Ingeniare. Revista chilena de ingeniera, vol.20 N2, 2012, pp.

230-241

Una formulacin matemtica y de solucin para programar cirugas

con restricciones de recursos humanos en el hospital pblico

A mathematical formulation and solution to schedule surgeries

with human resource constraints in a public hospital
Lorena Pradenas Rojas1Exequiel Matamala Vergara1

Recibido 24 de mayo de 2010, aceptado 13 de julio de 2012

Received: May 24, 2010 Accepted: July 13, 2012

RESUMEN

Actualmente, los hospitales pblicos nacionales e internacionales presentan demandas que sobrepasan
la capacidad de atencin, lo que ha provocado un creciente inters por usar herramientas de gestin
en los centros clnicos que les permita realizar de forma eficiente y eficaz la entrega de servicios a los
distintos pacientes. El presente estudio aporta una nueva forma de abordar el problema de programacin
de cirugas, desde la programacin matemtica, presentando un modelo de optimizacin multiobjetivo y
un algoritmo metaheurstico implementado computacionalmente, que permite la programacin semanal
de intervenciones quirrgicas, cumpliendo con los requerimientos de pabellones y personal especializado
necesario para su realizacin. Se utiliza una instancia de prueba, donde el tiempo de ejecucin del
algoritmo, implementado en C++, fue de siete minutos para 191 cirugas en lista de espera. El tiempo
alcanzado es considerablemente menor a la programacin realizada con un sistema manual, como los
actualmente usados en hospitales pblicos.

Palabras clave: Programacin de cirugas, programacin multiobjetivos, asignacin de personal, algoritmos

genticos, gestin de salud.

ABSTRACT

Currently, national and international public hospitals have demands that exceed their service capacity,
which has caused a growing interest in management sciences to deliver these medical centers the tools that
will enable them to perform efficiently and effectively, delivering services to different patients. This study
provides a new way of approaching the problem of surgical scheduling using mathematical programming,
presenting a multi-objective optimization model and a metaheuristic algorithm implemented computationall.
The solution allows weekly schedule of surgical procedure and complying with the requirements of the
flag and expertise necessary for realization. We ordered test instances where the execution time of the
algorithm, coded in C++, was 7 minutes for a 191 surgeries waiting list, which is a considerable less
amount of time to this schedule than using a manual approach. The latest is the case of public hospitals.

Keywords: Surgeries scheduling, multiobjective programming, staffing, genetic algorithms, health

management.

INTRODUCCIN forma posible los recursos de salud que disponen

y que adems proporcione un buen servicio a los
El problema de programar cirugas en hospitales usuarios. En particular, que permita a cada paciente
pblicos nacionales contina sin disponer de tener su intervencin lo ms pronto posible y en las
soluciones eficientes que permitan utilizar de la mejor mejores condiciones, para evitar un agravamiento

