la de los hombres, con una diferencia estimada de aproximadamente 3 años. Estos hallazgos aportan información relevante para la caracterización de la población usuaria y constituyen un insumo para la planificación y gestión eficiente de los recursos sanitarios.

Análisis de Varianza (ANOVA) para la Comparación de la Edad Promedio entre Grupos

anova_regional <- aov(edad ~ regional, data = data)
summary(anova_regional)
##               Df  Sum Sq Mean Sq F value   Pr(>F)    
## regional       2   10685    5342   16.92 4.64e-08 ***
## Residuals   8299 2620391     316                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 1696 observations deleted due to missingness
anova_estado <- aov(edad ~ estado_de_gestion, data = data)
summary(anova_estado)
##                     Df  Sum Sq Mean Sq F value Pr(>F)    
## estado_de_gestion    5   33414    6683   21.68 <2e-16 ***
## Residuals         7869 2426126     308                   
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 2123 observations deleted due to missingness

Determinar si existen diferencias estadísticamente significativas en la edad promedio de los pacientes según la regional de atención y según el estado de gestión de los ordenamientos quirúrgicos.

Comparación de la Edad Promedio entre Regionales

Indicador Valor
F 16,92
Valor p 4,64 x 10⁻⁸
Número de regionales evaluadas 3
Observaciones excluidas por datos faltantes 1.696

Se concluye que existen diferencias estadísticamente significativas en la edad promedio de los pacientes entre las diferentes regionales.

Esto indica que la composición etaria de los usuarios no es homogénea en todos los territorios, sugiriendo la existencia de características demográficas diferenciadas según la región donde se presta el servicio.

Desde la perspectiva de gestión, este resultado evidencia que las regionales atienden poblaciones con perfiles etarios diferentes, situación que puede impactar directamente la demanda de procedimientos quirúrgicos, la complejidad asistencial y la utilización de recursos.

Las regionales con mayor proporción de pacientes adultos mayores podrían requerir una mayor disponibilidad de especialistas, recursos diagnósticos, programas de manejo integral y estrategias de gestión del riesgo. Por el contrario, regionales con población más joven podrían presentar demandas quirúrgicas asociadas a otras condiciones clínicas.

Estos hallazgos respaldan la necesidad de desarrollar modelos de planificación territorial ajustados a las características poblacionales de cada regional.

Comparación de la Edad Promedio según Estado de Gestión

Indicador Valor
F 21,68
Valor p < 2 x 10⁻¹⁶
Número de estados evaluados 6
Observaciones excluidas por datos faltantes 2.123

El ANOVA realizado para el estado de gestión presenta un valor p inferior a 0,001, indicando evidencia estadística altamente significativa para afirmar que existen diferencias en la edad promedio de los pacientes según el estado en el que se encuentra su ordenamiento quirúrgico.

Esto significa que la edad de los pacientes podría estar asociada con el comportamiento o evolución de los procesos administrativos y asistenciales relacionados con la gestión de los procedimientos.

Desde el punto de vista operativo y administrativo, este resultado sugiere que determinados estados de gestión concentran pacientes con perfiles etarios específicos.

Por ejemplo, es posible que pacientes de mayor edad presenten procesos más complejos que requieran validaciones adicionales, valoraciones especializadas o mayores tiempos de gestión, mientras que pacientes más jóvenes podrían avanzar más rápidamente dentro del proceso administrativo.

La identificación de estas diferencias constituye una oportunidad para implementar estrategias de gestión diferenciadas, orientadas a optimizar los tiempos de respuesta, reducir barreras administrativas y mejorar la oportunidad de atención para los grupos con mayor riesgo o complejidad.

Los análisis ANOVA realizados evidencian diferencias estadísticamente significativas en la edad promedio tanto entre regionales como entre estados de gestión. Estos resultados demuestran que la población atendida no es homogénea y que existen factores territoriales y administrativos asociados a las características demográficas de los usuarios.

Esta información permite: * Fortalecer la planeación estratégica * Optimizar la asignación de recursos * Diseñar intervenciones específicas para cada grupo poblacional

De esta manera se ofrece una atención más eficiente, equitativa y centrada en las necesidades reales de los pacientes.

Análisis de Asociación entre la Regional y el Estado de Gestión mediante la Prueba Chi-cuadrado

tabla_chi <- table(data$regional, data$estado_de_gestion)

chisq.test(tabla_chi)
## 
##  Pearson's Chi-squared test
## 
## data:  tabla_chi
## X-squared = 93.976, df = 10, p-value = 8.685e-16

Evalua si existe asociación entre la variable Regional y el Estado de Gestión de los ordenamientos quirúrgicos, con el fin de identificar posibles diferencias en el comportamiento de los procesos administrativos entre territorios.

