---
title: "SALA DE DECISIONES | Urgencias"
subtitle: "Capacidad, oportunidad y respuesta gerencial · Evidencia para priorizar"
author: "Alexandra Cecilia Rivera Pardo"
date: "24 de octubre de 2026"
output:
  flexdashboard::flex_dashboard:
    orientation: rows
    vertical_layout: scroll
    theme: cosmo
    self_contained: true
    source_code: embed
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo=FALSE, warning=FALSE, message=FALSE,
 fig.width=10,fig.height=4.6,dpi=120)
paquetes <- c("flexdashboard","ggplot2","dplyr","tidyr","lubridate",
              "scales","ggrepel","plotly","DT","knitr")
faltantes <- paquetes[!vapply(paquetes,requireNamespace,logical(1),quietly=TRUE)]
if(length(faltantes)) stop(paste("Instalar paquetes:",paste(faltantes,collapse=", ")))
for(p in paquetes) suppressPackageStartupMessages(library(p,character.only=TRUE))
options(scipen=999)
formatear <- function(x,digitos=1) format(round(x,digitos),nsmall=digitos,big.mark=".",decimal.mark=",")
marino <- "#102B53"; azul <- "#2563EB"; cian <- "#09B6C9";
coral <- "#FF654F"; oro <- "#F4B544"; verde <- "#1DAB85"
colores <- c("#2563EB","#09B6C9","#F4B544","#FF654F")
tema <- theme_minimal(base_size=13) + theme(
  panel.grid.minor=element_blank(),panel.grid.major.x=element_blank(),
  plot.title=element_text(face="bold",color=marino,size=15),
  plot.subtitle=element_text(color="#4C6078",size=10),
  axis.title=element_text(color=marino,face="bold"),
  legend.position="bottom")
```

```{r datos, include=FALSE}
# ÚNICA FUENTE DE DATOS PARA AMBOS DOCUMENTOS.
# Simulación demostrativa (NO registros hospitalarios reales).
set.seed(20261023)
# Una observación equivale a una franja de seis horas de un día.
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")
datos <- tidyr::expand_grid(fecha=fechas,franja=factor(franjas,levels=franjas)) %>%
  mutate(t=as.integer(fecha-min(fecha))+1,
         id_franja=as.integer(franja),
         fin_semana=lubridate::wday(fecha,week_start=1)>=6,
         choque=fecha>=as.Date("2026-02-15") & fecha<=as.Date("2026-02-21"),
         demanda_esperada=pmax(4,23+c(-11,5,13,7)[id_franja]+4*fin_semana+
             10*choque+2*sin(t/8)+0.07*t),
         llegadas=rpois(n(),lambda=demanda_esperada),
         ocupacion_pct=round(pmax(57,pmin(108,72+0.32*llegadas+4*choque+
             3*(id_franja==3)+rnorm(n(),0,5))),1),
         espera_min=round(pmax(8,12+1.12*llegadas+
             1.5*pmax(ocupacion_pct-90,0)+rnorm(n(),0,8)),1),
         abandono=rbinom(n(),size=llegadas,
             prob=plogis(-4.5+0.023*espera_min)),
         hospitalizaciones=rbinom(n(),size=llegadas,prob=0.23),
         atencion_60_pct=round(100*plogis(3.6-0.046*espera_min),1),
         mes=format(fecha,"%Y-%m")) %>%
  select(fecha,mes,franja,fin_semana,choque,llegadas,ocupacion_pct,
         espera_min,abandono,hospitalizaciones,atencion_60_pct)
stopifnot(nrow(datos)==length(fechas)*4, !anyNA(datos),
          all(datos$llegadas>=0),all(datos$abandono<=datos$llegadas),
          all(datos$hospitalizaciones<=datos$llegadas))