1 Departamento de Ingeniera Industrial. Universidad de Concepcin. Concepcin, Chile. E-mail: lpradena@udec.cl; ematamala@udec.cl
 Pradenas Rojas y Matamala Vergara: Una formulacin matemtica y de solucin para programar cirugas con restricciones
de su enfermedad, y disponer una calidad de vida
apropiada.
En el actual sistema de salud pblico en Chile,
cuando una intervencin quirrgica no se realiza en
el tiempo considerado por el Ministerio de Salud, se
debe trasladar a centros privados o cancelar las multas
estipuladas. En ambos casos el costo involucrado
es extraordinariamente elevado y perjudica el buen
uso de los recursos disponibles.
A diferencia de los pases desarrollados, en Chile
an no se dispone de herramientas de planificacin
eficientes que permitan realizar una adecuada gestin
de los recursos disponibles en las instituciones de
salud. La gestin de recursos es de gran importancia,
ya que algunos pacientes pueden fallecer antes de
ser intervenidos y, en otros, los tiempos de espera
superan los seis meses.
El uso de herramientas y algoritmos computacionales
apoyaran la gestin de estas instituciones y como
consecuencia proporcionaran un mejor uso de los
recursos y una mejor atencin a los pacientes, con
todos los beneficios que esto conlleva.
El presente estudio determina si es posible modelar
matemticamente y propone una solucin factible
al problema de programacin de cirugas en un
hospital pblico considerando las restricciones de
recursos humanos involucradas.
Problemas similares han sido tratados en la literatura
especializada, entre los cuales se pueden mencionar:
En [10] se plantea un modelo estocstico para la
planificacin de pabellones quirrgicos para dos
tipos de pacientes: electivos y de emergencia. Se
propone un mtodo que combina la simulacin
Montecarlo con Programacin entera mixta.
Este mtodo garantiza soluciones factibles en
tiempos computacionales razonables.
En [13] se propone un modelo matemtico
de optimizacin multiobjetivo que permite al
tomador de decisiones planificar la programacin
de cirugas en el plazo de un ao para reducir
las listas de espera. El algoritmo de solucin
propuesto entrega dos soluciones, una solucin
mxima eficiente o una solucin equilibrada.
Las soluciones permiten determinar si las metas
fijadas al comienzo del periodo pueden ser
cumplidas o no con los recursos disponibles.
El estudio [14] tiene por objetivo establecer
un marco terico que permita al personal
mdico establecer la programacin, segn sus
preferencias. Adems generar una programacin
de las cirugas considerando las restricciones
presentes en el centro mdico. Se plantea un
modelo matemtico e implementa un algoritmo
gentico en un centro de salud de Blgica.
En [2] se proporciona una amplia revisin
bibliogrfica y estado del arte como tambin
se menciona un estudio de caso para la
programacin multiobjetivo de un da con
mtodos de Branch and Cut.
En [4] se modela la programacin de cirugas
como un taller de pedidos (Job Job).
En los estudios [1] y [17], nosotros hemos
propuesto modelos matemticos de programacin
lineal monoobjetivo. En el primer caso,
maximizando el nivel de importancia asignado
a cada ciruga y minimizando la diferencia entre
el tiempo disponible de las salas quirrgicas y
el tiempo de utilizacin de las mismas, no se
considera el personal necesario para la ciruga,
slo se usa la disponibilidad horaria de los
pabellones. Se programan cirugas dentro de un
da. En el segundo, maximizamos la suma de los
niveles de urgencia de las distintas cirugas, con
restricciones de los pabellones. No considera
al personal especializado. La asignacin de los
cirujanos se realiza con un algoritmo basado
en backtracking cronolgico.
En las siguientes secciones del presente artculo se
presentan primero los principales aspectos de los
algoritmos genticos y la optimizacin multiobjetivo
relacionados con el tema. Posteriormente se
entrega el modelo matemtico propuesto, luego
las caractersticas de la instancia de prueba y,
finalmente, los principales resultados y conclusiones
del estudio.
ALGORITMOS GENTICOS
Las metaheursticas estn diseadas para abordar