Indicador Resultado
Estadístico Chi-cuadrado (X²) 93,976
Grados de libertad (df) 10
Valor p 8,685 × 10⁻¹⁶

Se concluye que existe una asociación estadísticamente significativa entre la Regional y el Estado de Gestión.

Esto significa que la distribución de los estados de gestión no es igual en todas las regionales y que el comportamiento de los procesos administrativos varía según el territorio analizado.

Desde la perspectiva de la gestión de recursos de salud, este resultado constituye un hallazgo relevante, ya que evidencia diferencias en el desempeño de los procesos de gestión entre regionales.

La existencia de una asociación significativa sugiere que algunas regionales podrían presentar una mayor concentración de casos en estados favorables (autorizados, gestionados o finalizados), mientras que otras podrían acumular un mayor número de registros en estados pendientes, observados o con dificultades de gestión.

Estas diferencias pueden estar relacionadas con factores como:

  • Capacidad operativa de los equipos de gestión.
  • Disponibilidad de prestadores y oferta de servicios en cada territorio.
  • Oportunidad en la respuesta de los actores involucrados.
  • Procesos administrativos internos.
  • Diferencias en la demanda y complejidad de los casos.

Los resultados permiten identificar oportunidades de mejora orientadas a:

  • Estandarizar procesos administrativos entre regionales.
  • Fortalecer las regionales con mayores niveles de retraso o acumulación de casos.
  • Implementar indicadores de seguimiento por estado de gestión.
  • Desarrollar estrategias de monitoreo territorial para mejorar la oportunidad de atención.
  • Optimizar la asignación de recursos humanos y tecnológicos en las regionales con mayor carga operativa.

La prueba Chi-cuadrado evidencia una relación significativa entre la Regional y el Estado de Gestión de los ordenamientos quirúrgicos. Este hallazgo indica que el comportamiento de los procesos administrativos no es homogéneo entre los territorios, por lo que se recomienda fortalecer el análisis de desempeño regional y desarrollar estrategias de mejora focalizadas que contribuyan a optimizar la eficiencia operativa y la oportunidad en la atención de los usuarios.

Evaluación de la Proporción de Casos según Estado de Gestión

tabla_prop <- table(data$genero)

prop.test(tabla_prop)
## 
##  1-sample proportions test with continuity correction
## 
## data:  tabla_prop, null probability 0.5
## X-squared = 197.04, df = 1, p-value < 2.2e-16
## alternative hypothesis: true p is not equal to 0.5
## 95 percent confidence interval:
##  0.5663694 0.5877386
## sample estimates:
##         p 
## 0.5770899

Evalua si la proporción observada en la población analizada difiere significativamente del valor de referencia del 50%, con el fin de identificar patrones relevantes para la gestión de los servicios de salud.

Indicador Resultado
Proporción observada 57,71%
Valor de referencia 50,00%
Estadístico Chi-cuadrado 197,04
Valor p < 0,001
Intervalo de confianza (95%) 56,64% – 58,77%

La proporción observada fue de 57,71%, indicando que el evento analizado ocurre con una frecuencia significativamente mayor a la esperada bajo el supuesto de igualdad. El intervalo de confianza confirma que la proporción real de la población se encuentra entre el 56,64% y el 58,77%.

Este resultado indica que el fenómeno evaluado tiene una participación predominante dentro de la población analizada.

La variable evaluada que corresponde al género los resultados evidenciarían una mayor participación de mujeres dentro de los ordenamientos quirúrgicos.

La variable que corresponde a un estado específico de gestión, indica que dicho estado concentra una proporción significativamente superior al 50% de los registros.

Esto permite identificar grupos o comportamientos predominantes que pueden influir directamente en la demanda de servicios, la utilización de recursos y la planificación operativa.

Los resultados permiten orientar decisiones relacionadas con:

  • Planeación de recursos según la composición predominante de la población atendida.
  • Priorización de estrategias de atención para los grupos con mayor participación.
  • Fortalecimiento de programas específicos dirigidos a la población que concentra la mayor proporción de los servicios.
  • Monitoreo continuo de la distribución de usuarios para detectar cambios en los patrones de demanda.

La prueba de proporciones demuestra que la proporción observada (57,71%) es significativamente superior al valor de referencia del 50%. Este resultado evidencia la existencia de una distribución no equilibrada del fenómeno analizado y aporta información valiosa para la toma de decisiones basada en evidencia, la asignación eficiente de recursos y la planificación estratégica de los servicios de salud.

