---
title: "URG | Inteligencia para decisiones en urgencias"
subtitle: "Del dato a la decisión: congestión, oportunidad y capacidad resolutiva"
author: "Alexandra Cecilia Rivera Pardo"
date: "22 de octubre de 2026"
output:
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: scroll
    source_code: embed
    theme: cosmo
    self_contained: true
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE,
                      fig.width = 10, fig.height = 5.1, dpi = 110)
paquetes <- c("flexdashboard", "ggplot2", "dplyr", "tidyr", "lubridate",
              "scales", "RColorBrewer", "ggrepel", "plotly", "DT", "knitr")
faltantes <- paquetes[!vapply(paquetes, requireNamespace, logical(1), quietly = TRUE)]
if (length(faltantes)) stop(paste("Instale estos paquetes antes de tejer el archivo:",
                              paste(faltantes, collapse = ", ")))
for (p in paquetes) suppressPackageStartupMessages(library(p, character.only = TRUE))
options(scipen = 999)
set.seed(20261022)
color_base <- "#174A67"
color_riesgo <- "#BD4D3E"
color_seguro <- "#23816D"
formatear <- function(x, digitos=1) format(round(x, digitos), nsmall=digitos, big.mark=".", decimal.mark=",")
tema <- theme_minimal(base_size = 12) +
  theme(panel.grid.minor = element_blank(),
        plot.title = element_text(face="bold", color="#1D3745", size=14),
        plot.subtitle = element_text(color="#526674", size=10),
        legend.position = "bottom", axis.title.x = element_blank())
```

```{r datos, include=FALSE}
# DATOS 100 % SIMULADOS. Unidad analítica: día x franja horaria.
# No se modelan historias clínicas ni se atribuyen registros a ningún hospital real.
fechas <- seq(as.Date("2026-01-01"), as.Date("2026-03-31"), by = "day")
franjas <- c("00:00–05:59", "06:00–11:59", "12:00–17:59", "18:00–23:59")
base <- tidyr::expand_grid(fecha = fechas, franja = factor(franjas, levels = franjas)) %>%
  mutate(mes = factor(format(fecha, "%Y-%m"), levels=c("2026-01","2026-02","2026-03")),
         dia_semana = as.integer(lubridate::wday(fecha, week_start = 1)),
         fin_semana = dia_semana >= 6,
         n_dia = as.integer(fecha - min(fecha)) + 1,
         f = as.integer(franja),
         choque = fecha >= as.Date("2026-02-15") & fecha <= as.Date("2026-02-21"),
         estacional = 3 * sin(n_dia / 7),
         # El patrón crea un evento de congestión ilustrativo en febrero.
         demanda_media = 26 + c(-12, 6, 13, 5)[f] +
           5 * fin_semana + 11 * choque + estacional + .06*n_dia,
         llegadas = pmax(5L, rpois(n(), pmax(2, demanda_media))),
         camas_disponibles = 55L,
         # Ocupación promedio por franja, no censo continuo de camas.
         ocupacion = pmin(108, pmax(58, 72 + .28 * llegadas +
                       5*choque + 3*(f == 3) + rnorm(n(), 0, 5))),
         # Espera a valoración expresada en minutos.
         espera_min = pmax(12, 14 + 1.15 * llegadas +
                         1.5 * pmax(ocupacion - 90, 0) + rnorm(n(), 0, 9)),
         ingresos_hospital = rbinom(n(), size = llegadas, prob=.22),
         abandono = rbinom(n(), size = llegadas,
                           prob=plogis(-4.3 + .023 * espera_min)),
         oportunidad_60 = pmax(0, pmin(100, 100*plogis(3.6 - .046*espera_min))),
         ocupacion = round(ocupacion,1), espera_min = round(espera_min,1),
         oportunidad_60 = round(oportunidad_60,1)) %>%
  select(fecha, mes, franja, fin_semana, llegadas, ingresos_hospital, abandono,
         camas_disponibles, ocupacion, espera_min, oportunidad_60, choque)
stopifnot(!anyNA(base), all(base$llegadas >= 0),
          all(base$abandono <= base$llegadas),
          all(base$ingresos_hospital <= base$llegadas),
          nrow(base)==length(fechas)*length(franjas))