problemas complejos de optimizacin, en donde
otros mtodos fallan en trminos de eficacia y
eficiencia. Son reconocidas como enfoques muy
tiles para resolver problemas reales (complejos).
231
Ingeniare. Revista chilena de ingeniera, vol.20 N2, 2012
Los enfoques metaheursticos se caracterizan por
presentar estrategias de solucin general, las cuales
pueden ser adaptadas a diferentes situaciones.
Algunas metaheursticas [7-16], como por ejemplo:
Tabu search, genetic algorithms, simulated an-
nealing y ant colony optimization, tienen como
principal desafo adaptar un problema particular
al formato de stas normalmente, requieren
menos trabajo que el desarrollo de una heurstica
especializada.
En [8] se proponen los algoritmos genticos; basado
en el proceso de evolucin y herencia que presentan
los seres vivos, al reproducirse aquellos individuos
que poseen mejores caractersticas, sus hijos tendrn
mayores posibilidades de sobrevivir.
Como se resume en [11], un algoritmo gentico
dispone de cinco componentes bsicos:
Una representacin gentica de la solucin.
Una forma de crear una poblacin inicial de
soluciones factibles.
Una funcin de evaluacin (fitness) para medir
la calidad de las soluciones.
Operadores genticos que modifican la
composicin gentica de las soluciones, tales
como: cruzamiento, mutacin, seleccin, etc.
Valores de los parmetros que utilizan los
algoritmos genticos (ejemplo: tamao de la
poblacin, criterio de detencin, probabilidades
de la aplicacin de los operadores genticos, etc.).
Las ventajas principales del uso de algoritmos
genticos son: Adaptabilidad, se puede trabajar
con cualquier tipo de funcin objetivo y cualquier
tipo de restricciones (lineal, no lineal, discretas,
etc.); Robustez, por la reduccin en el esfuerzo
computacional para encontrar una solucin y tambin
porque las nuevas modificaciones propuestas permiten
una mayor exploracin del espacio solucin, evitando
caer en soluciones ptimas locales.
Los operadores genticos comnmente utilizados son:
Seleccin, basndolo en el proceso de seleccin
natural, este operador selecciona individuos de
una poblacin, dando una mayor probabilidad
de sobrevivencia a los individuos mejores en
una determinada caracterstica.
232
Cruzamiento, es el principal operador
gentico y consiste en obtener nuevos hijos
(soluciones) mediante el cruce de dos individuos
pertenecientes a la poblacin y la combinacin
de sus cromosomas.
Mutacin, consiste en un cambio aleatorio en
los genes de un individuo, generando un nuevo
individuo.
PROBLEMAS DE OPTIMIZACIN
MULTIOBJETIVO
Los problemas de optimizacin multiobjetivo son
problemas que presentan dos o ms funciones objetivo.
A diferencia con los problemas monoobjetivos, que
pueden alcanzar la solucin ptima, los multiobjetivos
no tienen solucin ptima, debido que no existe
una solucin que sea la mejor respecto a todos los
objetivos e incluso pueden existir conflictos entre
los objetivos. Una solucin puede ser mejor en un
objetivo, pero peor en otros. Existe un conjunto de
soluciones que no se pueden comparar entre s, este
tipo de soluciones son denominadas soluciones no
dominadas o soluciones de la frontera de Pareto [12].
La decisin final de cul solucin seleccionar de
la frontera de Pareto depende de la perspectiva de
cada tomador de decisiones. En rigor, depende de la
curva de utilidad, si existe o si es posible de disponer.
Para obtener la frontera de Pareto se requiere de un
tiempo computacional elevado, por esta razn se
proponen tcnicas metaheursticas, las cuales han
sido adaptadas para problemas multiobjetivos, son de
gran apoyo en la bsqueda de buenas aproximaciones
a la frontera de Pareto, una de estas tcnicas son
los algoritmos evolutivos.
ENFOQUES DE SOLUCIN A
PROBLEMAS MULTIOBJETIVOS
Algunas estrategias para problemas multiobjetivos
con algoritmos genticos son:
Vector evaluated genetic algorithm (veGA).
Es uno de los primeros trabajos que utilizan
algoritmos genticos para resolver problemas
de optimizacin multiobjetivo y propuesto en
[3, 15]. Usan distintos operadores genticos
en individuos de diferentes subpoblaciones,