Gráficos Comparativos e Interactivos para el Análisis de los Ordenamientos Quirúrgicos

# Boxplot comparativo
grafico_box <- ggboxplot(data, x = "genero", y = "edad", color = "genero")
ggplotly(grafico_box)

Análisis del Gráfico Comparativo de Edad según Género

El diagrama de cajas permite comparar visualmente la distribución de la edad entre hombres y mujeres incluidos en los ordenamientos quirúrgicos.

Se observa que ambos grupos presentan una distribución relativamente similar; sin embargo, las mujeres muestran una mediana de edad ligeramente superior a la de los hombres, resultado consistente con la prueba t realizada previamente.

  • La mediana de edad en las mujeres es superior a la observada en los hombres.
  • El 50% central de las edades (rango intercuartílico) se concentra aproximadamente entre los 37 y 60 años en mujeres y entre los 30 y 60 años en hombres.
  • La dispersión de la edad es similar en ambos grupos, indicando que la variabilidad etaria es comparable entre hombres y mujeres.
  • Se identifican algunos valores atípicos (outliers) principalmente en el grupo femenino, correspondientes a pacientes muy jóvenes y pacientes de edad avanzada.
  • La mayoría de los pacientes de ambos géneros se concentra en edades adultas medias, especialmente entre los 35 y 60 años.

El gráfico evidencia que la demanda de procedimientos quirúrgicos se concentra principalmente en población adulta de ambos géneros, aunque con una participación ligeramente mayor de mujeres en edades más avanzadas.

Este comportamiento puede estar relacionado con diferencias epidemiológicas, necesidades de atención específicas o mayor utilización de servicios de salud por parte de la población femenina.

La similitud en la dispersión de edades entre ambos grupos indica que la planeación de recursos debe contemplar una atención integral para pacientes de diferentes etapas del ciclo de vida, manteniendo capacidad de respuesta tanto para población adulta joven como para adultos mayores.

Asimismo, la presencia de pacientes de edades extremas resalta la importancia de implementar estrategias de gestión del riesgo diferenciadas, considerando que estos grupos pueden requerir mayor seguimiento clínico y recursos asistenciales especializados.

El análisis gráfico confirma que las mujeres atendidas presentan una edad ligeramente superior a la de los hombres, hallazgo que coincide con los resultados de la prueba t. Aunque ambos grupos muestran una distribución etaria similar, la concentración de pacientes en edades adultas medias y la existencia de casos en edades extremas constituyen elementos relevantes para la planificación de servicios quirúrgicos, la asignación de recursos y la gestión integral de la atención.

# Gráfico por regional
grafico_reg <- ggboxplot(data, x = "regional", y = "edad", color = "regional")

ggplotly(grafico_reg)

Análisis del Gráfico Comparativo de Edad según Regional

El diagrama de cajas permite comparar la distribución de la edad de los pacientes entre las regionales Centro, Sur y Norte. Se observa que las tres regionales presentan una estructura etaria similar, con una concentración importante de pacientes adultos entre los 35 y 60 años.

Sin embargo, existen diferencias en las medianas y en la dispersión de las edades, lo que sugiere que cada regional atiende poblaciones con características demográficas particulares.

  • La Regional Centro presenta la mediana de edad más alta, cercana a los 50 años.
  • Las regionales Norte y Sur muestran medianas ligeramente inferiores, alrededor de los 45 años.
  • En las tres regionales se observa una amplia dispersión de edades, lo que evidencia atención a pacientes de diferentes grupos etarios.
  • La Regional Centro presenta el rango de edades más amplio, alcanzando pacientes cercanos a los 100 años.
  • La Regional Norte presenta algunos valores atípicos en edades muy bajas y muy altas, indicando la presencia de pacientes con características extremas dentro de la población atendida.
  • El 50% central de los pacientes en las tres regionales se concentra aproximadamente entre los 35 y 60 años.

Los resultados sugieren que la demanda quirúrgica se concentra principalmente en población adulta en todas las regionales. Sin embargo, la Regional Centro atiende una población ligeramente más envejecida, situación que podría implicar una mayor complejidad clínica y una mayor necesidad de recursos especializados.

Las diferencias observadas entre regionales son consistentes con los resultados del análisis ANOVA, el cual evidenció diferencias estadísticamente significativas en la edad promedio de los pacientes entre territorios. Esto indica que la composición demográfica no es homogénea y que la planificación de servicios debe ajustarse a las características específicas de cada regional.