# Calcular promedios ponderados ANTES de resumir llegadas.
# En dplyr, summarise() puede reutilizar el nombre recién creado;
# por ello sum(llegadas) debe ir al final de cada summarise().
diario <- base %>% group_by(fecha) %>%
  summarise(ocupacion = weighted.mean(ocupacion, llegadas),
            espera = weighted.mean(espera_min, llegadas),
            oport = weighted.mean(oportunidad_60, llegadas),
            abandono = sum(abandono),
            ingresos = sum(ingresos_hospital),
            llegadas = sum(llegadas),
            .groups="drop") %>%
  mutate(semana=as.Date(lubridate::floor_date(fecha, "week", week_start=1)),
         alerta = ocupacion > 90)
mensual <- base %>% group_by(mes) %>%
  summarise(ocupacion=weighted.mean(ocupacion,llegadas),
            espera=weighted.mean(espera_min,llegadas),
            abandono=sum(abandono),
            llegadas=sum(llegadas), .groups="drop")
por_franja <- base %>% group_by(franja) %>%
  summarise(espera=weighted.mean(espera_min,llegadas),
            ocupacion=weighted.mean(ocupacion,llegadas),
            abandono=sum(abandono),
            llegadas=sum(llegadas), .groups="drop") %>%
  mutate(tasa_abandono=100*abandono/llegadas)
semanal <- diario %>% group_by(semana) %>%
  summarise(espera=weighted.mean(espera,llegadas),
            ocupacion=weighted.mean(ocupacion,llegadas), .groups="drop")
periodo_critico <- diario %>% slice_max(espera, n=1, with_ties=FALSE)
franja_critica <- por_franja %>% slice_max(espera,n=1,with_ties=FALSE)
ultima_semana <- diario %>% filter(fecha >= max(fecha)-6)
primera_semana <- diario %>% filter(fecha <= min(fecha)+6)
indicadores <- list(
 total = sum(base$llegadas),
 espera = weighted.mean(base$espera_min,base$llegadas),
 ocupacion = weighted.mean(base$ocupacion,base$llegadas),
 tasa_abandono = 100*sum(base$abandono)/sum(base$llegadas),
 dias_alerta = sum(diario$alerta),
 oport = weighted.mean(base$oportunidad_60,base$llegadas),
 delta_espera = weighted.mean(ultima_semana$espera, ultima_semana$llegadas) -
                weighted.mean(primera_semana$espera,primera_semana$llegadas)
)
# Supuestos gerenciales demostrativos; NO son estándares clínicos ni metas oficiales.
meta_ocupacion <- 85
umbral_alerta <- 90
meta_espera <- 60
# Escenario ilustrativo: 1 refuerzo de personal en la franja de mayor espera,
# que hipotéticamente reduce en 15 minutos la espera de esa franja.
min_reducidos <- 15
prop_demanda_critica <- franja_critica$llegadas / indicadores$total
espera_escenario <- indicadores$espera - prop_demanda_critica * min_reducidos
# Exportar datos generados para auditoría y reutilización.
dir.create("salidas", showWarnings = FALSE)
write.csv(base, "salidas/datos_sinteticos_urgencias.csv", row.names = FALSE,
          fileEncoding="UTF-8")
write.csv(diario, "salidas/indicadores_diarios.csv", row.names=FALSE,
          fileEncoding="UTF-8")
```

<style>
body { color: #263B48; }
.navbar { background-color:#123E59 !important; }
.section.level3 { border-radius: 5px; }
blockquote { border-left: 3px solid #23816D; background:#F5F9FA; padding:10px 14px; }
.small-note {font-size: 12px; color:#5a6d79;}
</style>

Contexto y decisiones {data-icon="fa-bullseye"}
=====================================

Row
-------------------------------------