identificando a los individuos que entregan
 Pradenas Rojas y Matamala Vergara: Una formulacin matemtica y de solucin para programar cirugas con restricciones
soluciones no dominadas. Se protege a los
mejores individuos en uno de los objetivos y
se proporcionan probabilidades adecuadas para
la seleccin de individuos que son mejores que
la media en ms de un objetivo. Una de las
dificultades que presenta es la convergencia a
subregiones de la frontera de Pareto (speciation),
por lo cual normalmente veGA no entrega
soluciones satisfactorias.
Multiobjective genetic algorithm (moGA).
Propuesto en [5], establece una priorizacin
(rank) a un individuo presente en la poblacin. A
todos los individuos no dominados se les asigna
rank igual a 1, mientras que a los individuos
dominados se les sanciona, dependiendo del
nmero de individuos en la poblacin actual
que los dominan.
Random-weight genetic algorithm (rwGA).
En [9] se propone una suma ponderada para la
evaluacin de los objetivos (fitness) y obtener
variabilidad en la bsqueda de la frontera de
Pareto. Se asignan pesos a cada funcin objetivo
y combinando en una nica funcin objetivo. Los
pesos se asignan al azar para evitar speciation
(agrupamiento de las soluciones en una sola
rea de la frontera de Pareto).
Adaptive-weight genetic algorithm (awGA):
En [6] se propone un enfoque de adaptacin
de pesos, usando informacin de la poblacin
actual para reajustar los pesos, en la bsqueda
de la frontera de Pareto.
MODELO MATEMTICO
El modelo matemtico propuesto en este estudio
considera definiciones y supuestos que son
mencionados a continuacin.
CARACTERSTICAS DE LOS
PABELLONES QUIRRGICOS
La unidad de pabellones proporciona horas pabelln
a los distintos servicios clnicos y en los distintos
das hbiles de una semana.
Los pabellones forman grupos en los cuales los
distintos servicios clnicos pueden realizar sus
intervenciones; estos grupos estn disponibles en
das previamente establecidos por los servicios
clnicos en conjunto con la unidad de apoyo a
pabellones quirrgicos. Un servicio clnico no puede
utilizar horas de pabelln asignado a otro servicio.
Algunos servicios clnicos disponen de salas de
uso exclusivo y pueden ser utilizadas durante todo
el periodo disponible en la semana para realizar
intervenciones quirrgicas.
Las salas quirrgicas poseen el equipamiento
necesario para realizar las cirugas dependiendo
de cada especialidad.
TIPOS DE PACIENTES
Se consider a las cirugas tipo electivas, las que
permiten establecer una lista de espera, con tiempos
mximos, que no pueden ser sobrepasados ya que
la salud del paciente se deteriora en la medida que
avanza el tiempo y tambin las instituciones son
multadas al no cumplir los tiempos establecidos. Las
cirugas del tipo emergencias deben ser realizadas
inmediatamente y no son consideradas en el modelo
ya que se dispone de pabellones exclusivos las 24
horas y los 365 das del ao.
CARACTERSTICAS DE LAS CIRUGAS
Las cirugas presentan las siguientes caractersticas:
Una vez iniciada, la ciruga no puede ser
interrumpida, no existe el concepto de paciente
en proceso o con grado de avance, por lo cual las
variables de decisin a considerar son enteras.
Las cirugas requieren de pabellones que
cumplan con sus necesidades particulares de
equipamiento, por lo cual no todos los pabellones
pueden ser utilizados para la realizacin de una
determinada ciruga.
Cada intervencin quirrgica debe ser realizada
por cirujanos especialistas, los cuales son
asignados por cada servicio clnico. Se debe
disponer de personal de apoyo, tales como:
enfermeras, anestesistas, auxiliar de anestesia,
pabelloneras, arsenaleras y en algunos casos
uno o dos cirujanos asistentes.
CARACTERSTICAS DEL PERSONAL
Los cirujanos presentes en una ciruga no
pueden ser asignados de forma paralela a otras
cirugas, esto es similar para los auxiliares de
anestesia y arsenaleras.
Las enfermeras y anestesistas, por escasez de
personal, pueden ser asignados de forma paralela
a lo ms a dos cirugas, pero existen cirugas
233
Ingeniare. Revista chilena de ingeniera, vol.20 N2, 2012