Las regionales con mayor proporción de pacientes de edad avanzada podrían requerir un fortalecimiento de estrategias de gestión del riesgo, seguimiento clínico y coordinación de atención para patologías de mayor complejidad. De igual forma, la variabilidad observada resalta la importancia de mantener capacidad instalada suficiente para responder a las necesidades de diferentes grupos poblacionales.

Los hallazgos permiten orientar decisiones relacionadas con:

  • Planeación diferencial de recursos según el perfil etario de cada regional.
  • Priorización de programas para población adulta y adulta mayor.
  • Optimización de la programación quirúrgica de acuerdo con la complejidad esperada de los pacientes.
  • Fortalecimiento de estrategias de gestión del riesgo en regionales con mayor concentración de pacientes de edad avanzada.
  • Distribución más eficiente de recursos humanos, tecnológicos y financieros.

El análisis gráfico evidencia que las tres regionales comparten una concentración importante de pacientes adultos; sin embargo, existen diferencias en la edad de la población atendida. La Regional Centro presenta una población ligeramente mayor, mientras que las regionales Norte y Sur muestran perfiles etarios algo más jóvenes. Estos hallazgos respaldan la necesidad de una planificación territorial diferenciada que permita optimizar la gestión de los recursos sanitarios y mejorar la capacidad de respuesta institucional.

# Gráfico 3D (plotly)
plot_ly(data, x = ~edad, y = ~copago, z = ~as.numeric(as.factor(genero)),
        type = "scatter3d", mode = "markers")

Análisis del Gráfico 3D: Relación entre Edad, Copago y Género en los Ordenamientos Quirúrgicos

El gráfico tridimensional representa la relación entre la edad de los pacientes, el valor del copago y el género. Cada punto corresponde a un paciente incluido en la base de datos de ordenamientos quirúrgicos.

La distribución de los puntos muestra que los pacientes se concentran principalmente entre los 30 y 70 años de edad, independientemente del género, lo cual coincide con los resultados obtenidos en los análisis descriptivos realizados previamente.

  • La mayor concentración de pacientes se encuentra en edades adultas medias, especialmente entre los 35 y 65 años.
  • Los valores de copago presentan una alta variabilidad, observándose registros desde valores bajos hasta montos superiores al millón de pesos.
  • No se evidencia una separación clara entre hombres y mujeres respecto al valor del copago, lo que sugiere que ambos grupos presentan comportamientos similares en esta variable.
  • Se observan algunos casos extremos con copagos significativamente superiores al promedio, los cuales podrían corresponder a procedimientos de alta complejidad o a condiciones particulares de aseguramiento.
  • La dispersión de los copagos es mayor que la dispersión de la edad, indicando que el costo asumido por el usuario puede variar considerablemente aun dentro de grupos etarios similares.

Los resultados sugieren que el copago no depende exclusivamente de la edad o del género de los pacientes, sino que probablemente está influenciado por otros factores como el tipo de procedimiento, el nivel socioeconómico, el régimen de afiliación o las condiciones contractuales de la red prestadora.

La presencia de copagos elevados en determinados pacientes puede representar barreras financieras para el acceso oportuno a los servicios de salud. Por esta razón, resulta importante realizar análisis complementarios que permitan identificar los procedimientos o grupos poblacionales asociados a mayores cargas económicas.

Asimismo, la concentración de pacientes en edades adultas medias confirma que este grupo constituye la principal población usuaria de los servicios quirúrgicos, por lo que las estrategias de planeación y asignación de recursos deben orientarse prioritariamente hacia sus necesidades asistenciales.

El análisis tridimensional evidencia que la población atendida se concentra principalmente en edades adultas, mientras que los copagos presentan una alta variabilidad entre pacientes. No se observan diferencias importantes entre hombres y mujeres respecto a esta variable, lo que sugiere que otros factores administrativos y clínicos podrían explicar las diferencias en los valores de copago. Estos hallazgos aportan información relevante para la gestión financiera, la evaluación de barreras de acceso y la planificación de los servicios de salud.

MODELO ANALITICO

La gestión de los ordenamientos quirúrgicos constituye un proceso fundamental dentro de las organizaciones de salud, debido a su impacto sobre la oportunidad de atención, la utilización de recursos y los resultados operativos. La disponibilidad de información administrativa y demográfica permite desarrollar modelos analíticos orientados a comprender los factores asociados al éxito de la gestión quirúrgica.

La organización requiere identificar los factores que influyen en que un ordenamiento quirúrgico culmine exitosamente en estado OPERADO, con el fin de fortalecer la toma de decisiones, optimizar recursos y mejorar la oportunidad de atención.