### Fase de Atención | Problema estratégico y audiencia

**Problema de gestión.** ¿Cómo reducir la congestión y los tiempos de espera en el servicio de urgencias de una institución prestadora de servicios de salud de alta complejidad, **sin comprometer la seguridad del paciente ni la calidad de la atención**? El análisis identifica *cuándo* se concentran las presiones asistenciales y cuáles decisiones de programación de capacidad merecen validación.

**Audiencia.** Gerencia general, dirección médica, subdirección de enfermería, coordinación de urgencias y equipo de planeación/calidad. Son responsables de distribuir recursos, ajustar turnos, evaluar indicadores y gestionar riesgos.

**Modelo A³ (Atención → Análisis → Acción).** La **Atención** sitúa el problema en un indicador directivo; el **Análisis** identifica patrones, picos y posibles causas para indagar; la **Acción** traduce hallazgos en decisiones verificables con responsables e indicadores.

**Pregunta directiva:** ¿en qué franja se concentra la mayor espera y qué cambio operativo puede probarse primero?

**Alcance.** Periodo sintético del `r format(min(base$fecha), "%d/%m/%Y")` al `r format(max(base$fecha), "%d/%m/%Y")`, `r nrow(base)` observaciones de día × franja. **Datos generados con semilla fija, no representan pacientes, hospitales ni resultados reales.** Los umbrales de 85 % de ocupación y 60 minutos de espera son **criterios de trabajo ilustrativos**, sujetos a aprobación institucional.

### Resumen ejecutivo automático

Se simularon **`r format(indicadores$total,big.mark=".")` llegadas**. La espera promedio ponderada fue **`r formatear(indicadores$espera)` minutos**, y la ocupación promedio ponderada por demanda fue **`r formatear(indicadores$ocupacion)` %**. Se registraron **`r indicadores$dias_alerta` días** con ocupación diaria superior al umbral de alerta del 90 %. La franja con mayor espera media fue **`r as.character(franja_critica$franja)`**.

**Decisión sugerida:** validar un piloto de refuerzo operativo en esa franja, además de activar un seguimiento diario de ocupación y espera, **antes de considerar expansión física**. El análisis es descriptivo; no prueba causalidad ni estima beneficios clínicos.

Row
-------------------------------------

### Función de `ggplot2`: ¿qué aporta a la decisión?

La función central `ggplot(datos, aes(...))` inicia una representación declarativa: los **datos** son la fuente, `aes()` asigna variables a ejes, colores o tamaños, y las capas `geom_*()` escogen cómo se muestran. Con `geom_line()` se estudian tendencias; `geom_col()` compara categorías; `annotate()` destaca eventos; `ggrepel::geom_text_repel()` reduce colisiones entre etiquetas; las escalas y el tema controlan la legibilidad. **No existe una sola función que convierta datos en decisiones:** la selección de geometrías depende de la pregunta analítica. <https://ggplot2.tidyverse.org/>

En este dashboard se evita la decoración innecesaria (`theme_minimal()`), se reserva el rojo para alertas y se usa una paleta cualitativa de ColorBrewer (`scale_fill_brewer()`) para categorías. Se agrega `plotly::ggplotly()` a la tendencia para inspeccionar fechas exactas, acercar periodos y explorar puntos sin cambiar el análisis subyacente.

> **Criterio ético:** los valores no deben utilizarse para informar sobre una institución real. Antes de aplicar el modelo se requiere anonimización, validación de datos fuente y segmentación clínica por prioridad de triaje.

Monitor ejecutivo {data-icon="fa-dashboard"}
=============================================

Row {data-height=145}
-------------------------------------

### Llegadas en el periodo

