1. Resumen ejecutivo

El presente reporte ejecutivo sintetiza los resultados del análisis de la base Appointments, con énfasis en el comportamiento de la asistencia, las cancelaciones y los tiempos de espera de los pacientes.

El análisis tiene dos propósitos de gestión: caracterizar el uso de la agenda médica e identificar oportunidades para mejorar la organización de la consulta externa. Como complemento, se presenta el desempeño de un modelo de regresión logística que estima el riesgo de que una cita atendida registre una espera de 60 minutos o más, utilizando información disponible al momento del check-in.

La base contiene 111.488 registros. De ellos, 86.032 corresponden a citas atendidas, 18.254 a cancelaciones y 6.615 a inasistencias. Los estados se mantienen separados porque representan situaciones operativas diferentes.

2. Indicadores clave de gestión (KPI)

Los KPI resumen el volumen de actividad y tres dimensiones distintas del proceso: asistencia, cancelación y espera prolongada.

111.488 7,14% 16,37% 27,91%

Lectura gerencial de los KPI. La tasa de inasistencia se calcula sobre las citas con resultado definitivo: atendidas más inasistencias. La tasa de cancelación utiliza como denominador todos los registros. La tasa de espera prolongada se calcula solamente entre citas atendidas con un tiempo de espera registrado. Por lo tanto, los porcentajes no deben sumarse ni compararse como si midieran el mismo fenómeno.

3. Distribución de las citas

La siguiente tabla presenta la cantidad y participación de cada estado registrado en la base de datos.

Distribución de las citas según su estado
Estado Cantidad Porcentaje
Atendida 86032 77,17%
Cancelada 18254 16,37%
No asistió 6615 5,93%
Desconocido 446 0,40%
Programada 141 0,13%

La mayor parte de los registros corresponde a citas atendidas. Las cancelaciones y las inasistencias representan oportunidades diferentes para revisar la gestión de la agenda: una cancelación informada podría permitir reasignar el espacio, mientras que una inasistencia no notificada puede dificultar esa reorganización. La base no permite afirmar que todas las cancelaciones o inasistencias hayan dejado un espacio sin utilizar, porque no informa si la cita fue reasignada.

4. Caracterización de la demanda y comportamiento de la agenda

Esta sección reúne los gráficos descriptivos del informe analítico que ayudan a comprender cómo se distribuyen las citas, con qué anticipación se programan y en qué periodos se observan mayores inasistencias. Los porcentajes se calculan con los denominadores definidos en cada análisis.

4.1. Volumen de citas según su estado

Lectura gerencial. El gráfico permite comparar visualmente citas atendidas, canceladas, inasistencias y registros con otros estados. Las cancelaciones y las inasistencias no deben agruparse: una cancelación puede notificarse con anticipación y permitir reasignar el espacio; una inasistencia ocurre cuando el paciente no se presenta. La base no confirma si cada espacio cancelado o no utilizado fue reasignado.

4.2. Distribución de la demanda por grupo de edad y sexo

Lectura gerencial. La distribución muestra qué grupos de edad concentran más registros y permite comparar la composición por sexo. Puede orientar la descripción de la demanda y la planeación de servicios, pero no permite inferir necesidades clínicas específicas ni explicar por qué un grupo utiliza más citas que otro.

4.3. Días de anticipación en el agendamiento

Lectura gerencial. El histograma permite conocer si la agenda se utiliza principalmente para citas de corto plazo o si existe programación con mayor anticipación. Esta información es útil para revisar la capacidad de respuesta de la agenda. La variable registrada en esta base toma valores de 1 a 30 días, por lo que el gráfico refleja ese rango observado.

4.4. Anticipación del agendamiento según resultado de la cita

## Warning: Removed 4 rows containing missing values or values outside the scale range
## (`geom_path()`).

Lectura gerencial. Se comparan las distribuciones de anticipación de las citas atendidas y de las inasistencias, utilizando exclusivamente registros entre 1 y 30 días. Las curvas permiten observar si ambos grupos presentan concentraciones diferentes. Esta comparación es descriptiva y no demuestra que la anticipación cause la inasistencia.