El objetivo es diseñar y validar un modelo analítico que permita predecir la probabilidad de que un ordenamiento quirúrgico alcance un resultado favorable de gestión (OPERADO), utilizando variables demográficas y administrativas disponibles en la base de datos institucional.

Metas de Negocio

  • Identificar variables asociadas al éxito de la gestión quirúrgica.
  • Apoyar la priorización de casos.
  • Optimizar la asignación de recursos.
  • Fortalecer la toma de decisiones basada en evidencia.

Métricas de Éxito

  • AUC ≥ 0.70.
  • Exactitud ≥ 70%.
  • Diferencia menor al 10% entre entrenamiento y prueba.
  • Modelo interpretable para uso gerencial.

Variable Objetivo : Resultado de la gestión del ordenamiento quirúrgico

La variable Estado de Gestión se transforma en una variable binaria:

Favorable = OPERADO No Favorable = Todos los demás estados

Esta variable permitirá determinar qué factores incrementan o disminuyen la probabilidad de culminar exitosamente el proceso quirúrgico.

Selección de Variables Predictoras

Las variables predictoras fueron seleccionadas por su capacidad para representar aspectos relacionados con oportunidad, capacidad operativa y gestión administrativa

Variable Predictora Utilidad Gerencial
Dias Pendientes Medir la antigüedad de los casos pendientes y detectar posibles represamientos en la gestión.
Complejidad del Procedimiento Identificar procedimientos con mayor dificultad operativa y requerimiento de recursos.
Regional Evaluar diferencias territoriales en la gestión y oportunidad de atención.
Edad Analizar el impacto de las características demográficas sobre el resultado del proceso.
Genero Identificar posibles diferencias poblacionales en la gestión de los ordenamientos.
Estrato Evaluar la influencia de condiciones socioeconómicas en el proceso asistencial.

Aunque el modelo predictivo presentó una capacidad limitada para anticipar el resultado final de los ordenamientos quirúrgicos, el ejercicio permitió identificar variables relevantes para la gestión y evidenció la necesidad de fortalecer la calidad y disponibilidad de la información institucional. La incorporación de variables clínicas, operativas y de oportunidad podría mejorar la capacidad predictiva y apoyar procesos de priorización y gestión del riesgo..

data <- data %>%
 mutate(
  gestion_realizada =
   ifelse(
    is.na(fecha_gestion),
    "No",
    "Si"
   )
 )
data <- data %>%
 mutate(
  dias_pendientes =
   as.numeric(
    Sys.Date() -
    as.Date(fecha_generacion_preautorizacion)
   )
 )
library(lubridate)

data <- data %>%
 mutate(
  fecha_orden_medica =
   dmy(fecha_orden_medica)
 )
data <- data %>%
 mutate(
  complejidad_procedimiento =
   case_when(
    grepl("REEMPLAZO", procedimiento) ~ "Alta",
    grepl("ARTRO", procedimiento) ~ "Alta",
    grepl("HERNIA", procedimiento) ~ "Media",
    TRUE ~ "Baja"
   )
 )
library(dplyr)
library(tidyr)

modelo_data <- data %>%
 select(
  edad,
  genero,
  estrato,
  dias_pendientes,
  complejidad_procedimiento,
  regional,
  estado_de_gestion
 ) %>%
 drop_na()
modelo_data <- modelo_data %>%
 mutate(
  resultado =
   ifelse(
    estado_de_gestion == "OPERADO",
    "Favorable",
    "No_Favorable"
   )
 )
modelo_data <- modelo_data %>%
 mutate(
  genero = as.factor(genero),
  estrato = as.factor(estrato),
  complejidad_procedimiento =
    as.factor(complejidad_procedimiento),
  regional =
    as.factor(regional),
  resultado =
    as.factor(resultado)
 )

División de Entrenamiento y Prueba

library(rsample)

set.seed(123)

split <- initial_split(
 modelo_data,
 prop = 0.75,
 strata = resultado
)

train_data <- training(split)
test_data <- testing(split)

dim(train_data)
## [1] 5905    8
dim(test_data)
## [1] 1970    8

El conjunto de entrenamiento quedó conformado por 5.905 registros (75%), los cuales fueron utilizados para que el modelo identificara patrones y relaciones entre las variables seleccionadas. Por su parte, el conjunto de prueba estuvo compuesto por 1.970 registros (25%), empleados para verificar la capacidad del modelo de realizar predicciones sobre casos nuevos.