```{r kpi1}
flexdashboard::valueBox(format(indicadores$total,big.mark="."), "Atenciones / llegadas simuladas", icon="fa-users", color="info")
```

### Espera promedio ponderada

```{r kpi2}
flexdashboard::valueBox(paste0(formatear(indicadores$espera)," min"),
 "Criterio exploratorio: 60 min", icon="fa-clock-o",
 color=if (indicadores$espera > meta_espera) "danger" else "success")
```

### Ocupación promedio

```{r kpi3}
flexdashboard::valueBox(paste0(formatear(indicadores$ocupacion)," %"),
 "Referencia gerencial ilustrativa: 85 %", icon="fa-bed",
 color=if (indicadores$ocupacion > meta_ocupacion) "warning" else "success")
```

### Abandono antes de atención (%)

```{r kpi4}
flexdashboard::valueBox(paste0(formatear(indicadores$tasa_abandono)," %"),
 "Fracción de llegadas simuladas", icon="fa-sign-out", color="primary")
```

Row
-------------------------------------

### Ocupación: lectura en semáforo

```{r gauge, fig.height=3.6}
flexdashboard::gauge(round(indicadores$ocupacion,1), min=0, max=110,
                     symbol="%", label="Ocupación ponderada por llegadas",
                     sectors=flexdashboard::gaugeSectors(
                       success=c(0,85), warning=c(85,90), danger=c(90,110)))
```

**Evidencia:** el KPI resume una media ponderada de ocupación por demanda. **Relevancia:** una media elevada puede ocultar momentos críticos. **Acción:** revisar la serie diaria y activar alertas operativas al superar 90 % (referencia ilustrativa, no umbral regulatorio).

### Riesgo acumulado y vigilancia

```{r semaforo}
resumen_alertas <- data.frame(
  Indicador=c("Días sobre el umbral de alerta", "Oportunidad estimada ≤ 60 min", "Cambio de espera: última vs. primera semana"),
  Resultado=c(paste(indicadores$dias_alerta,"de",nrow(diario)),
              paste0(formatear(indicadores$oport)," %"),
              paste0(ifelse(indicadores$delta_espera > 0,"+",""),formatear(indicadores$delta_espera)," min")))
knitr::kable(resumen_alertas, format="html", align=c("l","r"))
```

**Evidencia:** el tablero vincula nivel de presión, oportunidad y variación temporal. **Relevancia:** una mejora aparente en el promedio puede coexistir con días de crisis. **Acción:** revisar cada mañana el tablero de control en el comité operativo y documentar medidas de contingencia.

Patrones y alertas {data-icon="fa-line-chart"}
==============================================

Row
-------------------------------------

### Serie temporal | Tendencia estática anotada

```{r tendencia, fig.height=5.2}
g_linea <- ggplot(diario, aes(fecha, espera)) +
  geom_line(linewidth=.8, color=color_base) +
  geom_hline(yintercept=meta_espera, linetype="dashed", color=color_riesgo) +
  annotate("rect", xmin=as.Date("2026-02-15"), xmax=as.Date("2026-02-21"),
           ymin=-Inf, ymax=Inf, fill="#EDB4A2", alpha=.16) +
  geom_point(data=periodo_critico, color=color_riesgo, size=2.8) +
  ggrepel::geom_text_repel(data=periodo_critico,
                           aes(label=paste0("Máximo: ",round(espera,1)," min")),
                           color=color_riesgo, size=3.6, nudge_y=14,
                           min.segment.length=0, max.overlaps=Inf) +
  annotate("text", x=as.Date("2026-02-17"), y=min(diario$espera)+6,
           label="Periodo de presión simulada", color="#8F403A", size=3.2) +
  labs(title="La demanda asistencial no se distribuye homogéneamente",
       subtitle="Tiempo de espera promedio diario ponderado por llegadas",
       y="Minutos de espera", caption="Fuente: simulación propia, enero–marzo de 2026") +
  scale_x_date(date_labels="%d %b", date_breaks="2 weeks") + tema
print(g_linea)
```

**Evidencia:** el máximo diario de **`r formatear(periodo_critico$espera)` min** ocurrió el **`r format(periodo_critico$fecha, "%d/%m/%Y")`**; el área sombreada representa un choque de demanda incorporado deliberadamente en la simulación. **Relevancia:** permite reconocer ventanas para revisar dotación, clasificación y disponibilidad de camas. **Acción:** comparar las alertas con ausentismo, traslados y egresos, cuando existan datos observados.

### Tendencia interactiva | Zoom, paneo y tooltips