4.5. Tasa de inasistencia por día exacto de anticipación

Lectura gerencial. Este gráfico permite comparar la tasa para cada número de días y, al mismo tiempo, considerar el volumen de citas mediante el tamaño de los puntos. Una tasa alta en un intervalo con pocos registros puede ser menos estable; por ello conviene leer conjuntamente porcentaje y cantidad.

4.6. Evolución mensual de la tasa de inasistencia

Lectura gerencial. La evolución permite reconocer periodos con cambios en la proporción de inasistencias y orientar revisiones de confirmación, comunicación y programación. Los cambios observados no identifican por sí mismos una causa; además, los distintos años pueden corresponder a contextos operativos diferentes.

4.7. Mapa de calor de inasistencia por mes y hora

Lectura gerencial. El mapa facilita detectar combinaciones de mes y hora que presentan tasas relativamente mayores. Los meses agrupan los distintos años disponibles; por tanto, no representa una serie temporal de un solo año. Una celda con porcentaje alto no necesariamente concentra el mayor número absoluto de inasistencias, de modo que la gerencia debe revisar también el volumen de citas.

5. Análisis de los tiempos de espera

Los siguientes gráficos se concentran en pacientes atendidos y con tiempo de espera registrado. La espera prolongada se define, para este ejercicio, como un tiempo igual o superior a 60 minutos, según el umbral utilizado en el informe analítico.

5.1. Distribución general del tiempo de espera

Lectura gerencial. La distribución permite observar la concentración de tiempos y la presencia de esperas largas. La media puede aumentar por valores extremos, por lo que se presenta junto con la mediana. La línea de 60 minutos muestra el umbral analítico usado para clasificar la espera prolongada; no sustituye un estándar institucional de oportunidad.

5.2. Proporción de esperas prolongadas según hora programada

Lectura gerencial. El gráfico compara la proporción de esperas prolongadas en cada hora. Permite identificar franjas que pueden requerir una revisión de turnos, distribución de personal, pausas y capacidad de atención. La hora programada no demuestra por sí sola la causa de una demora.

5.3. Distribución de los tiempos de espera por hora

Lectura gerencial. El violín y la caja permiten comparar no solo la tasa por hora, sino también la forma y dispersión de los tiempos de espera. Una mediana alta o una distribución amplia puede orientar una revisión específica de esa franja, sin asumir que la hora sea la causa de la demora.

5.4. Comparación del tiempo de espera por sexo

Lectura gerencial. Este gráfico acompaña la prueba t incluida en el informe analítico y permite comparar medianas, dispersión y valores extremos entre los dos grupos registrados. No debe interpretarse como evidencia de una diferencia significativa solo a partir de la figura; para ello se consulta el resultado de la prueba estadística.

5.5. Comparación del tiempo de espera por grupos de edad

Lectura gerencial. La figura corresponde a los grupos 15–19, 30–34 y 60–64 años que se utilizaron en el ANOVA del informe. La comparación es descriptiva y no permite atribuir las diferencias a la edad. Debe leerse junto con el resultado de la prueba de hipótesis.

5.6. Espera prolongada según la puntualidad del registro de llegada

Lectura gerencial. La variable de espera comienza a contarse desde el check-in. Por eso, una persona que llega con mucha anticipación puede acumular más minutos de espera aunque la consulta no haya comenzado tarde respecto de la hora programada. El gráfico ayuda a distinguir la espera total del paciente de un posible retraso atribuible a la operación; no demuestra causalidad.

5.7. Espera prolongada por mes calendario

Lectura gerencial. La comparación mensual identifica meses calendario con distintas proporciones de espera prolongada. Como se agrupan años diferentes, el gráfico describe un patrón estacional agregado y no una evolución cronológica año a año.

5.8. Espera prolongada por grupo de edad y hora

Lectura gerencial. El mapa identifica combinaciones de edad y hora con tasas observadas diferentes, mostrando también el tamaño del grupo. El umbral mínimo de 30 citas reduce la presencia de celdas con muy pocos registros. La asociación observada no demuestra que la edad sea un factor causal ni justifica priorizar pacientes por edad.