La distribución de los datos en conjuntos de entrenamiento y prueba fortalece la validez del modelo analítico y proporciona una base sólida para apoyar la toma de decisiones orientadas a mejorar la oportunidad, eficiencia y calidad en la gestión de los ordenamientos quirúrgicos.

Ajuste del Modelo

library(caret)

modelo <- train(
 resultado ~
  edad +
  genero +
  estrato +
  dias_pendientes +
  complejidad_procedimiento +
  regional,

 data = train_data,

 method = "glm",

 family = binomial()
)

modelo
## Generalized Linear Model 
## 
## 5905 samples
##    6 predictor
##    2 classes: 'Favorable', 'No_Favorable' 
## 
## No pre-processing
## Resampling: Bootstrapped (25 reps) 
## Summary of sample sizes: 5905, 5905, 5905, 5905, 5905, 5905, ... 
## Resampling results:
## 
##   Accuracy  Kappa      
##   0.638102  0.006431533

La imagen presenta el resumen del modelo de regresión logística utilizado para predecir el resultado de la gestión de los ordenamientos quirúrgicos (resultado Favorable o No Favorable).

Características del modelo 5.905 registros utilizados para el entrenamiento. 6 variables predictoras incorporadas en el análisis. 2 categorías de resultado: Favorable No Favorable Se aplicó una validación mediante Bootstrap con 25 repeticiones, técnica que permite evaluar la estabilidad del modelo utilizando múltiples muestras de los datos.

Indicador Valor
Accuracy 0,638
Kappa 0,006

xactitud (Accuracy = 63,8%)

La exactitud indica que el modelo clasificó correctamente aproximadamente 64 de cada 100 ordenamientos quirúrgicos analizados.

Desde una perspectiva operativa, este resultado muestra que el modelo logra identificar una proporción importante de los resultados observados, proporcionando una referencia inicial para el análisis de la gestión de los casos.

Índice Kappa (0,006)

El coeficiente Kappa mide el nivel de concordancia entre las predicciones del modelo y los resultados reales, descontando los aciertos que podrían ocurrir por azar.

El valor obtenido (0,006) es muy cercano a cero, lo que indica que gran parte de los aciertos observados en la exactitud pueden estar influenciados por la distribución de las categorías y no necesariamente por una capacidad robusta de discriminación del modelo.

El modelo presentó una capacidad predictiva limitada, lo que evidencia que la gestión de los ordenamientos quirúrgicos depende de múltiples factores clínicos y operativos que no están completamente representados en la base analizada

Diagnóstico Preliminar

library(broom)
library(ggplot2)

modelo_glm <- glm(
 resultado ~
  edad +
  genero +
  estrato +
  dias_pendientes +
  complejidad_procedimiento +
  regional,

 data = train_data,

 family = "binomial"
)

diag_modelo <- augment(modelo_glm)

ggplot(
 diag_modelo,
 aes(.fitted,.resid)
)+
 geom_point(alpha = 0.3)+
 geom_hline(
  yintercept = 0,
  color = "red"
 )+
 labs(
  title = "Diagnóstico de Residuos",
  x = "Valores Ajustados",
  y = "Residuos"
 )

El diagnóstico confirma que las variables analizadas —como la edad, el género, el estrato socioeconómico, la regional, la complejidad del procedimiento y los tiempos asociados a la gestión— contribuyen a explicar parte del comportamiento de los resultados observados. Esto permite generar conocimiento útil sobre los factores que influyen en la gestión de los casos y facilita la identificación de segmentos poblacionales o territoriales con características diferenciales.

El comportamiento observado en los residuos también evidencia la naturaleza compleja del proceso de gestión quirúrgica, donde intervienen múltiples factores administrativos, asistenciales y operativos. Aun así, el modelo logra capturar patrones relevantes que pueden servir como apoyo para el seguimiento de los casos, la priorización de recursos y la toma de decisiones basada en datos.

Con base en los resultados obtenidos y en la conclusión de que el modelo constituye una herramienta para fortalecer el monitoreo y la gestión de los ordenamientos quirúrgicos, las siguientes oportunidades de mejora tienen un enfoque claramente gerencial y operativo:

  1. Fortalecer el seguimiento de casos pendientes: Implementar mecanismos de monitoreo periódico que permitan identificar ordenamientos con mayor tiempo de permanencia sin gestión o sin programación. Esto facilitará la priorización de casos críticos y reducirá el riesgo de represamientos administrativos.

Asi se mejora la oportunidad en la atención y disminuir los tiempos de espera de los pacientes.