```{r interactivo, fig.height=5.2}
interactivos <- diario %>%
  mutate(info=paste0("Fecha: ", format(fecha,"%d/%m/%Y"),
                     "<br>Espera: ", round(espera,1)," min",
                     "<br>Ocupación: ",round(ocupacion,1)," %",
                     "<br>Llegadas: ",llegadas))
p_interactivo <- ggplot(interactivos,
                        aes(fecha, espera, text=info)) +
  geom_line(color=color_base, linewidth=.7) +
  geom_point(color=color_seguro, size=1.5) +
  geom_hline(yintercept=meta_espera, linetype="dashed", color=color_riesgo) +
  labs(x="Fecha", y="Espera (min)",
       title="Explore fechas y eventos críticos") + tema
plotly::ggplotly(p_interactivo, tooltip="text") %>%
  plotly::layout(dragmode="zoom") %>%
  plotly::config(displaylogo=FALSE, displayModeBar=TRUE,
                 modeBarButtonsToAdd=c("pan2d", "resetScale2d"))
```

**Evidencia:** al pasar el cursor se obtiene espera, ocupación y volumen del día; el zoom permite concentrarse en semanas. **Relevancia:** la dirección puede contrastar excepciones sin pedir una gráfica nueva para cada fecha. **Acción:** registrar tres días extremos e investigar sus causas mediante bitácoras del servicio. Este gráfico es explorable incluso sin servidor Shiny.

Row
-------------------------------------

### Comparación de franjas | `geom_col()` + ColorBrewer

```{r franjas, fig.height=4.7}
g_franjas <- ggplot(por_franja, aes(franja, espera, fill=franja)) +
  geom_col(width=.67, show.legend=FALSE) +
  geom_hline(yintercept=meta_espera, linetype="dashed", color=color_riesgo) +
  ggrepel::geom_text_repel(aes(label=paste0(round(espera,1), " min")),
                           direction="y", nudge_y=5, size=3.8, max.overlaps=Inf,
                           show.legend=FALSE) +
  scale_fill_brewer(palette="Set2") +
  scale_y_continuous(limits=c(0,max(por_franja$espera)*1.30),
                     expand=expansion(mult=c(0,.02))) +
  labs(title="¿En qué momento del día se concentra la espera?",
       subtitle="Comparación de promedios ponderados por número de llegadas",
       y="Espera media (min)") + tema
print(g_franjas)
```

**Evidencia:** la franja de **`r as.character(franja_critica$franja)`** tiene la mayor espera simulada (**`r formatear(franja_critica$espera)` min**). **Relevancia:** una redistribución de turnos podría ser más focalizada que un aumento uniforme de plantilla. **Acción:** observar dotación por hora, proporción por triaje y tiempos de salida de pacientes durante dos semanas.

### Relación entre demanda y ocupación | Distribución

```{r dispersion, fig.height=4.7}
set.seed(21)
muestra <- base %>% mutate(estado=if_else(ocupacion > umbral_alerta, "Alerta >90 %", "≤90 %"))
g_scatter <- ggplot(muestra, aes(llegadas, ocupacion, color=estado)) +
  geom_point(alpha=.57, size=1.8) +
  geom_smooth(method="lm", se=FALSE, color=color_base, linewidth=.8) +
  geom_hline(yintercept=umbral_alerta, linetype="dashed", color=color_riesgo) +
  scale_color_manual(values=c("Alerta >90 %"=color_riesgo,"≤90 %"=color_seguro)) +
  labs(title="Mayor demanda se asocia con presión sobre la capacidad",
       subtitle="Cada punto representa un día y una franja horaria",
       x="Llegadas en la franja", y="Ocupación promedio (%)", color="Condición") + tema
print(g_scatter)
```

**Evidencia:** en los datos construidos se observa asociación positiva entre llegadas y ocupación. **Relevancia:** demanda, camas y egresos deben analizarse en conjunto. **Acción:** contrastar el hallazgo con datos reales y ajustar por complejidad, personal y disponibilidad de camas; **la correlación mostrada no establece causalidad**.

Decisión y plan de mejora {data-icon="fa-check-circle"}
=====================================================

Row
-------------------------------------

### Escenario de decisión | Simulación de impacto hipotético

