Los objetivos y metas específicos del presente estudio son los siguientes:
- Minimizar los costos de transporte y asignación de recursos: Reducir los gastos relacionados con combustible, mantenimiento de vehículos y programación de personal, garantizando al mismo tiempo una distribución óptima de los recursos.
- Mejorar la calidad del servicio y la satisfacción del paciente: Garantizar una atención médica oportuna a los pacientes, minimizando los tiempos de espera y mejorando la calidad general de la atención.
- Optimizar el tiempo de respuesta y la utilización de recursos: Coordinar el envío de ambulancias, la entrega de medicamentos y los traslados de pacientes a hospitales para mejorar el rendimiento del sistema y los resultados de los pacientes.
La presente investigación realiza varias contribuciones significativas al campo de la logística de atención médica de emergencia:
Marco multiobjetivo integrado: A diferencia de los modelos tradicionales de SEM que se centran en objetivos únicos, esta investigación desarrolla un modelo integral que considera simultáneamente la rentabilidad, el tiempo de respuesta y la calidad del servicio.
Incorporación de restricciones y dependencias realistas: El modelo propuesto considera las interacciones sincronizadas entre el personal de respuesta, los vehículos y las instalaciones médicas, así como los requisitos específicos de los pacientes y las limitaciones temporales. Aplicación de Técnicas Avanzadas de Optimización: El estudio emplea algoritmos metaheurísticos, como el Algoritmo Genético de Ordenamiento No Dominado III (NSGA-II I), para resolver problemas complejos de optimización a gran escala inherentes a la logística de los SEM.
Al abordar estos aspectos, la investigación proporciona un marco de enrutamiento de SEM escalable y adaptable que puede ser utilizado por legisladores, planificadores de emergencias y profesionales de la salud para mejorar las operaciones de respuesta a emergencias. En otras palabras, al desarrollar un modelo de enrutamiento de SEM aplicable en situaciones reales, este estudio contribuye a los esfuerzos continuos para mejorar la logística médica de emergencia, reducir los tiempos de respuesta y optimizar los resultados de los pacientes en situaciones de crisis.
A pesar de la extensa investigación sobre la optimización de los SEM, aún existen varias deficiencias sin abordar. En primer lugar, muchos estudios existentes se centran en la optimización con un solo objetivo, priorizando a menudo la reducción del tiempo de respuesta sobre la rentabilidad y la equidad del servicio. En segundo lugar, si bien los algoritmos metaheurísticos se han aplicado ampliamente, aún faltan estudios que integren el análisis de datos en tiempo real, el modelado predictivo basado en IA y los factores de incertidumbre en el enrutamiento y la asignación de recursos de los SEM. En tercer lugar, la mayoría de los modelos existentes no consideran los sistemas de transporte de emergencia multimodales, como ambulancias, ambulancias aéreas y vehículos autónomos de prestación de servicios sanitarios.
Este estudio contribuye a este campo mediante el desarrollo de un modelo matemático multiobjetivo que optimiza simultáneamente el tiempo de respuesta, la rentabilidad y la utilización de recursos de los SEM. Al integrar las limitaciones del mundo real, como la demanda variable de pacientes, las estrategias de respuesta dinámicas y los límites de capacidad hospitalaria, esta investigación proporciona un marco integral para la toma de decisiones en los SEM. Además, el modelo propuesto incorpora técnicas de optimización metaheurística de última generación para mejorar la adaptabilidad y robustez de las soluciones de enrutamiento y programación de EMS.
En este problema, se consideran dos escenarios para la prestación de servicios médicos a las víctimas, basándose en la información obtenida:
La víctima requiere medicación o examen médico.
La víctima necesita hospitalización.
La descripción del problema, los supuestos, los parámetros, las variables de decisión y el modelo matemático se presentarán en las siguientes secciones. Sea G(N0,A) un grafo dirigido completo, donde N0 representa el conjunto de nodos y A el conjunto de arcos (cada arco corresponde a una distancia temporal o física entre dos nodos). En este problema, se definen los siguientes conjuntos: el conjunto de personal de emergencias, el conjunto de víctimas, el nodo de inicio (Media Luna Roja o centro de emergencias), el nodo de destino, el nodo de farmacia y el nodo de hospital. El conjunto N0 está formado por las víctimas, el nodo de inicio, el nodo de destino, la farmacia y el hospital. Cada vehículo, según el tipo de servicio que preste a lo largo de su ruta, visita la farmacia o el hospital. Si el servicio asignado para un vehículo v implica la hospitalización de la víctima, la ruta para estos vehículos sigue esta secuencia: Media Luna Roja (primer nodo) → Víctimas → Hospital → Media Luna Roja (último nodo). De manera similar, si el servicio asignado para el vehículo v es la entrega de medicamentos, su ruta sigue esta secuencia: Compañía de Servicios Médicos (primer nodo) → Farmacia → Víctimas → Compañía de Servicios Médicos (último nodo). Para los respondedores de emergencia, la ruta sigue esta secuencia: Media Luna Roja → Víctimas → Media Luna Roja. En este problema, ciertos servicios requieren la presencia simultánea tanto del respondedor de emergencia como del vehículo en la ubicación de la víctima. Un respondedor calificado realiza el examen necesario y, si se requiere hospitalización, transfiere a la víctima al conductor del vehículo para el transporte al hospital y pruebas médicas adicionales. Otro tipo de servicio implica la entrega de suministros médicos a los respondedores para su uso en las víctimas. Nodos y restricciones del modelo: Los nodos del modelo incluyen: Víctimas, Farmacia, Hospital, Media Luna Roja (Centro de Emergencias). El margen de tiempo para las víctimas se establece en dos, tres o cuatro horas, y la presencia simultánea del personal de respuesta y del vehículo en su ubicación añade complejidad al problema. Una víctima puede recibir servicio de tres maneras diferentes:
Servicio independiente: La víctima solo requiere asistencia del personal de respuesta y no solicita el servicio del vehículo.