# Equivalencia de variables para las visualizaciones del dashboard.
# Es exactamente la misma simulación que la del informe gerencial.
base <- datos %>% transmute(
  fecha, mes=factor(mes, levels=c("2026-01","2026-02","2026-03")),
  franja=franja, fin_semana=fin_semana, llegadas=llegadas,
  ingresos_hospital=hospitalizaciones, abandono=abandono,
  camas_disponibles=55L, ocupacion=ocupacion_pct,
  espera_min=espera_min, oportunidad_60=atencion_60_pct, choque=choque
)
stopifnot(nrow(base)==360L, !anyNA(base),
          all(base$abandono <= base$llegadas),
          all(base$ingresos_hospital <= base$llegadas))

# 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
```

<style>
body{font-family:'Aptos','Segoe UI',Arial,sans-serif;color:#1F3148;background:#F6F9FD}
.navbar{background:linear-gradient(100deg,#102B53,#2563EB)!important;border:0}
.navbar-brand{font-weight:900;letter-spacing:.4px}
.section.level3{border-top:3px solid #09B6C9;border-radius:8px;background:white}
h3{font-weight:800;color:#102B53}
.leadbox{background:linear-gradient(112deg,#102B53 5%,#2563EB 62%,#09B6C9);color:white;
 padding:22px 25px;border-radius:14px;font-size:18px;line-height:1.55;box-shadow:0 5px 18px #102B5322}
.leadbox strong{color:#FFE08B}
.insight{padding:15px 18px;border-radius:10px;background:#E9F8FC;border-left:6px solid #09B6C9;margin:12px 0}
.risk{padding:15px 18px;border-radius:10px;background:#FFF1ED;border-left:6px solid #FF654F;margin:12px 0}
.action{padding:15px 18px;border-radius:10px;background:#FFF8E8;border-left:6px solid #F4B544;margin:12px 0}
.tiny{color:#52637A;font-size:12px}
.story{font-weight:700;color:#102B53;font-size:17px;line-height:1.55}
.value-box{border-radius:9px}.value-box .value{font-weight:900}
table th{background:#102B53;color:white}
</style>

Dirección ejecutiva {data-icon="fa-bullseye"}
==============================================

Row {data-height=235}
----------------------------------------------

### Una decisión, no una colección de gráficas

<div class="leadbox">La congestión no es igual durante todo el día. <strong>El riesgo está en los episodios en que la demanda supera la capacidad de respuesta.</strong> La gerencia debe decidir dónde actuar, probar una solución reversible y medir si realmente mejora la oportunidad sin comprometer la seguridad.</div>

**Decisión solicitada:** autorizar una verificación de datos reales y, solo si se confirman los patrones, un piloto de seis semanas en la franja más exigente.

<div class="tiny">Ejercicio académico con datos 100 % sintéticos de enero a marzo de 2026. Los valores no corresponden a una IPS real ni son estándares clínicos oficiales.</div>

Row {data-height=210}
----------------------------------------------

### Historia en tres actos

<div class="insight"><b>ACTO 1 · PRESIÓN</b> — Las llegadas se concentran en ciertas franjas. Una programación rígida puede quedar desalineada.</div>

<div class="risk"><b>ACTO 2 · FRICCIÓN</b> — En días de alta ocupación, la espera escala. El promedio trimestral disimula los episodios extremos.</div>

<div class="action"><b>ACTO 3 · DECISIÓN</b> — Ajustar capacidad, verificar impacto y escalar únicamente con evidencia y presupuesto.</div>

Pulso institucional {data-icon="fa-heartbeat"}
==============================================

Row {data-height=155}
----------------------------------------------

### Demanda total

```{r kpi1}
flexdashboard::valueBox(formatear(indicadores$total,0), "Llegadas simuladas · 90 días", icon="fa-users",color="primary")
```

### Espera promedio

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

### Ocupación

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

### Abandono

```{r kpi4}
flexdashboard::valueBox(paste0(formatear(indicadores$tasa_abandono,2)," %"),"Abandonos / llegadas",icon="fa-sign-out",color="info")
```

Row {data-height=275}
----------------------------------------------

### Semáforo de capacidad