```{r escenario, fig.height=4.3}
escenarios <- tibble::tibble(
  escenario=factor(c("Situación simulada", "Piloto de refuerzo"),
                   levels=c("Situación simulada", "Piloto de refuerzo")),
  espera=c(indicadores$espera, espera_escenario))
g_esc <- ggplot(escenarios, aes(escenario, espera, fill=escenario)) +
  geom_col(width=.6, show.legend=FALSE) +
  geom_text(aes(label=paste0(round(espera,1), " min")), vjust=-.4, size=4) +
  scale_fill_manual(values=c(color_base,color_seguro)) +
  scale_y_continuous(limits=c(0,max(escenarios$espera)*1.20)) +
  labs(title="¿Qué pasaría si se redujeran 15 minutos en la franja crítica?",
       subtitle="Escenario aritmético, NO estimación causal de efectividad",
       y="Espera general ponderada (min)") + tema
print(g_esc)
```

**Evidencia:** con la suposición de una reducción de 15 minutos exclusivamente en la franja crítica, la media global pasaría de **`r formatear(indicadores$espera)`** a **`r formatear(espera_escenario)` min** (diferencia de **`r formatear(indicadores$espera - espera_escenario)` min**). **Relevancia:** ayuda a dimensionar si un piloto localizado amerita recursos. **Acción:** experimentar durante cuatro semanas y comparar con franjas control o una línea base ajustada, sin asumir que el efecto hipotético se cumplirá.

### Dos recomendaciones ejecutivas viables

**1. Piloto operativo de redistribución de capacidad (4 semanas).** **Responsables:** coordinación de urgencias, enfermería y talento humano. **Acción:** revisar turnos y habilitar refuerzo escalonado en la franja **`r as.character(franja_critica$franja)`**, sujeto a disponibilidad presupuestal y validación clínica. **Seguimiento:** media y percentil 90 de espera, abandono, clasificación de triaje y eventos de seguridad. **Criterio de continuidad:** mejora sostenida frente a línea base sin deteriorar indicadores de seguridad ni sobrecargar personal.

**2. Sistema de alertas tempranas y gestión de flujo (implementación en 30 días).** **Responsables:** dirección médica, hospitalización, calidad y analítica. **Acción:** reunión de capacidad dos veces al día; visualizar ocupación por áreas, tiempos de egreso, pacientes pendientes de cama y riesgo de congestión. Activar un protocolo de escalamiento cuando se cruce el umbral *internamente validado*. **Seguimiento:** días de alerta, tiempo de asignación de cama y oportunidad por triaje, con revisión semanal en comité de dirección.

Row
-------------------------------------

### Matriz de implementación y evaluación