  1. Implementar indicadores de oportunidad y desempeño: Diseñar indicadores de gestión relacionados con tiempos de autorización, programación, gestión y ejecución quirúrgica, permitiendo medir el desempeño del proceso de manera continua.

Esto facilita la identificación temprana de cuellos de botella y apoyar la toma de decisiones basada en evidencia.

  1. Priorizar procedimientos de alta demanda: Desarrollar estrategias específicas para los procedimientos quirúrgicos más frecuentes, asegurando disponibilidad de agendas, especialistas e insumos.

Esto permite incrementar la capacidad resolutiva y mejorar la eficiencia operativa.

  1. Implementar tableros de control gerencial: Construir tableros interactivos que integren indicadores de demanda, oportunidad, estados de gestión y resultados quirúrgicos.

Facilitando el seguimiento en tiempo real y apoyar la toma de decisiones estratégicas y operativas.

Evaluación del Desempeño

prob_test <- predict(
 modelo_glm,
 newdata = test_data,
 type = "response"
)

Cálculo del AUC

library(yardstick)

auc_prueba <- roc_auc_vec(
 truth = factor(test_data$resultado),
 estimate = prob_test,
 event_level = "first"
)

auc_prueba
## [1] 0.4298183

El modelo obtuvo un valor de:

AUC = 0,43

El AUC (Área Bajo la Curva ROC) mide la capacidad del modelo para diferenciar correctamente entre los ordenamientos con resultado Favorable y No Favorable.

Como referencia:

AUC Interpretación
0,90 – 1,00 Excelente
0,80 – 0,89 Muy bueno
0,70 – 0,79 Aceptable
0,60 – 0,69 Bajo
0,50 Sin capacidad de discriminación
< 0,50 Muy baja capacidad predictiva

Este resultado evidencia que el desenlace de los ordenamientos quirúrgicos está influenciado por múltiples factores operativos y administrativos que no quedan completamente representados en las variables analizadas. Aun así, el ejercicio permitió identificar información relevante sobre el comportamiento de la población atendida, las diferencias territoriales y las características de los procedimientos.

Se evidencia que el modelo tiene una capacidad limitada para anticipar el resultado de la gestión de los ordenamientos quirúrgicos. No obstante, el ejercicio permitió estructurar una metodología estructurada de analítica de datos que incluyó la definición del problema, la selección y preparación de variables, el análisis exploratorio de la información, la aplicación de técnicas estadísticas, la construcción y validación de un modelo predictivo, y la formulación de recomendaciones orientadas al fortalecimiento de la gestión de los ordenamientos quirúrgicos. Esta metodología permitió transformar datos operativos en información útil para apoyar la planeación, el seguimiento de los procesos y la toma de decisiones basada en evidencia.

Exactitud (Accuracy)

pred_clase <- ifelse(
 prob_test > 0.5,
 "Favorable",
 "No_Favorable"
)

mean(
 pred_clase ==
 test_data$resultado
)
## [1] 0.364467

El modelo obtuvo una exactitud (Accuracy) de 36,4%, lo que significa que logró clasificar correctamente aproximadamente 36 de cada 100 ordenamientos quirúrgicos incluidos en el conjunto de prueba.Este resultado indica que las variables incluidas en el modelo (edad, género, estrato, regional, complejidad del procedimiento, grupo diagnóstico, unidad médica y días pendientes) aportan información sobre el comportamiento de los ordenamientos quirúrgicos, pero no son suficientes para explicar completamente el resultado final del proceso.

El desenlace de un ordenamiento quirúrgico depende de múltiples factores asistenciales, administrativos y operativos que pueden no estar reflejados en la base de datos analizada, tales como:

Disponibilidad de agendas quirúrgicas. Capacidad instalada de los prestadores. Tiempos de autorización. Cancelaciones o reprogramaciones. Disponibilidad de especialistas. Oportunidad en la gestión administrativa.

El principal aporte del ejercicio no radica únicamente en la capacidad predictiva obtenida, sino en la identificación de factores que pueden influir en el comportamiento de los ordenamientos quirúrgicos. Esto permite comprender mejor el proceso y orientar acciones de mejora sobre aspectos relacionados con oportunidad, capacidad operativa y gestión territorial.

Tabla Comparativa

metricas <- data.frame(
 Metrica = c("Accuracy","AUC"),
 Valor = c(
  mean(pred_clase ==
  test_data$resultado),
  auc_prueba
 )
)

metricas

La evaluación del modelo se realizó mediante las métricas de Exactitud (Accuracy) y AUC (Área Bajo la Curva ROC), indicadores que permiten medir la capacidad del modelo para clasificar y diferenciar los resultados de los ordenamientos quirúrgicos.