```{r semaforo}
# Medidor de capacidad robusto: se dibuja con ggplot y funciona aun sin JavaScript.
# Los umbrales son exclusivamente ilustrativos.
medidor <- data.frame(inicio=c(0,85,90),fin=c(85,90,110),
                     estado=factor(c("Objetivo","Atención","Crítico"),
                                   levels=c("Objetivo","Atención","Crítico")))
valor <- round(indicadores$ocupacion,1)
ggplot(medidor) +
  geom_rect(aes(xmin=inicio,xmax=fin,ymin=0,ymax=1,fill=estado),
            color="white",linewidth=1.5) +
  geom_vline(xintercept=valor,color=marino,linewidth=1.4) +
  annotate("point",x=valor,y=.5,shape=21,size=6,fill="white",color=marino,stroke=2) +
  annotate("text",x=valor,y=1.35,
           label=paste0(formatear(valor)," %"),size=8,fontface="bold",color=marino) +
  scale_fill_manual(values=c("Objetivo"=verde,"Atención"=oro,"Crítico"=coral),drop=FALSE) +
  scale_x_continuous(limits=c(0,110),breaks=c(0,50,85,90,110),expand=c(0,0)) +
  coord_cartesian(ylim=c(-.25,1.75),clip="off") +
  labs(x="Ocupación de capacidad (%)",y=NULL,fill="Rango",
       title="Nivel de presión sobre la capacidad",
       subtitle="Valor medio ponderado · escala de referencia ilustrativa") +
  theme_minimal(base_size=12) +
  theme(axis.text.y=element_blank(),axis.ticks.y=element_blank(),
        panel.grid=element_blank(),legend.position="bottom",
        plot.title=element_text(face="bold",color=marino),
        plot.margin=margin(8,15,8,15))
```

### Alerta para el comité

<div class="risk"><b>`r indicadores$dias_alerta` días</b> presentaron ocupación media superior al umbral ilustrativo del 90 %.</div>

**No aprobar cambios estructurales basándose solo en este indicador.** La ocupación debe leerse con la complejidad de pacientes, dotación efectiva, camas y egresos.

**Regla ejecutiva:** distinguir si el problema es recurrente, localizado o excepcional antes de reasignar recursos.

Dónde se rompe la oportunidad {data-icon="fa-line-chart"}
==============================================

Row {data-height=465}
----------------------------------------------

### Espera diaria | Localizar picos, no esconderlos en un promedio

```{r tendencia}
# Se usa una estética básica compatible con ggplotly().
# Evitar aes(text=...) heredado: las capas de anotación no disponen
# de esa variable, lo que puede causar un error en eval_aesthetics().
serie <- diario
p <- ggplot(serie, aes(x=fecha, y=espera)) +
  annotate("rect", xmin=as.Date("2026-02-15"),
           xmax=as.Date("2026-02-21"), ymin=-Inf, ymax=Inf,
           fill=oro, alpha=.12) +
  geom_line(color=azul, linewidth=1) +
  geom_point(color=cian, size=1.7) +
  geom_hline(yintercept=meta_espera, color=coral,
             linetype="dashed", linewidth=.7) +
  geom_point(data=periodo_critico,
             mapping=aes(x=fecha, y=espera), inherit.aes=FALSE,
             color=coral, size=3.5) +
  labs(title="Los días críticos requieren una explicación operacional",
       subtitle="Sombreado: episodio incluido deliberadamente en la simulación",
       x="Fecha", y="Espera media (min)") + tema
# El usuario puede explorar fechas y valores mediante tooltips, zoom y paneo.
# El pico se destaca con un punto coral y se explica en el texto gerencial.
plotly::ggplotly(p, tooltip=c("x", "y")) %>%
  plotly::config(displaylogo=FALSE)
```

**Qué muestra:** episodios y máximos diarios. **Qué significa:** la media no refleja toda la presión. **Qué decidir:** investigar picos en registros reales junto con turnos, triage y egresos.

Row {data-height=445}
----------------------------------------------

### Compare cuatro indicadores, una misma franja