Servicio dual: La víctima requiere la asistencia del personal de respuesta y el servicio de un vehículo.
Servicio triple: La víctima requiere la asistencia del personal de respuesta y dos servicios de vehículos separados.
Para más información, lea el artículo completo.
Esta investigación examinó un problema extenso de programación y enrutamiento para la prestación de servicios médicos de emergencia en lugares de accidentes. Dada la naturaleza multiobjetivo del problema, la solución consiste en un conjunto de respuestas óptimas en el sentido de Pareto. Dado que el problema es NP-hard, se emplearon dos algoritmos metaheurísticos, NSGA-II y PESA-II, para resolver el modelo en dimensiones superiores, mientras que el método de Restricción Épsilon Aumentada (AEC) se empleó para dimensiones inferiores.
Un análisis comparativo mostró que los algoritmos metaheurísticos produjeron soluciones similares a las del método exacto, lo que demuestra su eficacia en la resolución de instancias a gran escala. La evaluación del rendimiento basada en cinco métricas indicó que NSGA-II superó a PESA-II, especialmente en los índices MID y de Espaciamiento. Los resultados destacan varias compensaciones clave en la programación y el enrutamiento de los servicios médicos. Como se demostró en el análisis del frente de Pareto, optimizar una función objetivo, como la reducción de los costos económicos, puede aumentar la carga de trabajo del personal de respuesta y la distancia de viaje, lo que afecta la eficiencia operativa. Equilibrar estos objetivos es crucial, ya que el exceso de viajes puede provocar fatiga del personal de respuesta y mayores riesgos operativos.
En general, este estudio proporciona un enfoque estructurado para optimizar los servicios médicos de emergencia mediante la integración de la programación, el enrutamiento y la asignación de recursos bajo múltiples objetivos. Los hallazgos enfatizan la importancia de las compensaciones en la logística de emergencias y destacan oportunidades para futuras mejoras tanto en las metodologías de modelado como en las de solución. Se pueden considerar varias mejoras para aumentar el realismo y la aplicabilidad del problema:
Una posible mejora consiste en predeterminar la ubicación de los nodos de farmacia y hospital antes de la asignación de vehículos, lo que garantiza una gestión de rutas más eficiente. Otra extensión podría ser la introducción de un componente de gestión de residuos, donde los residuos médicos se procesan en un nodo de destrucción designado antes de regresar al centro de tratamiento. La incorporación de mecanismos de programación dinámica que se adapten a cambios en tiempo real (por ejemplo, retrasos inesperados o nuevos casos de emergencia) podría mejorar aún más la aplicabilidad del modelo en situaciones reales. Además, si bien el modelo actual asume una capacidad hospitalaria suficiente, los límites de capacidad hospitalaria (por ejemplo, mediante variables enteras para la disponibilidad de camas) pueden modelarse en futuras investigaciones.
Desde una perspectiva metodológica, aún existe un gran potencial para futuras investigaciones:
Si bien los enfoques metaheurísticos han mostrado resultados prometedores, los métodos heurísticos híbridos que combinan técnicas exactas y heurísticas han recibido poca atención y podrían proporcionar soluciones más robustas. La integración de técnicas de aprendizaje automático para la previsión de la demanda y la optimización adaptativa de rutas podría mejorar significativamente el proceso de toma de decisiones. La investigación futura podría integrar sistemas multimodales, incluyendo drones para la entrega de suministros médicos, ambulancias aéreas para casos críticos y vehículos autónomos para el transporte de pacientes, para mejorar los tiempos de respuesta y la eficiencia de los recursos. La incertidumbre en las fluctuaciones de la demanda, la disponibilidad de recursos o las fallas de los vehículos es un desafío crítico en la logística de los servicios médicos de emergencia (SME). El desarrollo de modelos de optimización robustos y estocásticos para incorporar variables inciertas y garantizar estrategias de respuesta a emergencias resilientes es una vía prometedora.