6. Desempeño y diagnóstico del modelo predictivo

El modelo estima el riesgo de una espera igual o superior a 60 minutos entre pacientes atendidos que registraron su llegada. La evaluación respeta la separación temporal del informe analítico: entrenamiento antes del 1 de enero de 2022 y prueba desde esa fecha. Los gráficos siguientes muestran diferentes dimensiones del desempeño y sus limitaciones.

6.1. Distribución de probabilidades estimadas según el resultado observado

Lectura gerencial. Si las citas que realmente superaron 60 minutos se concentran hacia probabilidades mayores, el modelo está ordenando parte del riesgo. La superposición de las curvas refleja casos que el modelo no separa perfectamente. La línea marca el umbral de alerta seleccionado exclusivamente con el conjunto de entrenamiento.

6.2. Curva ROC del modelo

Lectura gerencial. El AUC resume la capacidad del modelo para asignar probabilidades mayores a citas que realmente tuvieron espera prolongada que a las que no la tuvieron. Un valor alrededor de 0,72 representa discriminación moderada: aporta información, pero no constituye una predicción perfecta.

6.3. Matriz de confusión

Lectura gerencial. La matriz distingue las alertas correctas, las falsas alarmas, las esperas prolongadas que no recibieron alerta y las citas correctamente clasificadas sin alerta. Esta vista hace explícito el costo operativo del umbral: detectar más eventos puede aumentar el número de alertas que el equipo debe revisar.

6.4. Calibración de las probabilidades

Lectura gerencial. Los puntos cercanos a la diagonal indican que la proporción observada se aproxima a la probabilidad media asignada por el modelo. Las diferencias con la diagonal muestran posibles sobreestimaciones o subestimaciones. Antes de comunicar probabilidades individuales o planear recursos a partir de ellas, se recomienda revisar la calibración con datos recientes.

6.5. Sensibilidad y especificidad según el umbral

Lectura gerencial. Al elevar la sensibilidad objetivo se busca reducir la cantidad de esperas prolongadas que el modelo deja sin detectar, pero normalmente aumenta el número de alertas y puede disminuir la especificidad. La tabla de resultados y el gráfico permiten valorar si el volumen de alertas sería viable para el equipo responsable.

6.6. Comparación de la transformación de los minutos de llegada

Lectura gerencial. Esta comparación reproduce la prueba del informe entre minutos de llegada sin transformar y su representación logarítmica. Se interpreta junto con el Brier score de la tabla siguiente. Una diferencia pequeña de AUC no debe presentarse como una mejora operativa sustancial.

Comparación de especificaciones del modelo
Especificacion AUC_prueba Brier_prueba
Minutos sin transformar 0,7231 0,1803
Logaritmo de minutos + 1 0,7234 0,1802

6.7. Comparación del modelo con y sin historial previo de espera

Comparación del modelo con y sin historial previo
Modelo AUC_prueba Brier_prueba
Modelo final sin historial 0,7234 0,1802
Modelo con historial previo 0,7234 0,1802

Lectura gerencial. Esta comparación reproduce la evaluación del informe sobre la incorporación de esperas previas del mismo paciente. Si el AUC y el Brier cambian muy poco, la complejidad adicional de integrar el historial no demuestra una mejora clara y debe justificarse antes de implementarse.

6.8. Métricas generales y lectura gerencial del modelo

El informe analítico definió como resultado una espera igual o superior a 60 minutos entre pacientes que asistieron y registraron su llegada. El modelo usa la hora programada, el día de la semana, el mes y la diferencia entre la hora programada y el check-in. No utiliza el tiempo de espera como predictor, porque esa es la variable que se desea anticipar.

La separación de datos es cronológica: el modelo se entrena con registros anteriores al 1 de enero de 2022 y se evalúa con registros desde esa fecha. El umbral de alerta se selecciona únicamente con el conjunto de entrenamiento, buscando una sensibilidad mínima del 75%.

