Narrativa visual con RStudio
Informe ejecutivo: oportunidad, asistencia y eficiencia en citas ambulatorias
JOP VANNDERTH MORA
2026-06-21
1 Resumen
El presente informe ejecutivo desarrolla una narrativa visual en RStudio para analizar la gestión de citas ambulatorias, con énfasis en tres componentes críticos: oportunidad, asistencia y eficiencia operativa. El propósito es orientar decisiones directivas a partir de datos reales, visualizaciones estáticas e interactivas, y una lectura accionable de los hallazgos.
La pregunta que guía el análisis es: ¿dónde se concentran los principales puntos de pérdida de eficiencia en la programación de citas y qué decisiones pueden mejorar el uso de la agenda institucional?
<h3>111,488</h3>
<p>Total de citas analizadas</p><h3>77.2%</h3>
<p>Citas asistidas</p><h3>5.9%</h3>
<p>Citas no atendidas</p><h3>44.1 min</h3>
<p>Espera promedio en sala</p>Lectura ejecutiva: los indicadores resumen muestran el volumen de datos analizados, la proporción de asistencia y el nivel de inasistencia. Esta primera lectura permite identificar si el principal desafío se relaciona con oportunidad de atención, pérdida de cupos o variabilidad operativa.
2 Introducción
La gestión de citas ambulatorias representa un proceso clave en la eficiencia de una institución de salud. Una agenda bien administrada permite reducir tiempos de espera, mejorar la oportunidad, optimizar la capacidad instalada y fortalecer la experiencia del usuario. Por el contrario, las cancelaciones, inasistencias y retrasos generan pérdida de productividad, congestión en salas de espera y afectación en la continuidad del cuidado.
Este informe se construye bajo el enfoque de narrativa visual, integrando texto analítico, código reproducible y visualizaciones. La intención no es únicamente mostrar gráficos, sino guiar al lector desde la formulación del problema hasta la toma de decisiones. En este sentido, el documento se orienta a una audiencia directiva: gerencia general, coordinación médica, dirección de calidad, líderes de experiencia del usuario y responsables de programación de agendas.
3 Objetivo
Analizar visualmente el comportamiento de las citas ambulatorias para identificar patrones de oportunidad, asistencia e inasistencia, con el fin de proponer acciones ejecutivas que optimicen la gestión de agendas y fortalezcan la toma de decisiones basada en datos.
3.1 Objetivos específicos
- Caracterizar el estado final de las citas mediante frecuencias y proporciones.
- Identificar tendencias mensuales en el tiempo promedio de espera.
- Visualizar grupos poblacionales con mayor concentración de citas.
- Incorporar una visualización interactiva para facilitar exploración autónoma.
- Proponer recomendaciones ejecutivas orientadas a la acción.
4 Metodología
El análisis se desarrolló en RStudio con un documento R Markdown publicado en formato HTML. Se utilizó una base de datos de citas médicas que contiene información sobre fechas de programación, fechas de atención, estado de la cita, edad, sexo, duración y tiempos de espera.
La metodología siguió cinco fases:
| Fase | Descripción |
|---|---|
| 1. Atención | Definición del problema de gestión y audiencia directiva. |
| 2. Preparación | Carga, limpieza y construcción de variables de oportunidad y asistencia. |
| 3. Análisis visual | Diseño de gráficos con ggplot2 aplicando gramática de gráficos. |
| 4. Interactividad | Conversión de visualización clave con plotly::ggplotly(). |
| 5. Acción | Síntesis de hallazgos y formulación de recomendaciones ejecutivas. |
Nota metodológica: las salidas técnicas extensas
como glimpse() y skimr::skim() se conservan
dentro del código para mantener reproducibilidad, pero no se imprimen
completas en el informe ejecutivo porque no aportan valor directo a una
junta directiva.
5 Análisis descriptivo de la base
Antes de construir visualizaciones, se revisaron indicadores generales de la base. La tabla resume los principales elementos disponibles para el análisis de gestión.
| Indicador | Valor |
|---|---|
| Citas registradas | 111,488 |
| Citas asistidas | 77.2% |
| Citas canceladas | 16.4% |
| Citas no atendidas | 5.9% |
| Tiempo promedio de espera en sala | 44.1 minutos |
| Días promedio entre programación y cita | 7.2 días |
Interpretación: estos indicadores permiten tener una línea base para el seguimiento del servicio. Si la proporción de cancelaciones o inasistencias es relevante, se justifica implementar estrategias de confirmación, recuperación de cupos y segmentación de pacientes con mayor riesgo de no asistencia.
6 Visualización 1: estado final de las citas
¿Qué evidencia el gráfico? La visualización muestra cómo se distribuyen las citas según su estado final: asistidas, canceladas, no atendidas o programadas. Permite identificar qué proporción de la agenda se convierte efectivamente en atención.
¿Por qué es relevante para la gestión? Cada cita
cancelada o no atendida representa un cupo que pudo haberse utilizado
para otro paciente. Esto afecta la oportunidad, la productividad y la
eficiencia del talento humano.
Ruta de acción:
implementar confirmación previa, recordatorios automatizados y
liberación temprana de cupos para recuperar capacidad antes de que se
pierda.
7 Visualización 2: tendencia mensual del tiempo de espera
¿Qué evidencia el gráfico? La tendencia mensual permite observar si los tiempos de espera se mantienen estables o si existen periodos con mayor congestión. El uso de anotaciones facilita identificar visualmente el punto crítico.