```{r matriz}
plan <- data.frame(
  Horizonte=c("Semana 1", "Semanas 2–5", "Día 30", "Semana 6"),
  Entregable=c("Línea base clínica y operacional validada",
               "Piloto y medición por triaje", "Tablero de alertas en producción",
               "Evaluación de piloto y decisión de escalamiento"),
  Responsable=c("Calidad + analítica", "Urgencias + enfermería",
                "Dirección médica + TI", "Gerencia + planeación"),
  Verificación=c("Diccionario de indicadores y consistencia",
                 "Diferencia vs. línea base y eventos adversos",
                 "Cobertura y registro de activaciones",
                 "Acta de decisión sustentada en resultados"))
DT::datatable(plan, rownames=FALSE, options=list(pageLength=4,dom="t",scrollX=TRUE),
              caption="Ruta de acción propuesta: responsables, tiempos y evidencia")
```

**Evidencia:** la matriz asigna tareas, productos y responsables. **Relevancia:** convierte el análisis en gestión verificable, evitando recomendaciones abstractas. **Acción:** formalizar la decisión en comité y sostener la evaluación con datos observacionales reales.

Metodología y reproducibilidad {data-icon="fa-code"}
===================================================

Row
-------------------------------------

### Diseño metodológico y límites de inferencia

**Fuente de datos:** simulación determinista en R con `set.seed(20261022)` sobre 90 días × 4 franjas. Se modelan llegadas, ocupación, tiempos de espera, abandono, ingresos y oportunidad estimada. La serie incluye variación temporal, diferencias horarias y un choque exógeno artificial del 15 al 21 de febrero.

**Unidad de análisis:** franja × día. **Promedios de espera y ocupación:** ponderados por llegadas; **abandono:** total abandonos / total llegadas × 100. **Día de alerta:** promedio diario de ocupación superior a 90 %. Los porcentajes de ocupación simulada pueden superar 100 % para representar presión por encima de la capacidad nominal; **no son un censo validado**.

**Controles:** semilla fija, chequeos de ausencia de datos faltantes, valores no negativos y coherencia entre recuentos. **Limitaciones:** datos ficticios, ausencia de severidad de pacientes, tiempos individuales y estacionalidad real; un promedio no representa mediana ni p90; escenarios hipotéticos no permiten inferencia causal. El indicador de oportunidad ≤ 60 min es modelado y **no representa cumplimiento de una norma sanitaria**.

**Gobernanza de datos:** al sustituir los datos simulados por los institucionales, utilizar identificadores anonimizados, controlar accesos, documentar reglas de limpieza y definir alertas por triaje y condiciones clínicas. Ninguna medida de eficiencia debe desplazar criterios de priorización asistencial.

### Diccionario de variables

```{r diccionario}
dicc <- data.frame(
 Variable=c("fecha", "franja", "llegadas", "espera_min", "ocupacion", "abandono", "ingresos_hospital", "oportunidad_60"),
 Definición=c("Fecha calendario", "Bloque de seis horas", "Llegadas en el bloque",
              "Espera media simulada a valoración, minutos",
              "Ocupación media nominal por bloque, porcentaje",
              "Personas que abandonan antes de atención, número",
              "Ingresos a hospitalización, número",
              "Estimación sintética de atención antes de 60 min, porcentaje"))
DT::datatable(dicc, rownames=FALSE, options=list(pageLength=8, dom="t",scrollX=TRUE))
```

Row
-------------------------------------

### Transparencia del código y replicación

1. En RStudio, abra `Informe_analitico_urgencias.Rmd` y seleccione **Knit**.
2. El documento genera automáticamente `salidas/datos_sinteticos_urgencias.csv` y `salidas/indicadores_diarios.csv`.
3. Los bloques **setup** y **datos** documentan la transformación de datos; el código íntegro puede consultarse mediante **Code → Show All Code** en el archivo HTML generado (si el visor ofrece la opción).
4. Si decide usar registros reales, sustituya el bloque `datos` por un proceso documentado de lectura y depuración que preserve las columnas analíticas.

**Paquetes principales:** `ggplot2` (gramática de gráficos), `ggrepel` (etiquetas legibles), `plotly` (interactividad), `flexdashboard` (arquitectura), `dplyr` y `tidyr` (transformaciones), `DT` (tabla explorable).

**Material de apoyo:** [RPubs: Introducción a la visualización de datos con R](https://rpubs.com/Data4HR/visualizacion-humanos-reales) · [ggplot2](https://ggplot2.tidyverse.org/) · [flexdashboard](https://pkgs.rstudio.com/flexdashboard/) · [Plotly para R](https://plotly.com/ggplot2/getting-started/).

**Declaración de uso y alcance:** caso académico para apoyar análisis y toma de decisiones; todas las cifras se derivan de datos creados artificialmente. Se debe evitar su difusión como indicador observado de una IPS.

### Información de sesión (auditoría)

```{r sesion}
cat("Semilla: 20261022 | Registros:",nrow(base),"| Días:",nrow(diario),"\n")
cat("R:",R.version.string,"\n")
cat("ggplot2:",as.character(packageVersion("ggplot2")),
    "| flexdashboard:",as.character(packageVersion("flexdashboard")),
    "| plotly:",as.character(packageVersion("plotly")))
```