Desempeño del modelo en el periodo de prueba
Indicador Resultado
AUC en el periodo de prueba 0,723
IC 95% inferior del AUC 0,717
IC 95% superior del AUC 0,730
Sensibilidad 74,19%
Especificidad 58,68%
Precisión positiva (PPV) 42,35%
Porcentaje de citas que reciben alerta 50,86%
Brier score 0,1802

Interpretación gerencial. El AUC resume la capacidad del modelo para ordenar citas con mayor y menor riesgo de espera prolongada. La sensibilidad expresa qué proporción de las esperas prolongadas logra detectar; la especificidad, qué proporción de las citas sin espera prolongada deja sin alerta; y la precisión positiva, qué parte de las alertas corresponde efectivamente a esperas de 60 minutos o más.

En esta ejecución, el modelo obtuvo un AUC de 0,723, una sensibilidad de 74,2% y una precisión positiva de 42,4%. Estos valores representan una capacidad discriminativa moderada: el modelo puede apoyar la vigilancia de la operación, pero genera alertas que no terminan en una espera prolongada y también puede dejar algunos casos sin detectar. La tabla presenta los resultados recalculados a partir de la base y del procedimiento del informe analítico.

La alerta no debe utilizarse para negar atención, alterar prioridades clínicas ni aplazar pacientes automáticamente. Su uso razonable es apoyar la revisión de la fila y la comunicación oportuna de posibles demoras, siempre con supervisión humana.

7. Conclusiones y recomendaciones para la gerencia

Conclusiones

  1. La base de datos permite caracterizar el volumen de citas y diferenciar los registros atendidos, cancelados y no atendidos.
  2. La inasistencia, la cancelación y la espera prolongada representan dimensiones operativas distintas y deben mantenerse como indicadores separados.
  3. El análisis temporal de las inasistencias y la distribución de esperas prolongadas por hora pueden orientar revisiones de la programación y de la capacidad de consulta externa.
  4. El modelo de regresión logística presenta una capacidad de discriminación moderada y puede considerarse como apoyo para identificar citas que requieran revisión operativa.
  5. Los resultados son históricos y no permiten establecer por sí solos relaciones causales ni garantizar el comportamiento futuro del servicio.

Recomendaciones ejecutivas

  • Fortalecer la confirmación de citas. Evaluar recordatorios y mecanismos de confirmación anticipada para reducir inasistencias y facilitar la reasignación de espacios cancelados.
  • Revisar las franjas horarias con mayor espera. Contrastar los resultados del gráfico con la distribución real de personal, pausas, turnos y demanda por servicio.
  • Mantener un tablero periódico de KPI. Monitorear por separado el volumen de citas, la tasa de inasistencia, la tasa de cancelación y la tasa de espera prolongada.
  • Evaluar un piloto supervisado del modelo. Utilizar las alertas como apoyo para revisar la carga de atención y comunicar posibles demoras, sin automatizar decisiones sobre pacientes.
  • Validar antes de escalar. Probar el modelo con datos más recientes, revisar su calibración y ajustar el umbral de alerta de acuerdo con la capacidad operativa del equipo.

Conclusión para la dirección

La analítica de la base Appointments aporta información útil para comprender el comportamiento de la agenda y reconocer oportunidades de mejora en consulta externa. Los indicadores permiten diferenciar problemas de asistencia, cancelación y oportunidad de atención, mientras que el modelo de regresión logística ofrece una señal moderada para apoyar la identificación de posibles esperas prolongadas. Se recomienda utilizar estos resultados para orientar mejoras y evaluar un piloto operativo supervisado, manteniendo la validación de los datos y el criterio del personal responsable como condiciones previas a cualquier implementación permanente.

Alcance de las visualizaciones: se incorporaron los gráficos basados en registros reales del informe analítico y los diagnósticos necesarios para interpretar el modelo. No se incluyó el histograma de duraciones simuladas con rnorm(), porque representa datos hipotéticos y no citas reales de Appointments; tampoco se incluyó la visualización 3D exploratoria, ya que utiliza una muestra aleatoria y resulta menos directa para la toma de decisiones ejecutivas.

Nota metodológica: los porcentajes se calculan sobre los denominadores indicados en cada sección. Los resultados del modelo dependen de que Appointments.csv corresponda a la misma versión de la base utilizada en el informe analítico. Para generar el PDF desde RStudio es necesario tener instalado un sistema LaTeX (por ejemplo, TinyTeX); el HTML no requiere ese componente.