```{r selector}
comp <- por_franja %>% mutate(franja=as.character(franja))
indicadores_plot <- list(
 list(etiqueta="Espera media (min)",y=comp$espera),
 list(etiqueta="Ocupación (%)",y=comp$ocupacion),
 list(etiqueta="Llegadas",y=comp$llegadas),
 list(etiqueta="Abandono (%)",y=comp$tasa_abandono))
fig <- plotly::plot_ly()
for(j in seq_along(indicadores_plot)){
  fig <- plotly::add_bars(fig,x=comp$franja,y=indicadores_plot[[j]]$y,
    name=indicadores_plot[[j]]$etiqueta,visible=j==1,
    marker=list(color=colores),hovertemplate="Franja: %{x}<br>Valor: %{y:.1f}<extra></extra>")
}
botones <- lapply(seq_along(indicadores_plot),function(j){
 v <- rep(FALSE,length(indicadores_plot));v[j] <- TRUE
 list(method="update",label=indicadores_plot[[j]]$etiqueta,
      args=list(list(visible=v),list(yaxis=list(title=indicadores_plot[[j]]$etiqueta))))
})
plotly::layout(fig,showlegend=FALSE,
 xaxis=list(title="Franja de seis horas"),yaxis=list(title="Espera media (min)"),
 updatemenus=list(list(type="dropdown",buttons=botones,x=0,y=1.20)),
 margin=list(t=85)) %>% plotly::config(displaylogo=FALSE)
```

**Qué muestra:** cada franja tiene perfiles distintos de volumen, presión y desempeño. **Qué decidir:** priorizar solo cuando coincidan varios indicadores, no un dato aislado.

Explicación y riesgos {data-icon="fa-search"}
==============================================

Row {data-height=420}
----------------------------------------------

### ¿Dónde se concentra la variabilidad?

```{r variabilidad}
ggplot(base,aes(franja,espera_min,fill=franja))+
 geom_boxplot(show.legend=FALSE,outlier.alpha=.45)+
 scale_fill_manual(values=colores)+
 labs(title="La predictibilidad importa tanto como el promedio",
 x="Franja",y="Tiempo de espera (min)")+tema
```

**Lectura:** compara medianas, dispersión y valores extremos. **Decisión:** diseñar protocolos de contingencia para franjas con alta variabilidad.

### Ocupación y espera: asociación, no causalidad

```{r correlacion}
ggplot(base,aes(ocupacion,espera_min,color=franja))+
 geom_point(alpha=.5,size=1.5)+geom_smooth(method="lm",se=FALSE,linewidth=.8)+
 scale_color_manual(values=colores)+
 labs(title="Más presión puede coincidir con mayor espera",
 x="Ocupación (%)",y="Espera (min)",color="Franja")+tema
```

**Lectura:** relación descriptiva construida en la simulación. **Decisión:** comprobar el patrón con registros reales antes de inferir efectos.

Row {data-height=350}
----------------------------------------------

### Episodios para revisión de gerencia

```{r tabla}
DT::datatable(diario %>% arrange(desc(espera)) %>% slice_head(n=12) %>%
 transmute(Fecha=format(fecha,"%d/%m/%Y"),Llegadas=llegadas,
 `Espera (min)`=round(espera,1),`Ocupación (%)`=round(ocupacion,1)),
 rownames=FALSE,filter="top",options=list(pageLength=6,scrollX=TRUE))
```

### Los riesgos de decidir demasiado pronto

<div class="risk"><b>Riesgo 1.</b> Confundir un evento excepcional con una congestión permanente.</div>
<div class="risk"><b>Riesgo 2.</b> Reasignar personal sin considerar seguridad y clasificación clínica.</div>
<div class="risk"><b>Riesgo 3.</b> Atribuir causalidad a asociaciones generadas por el propio simulador.</div>

Posicionamiento institucional {data-icon="fa-compass"}
==============================================

Row {data-height=265}
----------------------------------------------

### ¿Cómo se posiciona el desempeño operativo?

<div class="leadbox"><strong>El posicionamiento no consiste en comparar una cifra aislada.</strong> Para la alta dirección, la pregunta clave es si la institución convierte su capacidad instalada en atención oportuna, segura y estable, especialmente durante las franjas de presión.</div>

Este apartado presenta una <strong>lectura interna del desempeño simulado</strong>, no un ranking de instituciones. Sin datos comparables de otras IPS, niveles de complejidad y mezcla de pacientes, no se puede establecer una posición competitiva real.

Row {data-height=355}
----------------------------------------------

### Perfil ejecutivo de desempeño: indicadores complementarios