¿Por qué es relevante para la gestión? Los picos de
espera pueden estar asociados con aumento de demanda, menor
disponibilidad de profesionales, sobrecupo de agenda o retrasos
acumulados.
Ruta de acción: analizar los meses
críticos frente a capacidad instalada, ausentismo del personal, número
de consultorios habilitados y duración real de las consultas.
8 Visualización 3: segmentación por edad y estado de cita
¿Qué evidencia el gráfico? La gráfica compara la cantidad de citas por grupo de edad y estado final. Permite reconocer grupos poblacionales con mayor demanda y evaluar si el comportamiento de asistencia cambia según la edad.
¿Por qué es relevante para la gestión? La
segmentación permite diseñar estrategias diferenciadas. Por ejemplo,
algunos grupos pueden requerir recordatorios más frecuentes, canales de
comunicación distintos o apoyo adicional para asistir oportunamente.
Ruta de acción: segmentar mensajes,
confirmaciones y rutas de acceso según el grupo poblacional con mayor
volumen o mayor riesgo de inasistencia.
9 Visualización interactiva
La siguiente visualización transforma la tendencia mensual en un
gráfico interactivo con plotly::ggplotly(). Esta conversión
permite explorar valores específicos mediante tooltips, hacer
acercamientos sobre periodos críticos y facilitar el análisis autónomo
por parte de la audiencia directiva.
Justificación de la interactividad: la interacción es útil porque permite que el usuario revise por sí mismo el comportamiento mensual, identifique valores puntuales y explore el periodo de mayor espera sin modificar el código.
10 Componente de alto impacto visual
Aunque el informe principal sigue una estructura narrativa tipo RPubs, se incorpora un KPI de alto impacto equivalente a un semáforo de gestión. Este indicador resume el tiempo promedio de espera en sala.
Lectura del KPI: el semáforo permite interpretar rápidamente si el tiempo promedio de espera se encuentra en zona aceptable, de alerta o crítica. Este tipo de indicador facilita la discusión en comités directivos.
11 Modelo analítico exploratorio de apoyo
Para fortalecer el rigor del informe, se incorpora un modelo exploratorio de regresión lineal. Su objetivo es estimar el tiempo de espera en sala a partir de variables disponibles como días de espera entre programación y cita, duración de la atención, edad y estado de la cita.
| Conjunto | RMSE_minutos |
|---|---|
| Entrenamiento | 40.73 |
| Prueba | 40.97 |
Interpretación: el RMSE expresa el error promedio del modelo en minutos. Si el error en prueba es similar al de entrenamiento, el modelo presenta estabilidad inicial. Sin embargo, para uso institucional se requieren más variables, como especialidad, profesional, franja horaria, tipo de cita y capacidad instalada.
12 Discusión
El análisis visual evidencia que la gestión de citas no debe evaluarse únicamente con el número total de atenciones. Es necesario observar la composición del estado final de las citas, los tiempos de espera y la distribución por grupos de usuarios. La narrativa visual permite integrar estos elementos en una secuencia comprensible para la toma de decisiones.
La mayor utilidad del informe está en conectar cada gráfico con una pregunta de gestión. El gráfico de estado de cita responde qué proporción de la agenda se convierte en atención efectiva. La tendencia mensual responde cuándo se presentan periodos de mayor presión operativa. La segmentación por edad responde en qué grupos poblacionales se concentra la demanda. Finalmente, el modelo exploratorio permite estimar la variabilidad del tiempo de espera y plantear mejoras futuras.
13 Recomendaciones ejecutivas
| Recomendación | Justificación | Indicador_de_seguimiento |
|---|---|---|
| Implementar seguimiento semanal de oportunidad y productividad | Permite detectar oportunamente picos de espera y pérdida de capacidad instalada. | Tiempo promedio de espera y porcentaje de asistencia |
| Fortalecer confirmación y reprogramación digital de citas | Reduce inasistencias, recupera cupos y mejora la oportunidad para otros usuarios. | Porcentaje de inasistencia y cancelación |
| Ampliar la captura de variables operativas para analítica predictiva | Mejora el desempeño de modelos predictivos al incluir franja horaria, profesional, especialidad y capacidad instalada. | RMSE del modelo y completitud de variables críticas |
14 Conclusiones
El informe demuestra que RStudio permite construir una narrativa
visual reproducible y orientada a la acción directiva. La combinación de
ggplot2, plotly, ggrepel,
indicadores KPI y análisis exploratorio facilita transformar datos
administrativos en evidencia útil para gestionar oportunidad, asistencia
y eficiencia.
Los principales hallazgos sugieren que la institución debe monitorear de manera sistemática el tiempo promedio de espera, fortalecer estrategias de confirmación de citas y avanzar hacia modelos predictivos con mayor riqueza de variables. Así, la narrativa visual no solo presenta datos, sino que orienta decisiones concretas para mejorar la gestión del servicio.
15 Referencias
Fundación Universitaria de Ciencias de la Salud. Actividad Semana 4. Analítica de datos con RStudio: Narrativa visual con RStudio.
RPubs. Visualización humanos reales. Disponible en: https://rpubs.com/Data4HR/visualizacion-humanos-reales
RPubs. Sleep Health and Lifestyle. Disponible en: https://rpubs.com/cmgarcia/SleepHealthAndLifestyle
Wickham, H., & Grolemund, G. (2016). R for Data Science. O’Reilly Media.
R Core Team. (2024). R: A language and environment for statistical computing. R Foundation for Statistical Computing.