que necesitan de enfermeras y anestesistas fijos

(o exclusivos). Cipd CAM dk d , k
(6)
i p

El modelo matemtico propuesto en este estudio es un

modelo de optimizacin multiobjetivo, considerando
Cipd = 0 i p (7)
d
tres objetivos: Maximizar la sumatoria de los valores
de urgencia para las distintas cirugas, maximizar Cipd = 0 d i
(8)
p
la sumatoria de los tiempos de espera acumulados
por las cirugas candidatas y maximizar la suma
del nmero de cirugas realizadas. TCi * Cipd HPpd d , p
(9)
i

Los objetivos anteriores presentan generalmente TCi * CI tdji HCI tdj d , j, t

(10)
conflictos ya que al buscar (por ejemplo) slo i
maximizar las urgencias se puede obviar a las cirugas
con menor urgencia pero con un mayor tiempo de TCi * Eeid p + 2TCi *Eeid p 2 HEed
i i (11)
espera de los pacientes respecto de las anteriores.
d , e i i ( = = i)
Considerando lo mencionado previamente se propone
el siguiente modelo matemtico:
TCi * Aaid p + 2TCi *Aaid p 2 HAad
i i (12)
d , a i i ( = = i)
FUNCIONES OBJETIVO
Eeip
d
1 d , i, e
(13)
MAX Z1 = URGi * Cipd p
(1)
Aaip
i p d d
1 d , i, a
(14)
MAX Z 2 = TEi *Cipd p
(2)
Eeid ( p) Cid( p)
i p d
d , e p
(15)
MAX Z3 = Cipd i i
(3)
i p d
Aaid ( p) Cid( p) d , a p
(16)
i i
RESTRICCIONES
Cipd , CI tdji , Aaip
d
, AAlid , Eeip
d
, ARrid , PAbid
(17)
Cipd 1 i (4) {0,1} i, p, d , t , a, l , e, r , b
d p

VARIABLES DE DECISIN
CI tdji = Cipd * RCI tii, d , t
j p 1 Si ciruga i es asignada a pabelln p en da d
Cipd =
Aaipd
= Cipd * RAi i, d


0 En cualquier otro caso
a p p
1 Si cirujano j de especialidad t

AAli = Cip * RAAi i, d
d d
CI tdji = es asignado a ciruga i en el da d
l p (5) 0 En cualquier otro caso

Eeipd
= Cipd * REi i, d
1 Si anestesilogo a es asignado
e p p
d
Aaip = a ciruga i en pabelln p el da d
r ARrid = Cipd RARr , i, d 0 En cualquier otro caso
r p