```{r posicionamiento}
perfil <- data.frame(
  dimension=c("Oportunidad antes de 60 minutos", "Franjas con ocupación <= 90 %", "Pacientes que no abandonan"),
  porcentaje=c(indicadores$oport, 100*mean(base$ocupacion<=90),100-indicadores$tasa_abandono)
)
perfil$dimension <- factor(perfil$dimension,levels=rev(perfil$dimension))
ggplot(perfil,aes(x=dimension,y=porcentaje,fill=dimension))+
 geom_col(width=.57,show.legend=FALSE)+
 geom_text(aes(label=paste0(formatear(porcentaje)," %")),hjust=-.08,fontface="bold",size=4.4,color=marino)+
 coord_flip()+
 scale_fill_manual(values=c("#2563EB","#09B6C9","#1DAB85"))+
 scale_y_continuous(limits=c(0,110),breaks=seq(0,100,25),labels=function(x) paste0(x," %"))+
 labs(x=NULL,y="Porcentaje del escenario sintético",title="Tres ángulos de un mismo desempeño")+
 tema+theme(panel.grid.major.y=element_blank())
```

### Lectura para gerencia

<div class="insight"><b>Implicación estratégica:</b> vigilar simultáneamente oportunidad, capacidad y permanencia del paciente. Una aparente mejora en un indicador no debe compensar un deterioro grave en otro.</div>

**Decisión:** aprobar una ficha mensual con estos tres indicadores y sus definiciones, discriminada por triage, franjas y niveles de complejidad cuando exista información real validada.

Decisión y seguimiento {data-icon="fa-check-circle"}
==============================================

Row {data-height=335}
----------------------------------------------

### Decisión 1 | Piloto focalizado y reversible

<div class="action"><b>Propuesta:</b> levantar línea base real y probar durante seis semanas ajustes de flujo y asignación de capacidad en la franja de presión confirmada.</div>

**Responsables:** Dirección Médica, Urgencias y Talento Humano.

**Medición:** mediana y P90 de espera, abandono, eventos de seguridad, carga por triage y horas efectivas de personal.

**Condición para escalar:** mejora sostenida, sin deterioro de seguridad y con costo incremental conocido.

### Decisión 2 | Gobierno de datos y alertas

<div class="insight"><b>Propuesta:</b> institucionalizar un comité operativo semanal con información validada, responsables y acciones verificables.</div>

**Responsables:** Planeación, Calidad y Sistemas de Información.

**Medición:** completitud, trazabilidad, alertas investigadas y acciones cerradas.

**Condición para sostener:** indicadores auditables y decisiones documentadas.

Row {data-height=300}
----------------------------------------------

### Hoja de ruta para aprobación

| Horizonte | Entregable | Responsable |
|:--|:--|:--|
| Semanas 1–2 | Auditoría de fuentes y línea base | Sistemas y Calidad |
| Semanas 3–4 | Diseño e inicio controlado | Urgencias y Talento Humano |
| Semanas 5–8 | Seguimiento y ajustes | Dirección Médica |
| Semanas 9–10 | Evaluación de resultados y costos | Planeación y Calidad |
| Semana 11 | Continuar, modificar o detener | Gerencia |

### Cierre gerencial

<div class="leadbox"><strong>La decisión responsable no es aumentar recursos inmediatamente.</strong> Es identificar el cuello de botella real, medir una intervención viable y financiar solo aquello que demuestre mejorar la oportunidad y preservar la seguridad.</div>

**Nota de integridad:** datos sintéticos, umbrales ilustrativos y escenarios no causales. No utilizar las cifras como diagnóstico de una IPS real.