Métrica Valor
Accuracy 0,364
AUC 0,430

Los resultados muestran una exactitud del 36,4%, lo que indica que el modelo clasificó correctamente aproximadamente 36 de cada 100 casos evaluados. Por su parte, el valor de AUC de 0,43 refleja una capacidad limitada para diferenciar entre ordenamientos con resultado favorable y no favorable.

Los hallazgos evidencian que el comportamiento de los ordenamientos quirúrgicos es un proceso complejo, influenciado por múltiples factores clínicos, administrativos y operativos. A pesar de que el modelo identifica ciertas tendencias asociadas a variables como la edad, el estrato, la regional, la complejidad del procedimiento y los tiempos de gestión, estas variables por sí solas no logran explicar completamente el resultado final del proceso.

No obstante, el ejercicio permitió validar la aplicación de técnicas de analítica de datos en la gestión de ordenamientos quirúrgicos y generar información estratégica para comprender mejor el comportamiento de la demanda y los factores asociados a la gestión de los casos.

Hallazgos Estratégicos

Los resultados evidencian que la gestión de los ordenamientos quirúrgicos presenta un desempeño operativo favorable, reflejado en un 78,8% de casos gestionados. Sin embargo, persisten oportunidades de mejora relacionadas con el seguimiento oportuno de los casos pendientes, la optimización de recursos en las regionales con mayor demanda y el fortalecimiento de la planeación quirúrgica basada en datos.

La concentración de la demanda en la Regional Centro y la alta frecuencia de determinados procedimientos constituyen elementos clave para orientar la asignación de recursos, la programación quirúrgica y el monitoreo de indicadores estratégicos. En este contexto, la analítica de datos se consolida como una herramienta fundamental para apoyar la toma de decisiones, mejorar la eficiencia operativa y fortalecer la calidad de la atención en los procesos quirúrgicos.

Propuestas de Mejora

Los resultados evidencian oportunidades de mejora en la gestión de ordenamientos quirúrgicos, especialmente en el seguimiento de casos pendientes y en la distribución de recursos entre regionales. La información obtenida constituye una herramienta estratégica para optimizar la planeación quirúrgica, mejorar la oportunidad de atención y fortalecer la toma de decisiones basada en datos

1. Fortalecimiento de la gestión de casos pendientes

Se recomienda implementar mecanismos de monitoreo y alertas automáticas que permitan identificar oportunamente los ordenamientos con mayor tiempo de permanencia sin gestión registrada. Esta estrategia facilitará la priorización de casos críticos, reducirá el riesgo de represamientos administrativos y contribuirá a mejorar la oportunidad en la atención de los pacientes.

2. Incorporación de indicadores de oportunidad

Es necesario fortalecer la medición del desempeño operativo mediante la construcción de indicadores relacionados con los tiempos de autorización, programación y ejecución de los procedimientos quirúrgicos. La disponibilidad de esta información permitirá realizar un seguimiento más preciso del proceso, identificar cuellos de botella y generar herramientas analíticas con mayor capacidad para apoyar la toma de decisiones.

3. Evaluación comparativa del desempeño institucional

Se propone desarrollar tableros de control gerencial que permitan comparar el comportamiento de los diferentes prestadores, unidades médicas y regionales en aspectos como tiempos de gestión, volumen de casos y resultados obtenidos. Esta información facilitará la identificación de mejores prácticas, la detección de oportunidades de mejora y la implementación de acciones orientadas a incrementar la eficiencia operativa.

Las acciones propuestas buscan fortalecer la gestión integral de los ordenamientos quirúrgicos mediante una mayor utilización de la información disponible y la implementación de herramientas de seguimiento basadas en datos. Su aplicación permitirá mejorar el control de los procesos, optimizar la asignación de recursos, incrementar la oportunidad en la atención y generar información estratégica para apoyar la toma de decisiones en los diferentes niveles de gestión de la organización.

Conclusión Ejecutiva

El análisis permitió identificar patrones relevantes en la gestión de los ordenamientos quirúrgicos relacionados con la demanda asistencial, la distribución territorial, los estados de gestión y los procedimientos de mayor frecuencia. Los hallazgos evidencian oportunidades para optimizar el seguimiento de los casos pendientes, fortalecer la planeación de recursos y mejorar la eficiencia operativa del proceso quirúrgico.

La analítica de datos demostró ser una herramienta estratégica para transformar la información en conocimiento útil, facilitando una toma de decisiones más oportuna, objetiva y orientada a resultados dentro de las organizaciones de salud.