b PAbi = Cip RPAb , i, d
d d

b p

234
 Pradenas Rojas y Matamala Vergara: Una formulacin matemtica y de solucin para programar cirugas con restricciones
1 Si auxiliar de anestesia l es asignado
d de programacin.
AAli = a ciruga i en el da d
0 En cualquier otro caso
1 Si enfermera e es asignada a ciruga i
d anestesistas, etc.) debe cumplir con el requeri-
Eeip = en el pabelln p en el da d
0 En cualquier otro caso
1 Si arsenalero r es asignado
ARrid = a ciruga i en el da d
0 En cualquier otro caso
1 Si pabellonera b es asignada
PAbid = a ciruga i en el da d
0 En cualquier otro caso
PARMETROS
URGi: Nivel de urgencia de ciruga i.
TEi: Tiempo de espera acumulado de ciruga i.
RCI ti : Requerimiento de cirujanos especialistas
tipo t para ciruga i.
CAM dk : Nmero de camas tipo k disponibles en
un da d.
TCi: Duracin en horas de una ciruga i (estimada)
HPpd : Horas pabelln disponibles en da d para
pabelln p.
HCI tdj : Horas disponibles cirujano j de especialidad
t en da d.
HEed : Horas enfermera disponibles de enfermera
e en da d.
REi: Requerimiento de enfermeras para la ciruga i.
RAi: Requerimiento de anestesilogos para la ciruga i.
RAAi: Requerimiento de auxiliares de anestesilogo
para la ciruga i.
RARr: Requerimiento de arsenalero tipo r.
RPAb: Requerimiento de pabellonera tipo b.
DESCRIPCIN DEL MODELO
MATEMTICO
(1) Maximiza la suma de los factores de urgencia
de las cirugas, para priorizar a los pacientes
que requieren una pronta atencin.
(2) Maximiza la suma del tiempo de espera de una
ciruga, priorizando a los pacientes que llevan
un mayor tiempo de espera.
(3) Maximiza el nmero de cirugas en el periodo
(4) Una ciruga slo debe ser asignada una nica
vez.
(5) Este conjunto de restricciones indicanque el
nmero de personal especializado (enfermeras,
miento de personal especialista.
(6) El nmero de cirugas programadas debe ser
igual o menor al nmero de camas disponibles.
(7) Las cirugas pertenecientes a un determinado
grupo x (pacientes de un servicio clnico
particular) no pueden ser programadas en
pabellones p pertenecientes a un grupo y
(salas no adecuadas para el grupo x). Esta
restriccin evita que cirugas sean programadas
en pabellones que no son adecuados.
(8) En los das pertenecientes a un grupo f no pueden
ser programadas las cirugas pertenecientes a un
grupo z, para evitar que cirugas provenientes
de un servicio clnico sean programadas en das
sin disponibilidad de pabellones quirrgicos.
(9) El tiempo total estimado de las cirugas
programadas en un da y en un pabelln
especfico no pueden superar la disponibilidad
de pabellones.
(10) E l tiempo total estimado de las cirugas
programadas en un da no puede superar las
horas de cirujanos disponibles en ese da.
(11) y (12) Dos veces el tiempo disponible de una
enfermera o anestesista debe ser mayor o igual
al tiempo de cirugas del grupo (no requieren
de la presencia permanente de este personal)
y dos veces el tiempo de cirugas del grupo
w (requieren a una enfermera y a anestesista
presente durante toda la ciruga), los grupos
y w son una particin del conjunto que contiene
todas las cirugas. Esta restriccin es necesaria
debido a que enfermeras y anestesistas pueden
ser programados de forma paralela en algunas
cirugas.
(13) y (14) Evitan que una enfermera o anestesista
sea asignado dos veces a una ciruga.
(15) y (16) Permiten que los anestesistas y enfermeras
pueden ser asignados en pabellones cercanos
(grupo de pabellones a), permitiendo as la
asignacin paralela.
(17) Las variables de decisin binarias toman valores
de uno o cero.
235
Ingeniare. Revista chilena de ingeniera, vol.20 N2, 2012

Las soluciones propuestas para la poblacin inicial Tabla 1. Instancia de prueba.

deben cumplir con las restricciones del modelo para
Tiempo
que sean consideradas como soluciones factibles Espera ciruga
en la poblacin. Los objetivos presentados sern Gr. Pab. Das Cirugas (das) (horas)
utilizados para determinar las funciones de evaluacin
necesarias para el operador gentico de seleccin. 1 Lunes
1 2 Jueves 28 N(25,7) N(3,1)
INSTANCIA DE PRUEBA 3 Viernes
2 Martes
La instancia de prueba propuesta en el estudio 2 50 N(30,9) N(2,0.5)
3 Mircoles
supone nueve pabellones quirrgicos, seis grupos de
4 Lunes
cirugas con diferentes requerimientos de pabelln
y de personal. Para asignar la espera (en das) y 3 5 Mircoles 30 N(20,8) N(4.5,1)
el tiempo de las cirugas (en horas), con el fin de 6
diferenciar en caractersticas a los distintos grupos 4 Martes
existentes, en [13] se proponen distribuciones 4 5 Jueves 25 N(25,5) N(3.5,1)
triangulares para determinar parmetros a travs de 6 Viernes
valores histricos, no disponemos de estos valores,
7 Martes
entonces usamos distribuciones normales. El listado
5 8 Viernes 30 N(27,10) N(2.7,1)
total de cirugas usado en este estudio es de 191,
las cuales estn detalladas en la Tabla 1. 9
7 Lunes
Para determinar las urgencias se utiliz una 6 8 Mircoles 28 N(35,7) N(4.6,1)
distribucin uniforme U[0,1], asignando valores 9 Jueves
del 1 al 10, siendo 10 el valor de mayor urgencia,
de igual forma para todos los grupos. Tabla 2.1Restricciones de personal.

Los parmetros de tiempos de cirugas son Tipo Num.

establecidos a travs de distribuciones normales, Anestesistas 10
debido a la aleatoriedad que presenta este parmetro Auxiliar anestesia 21
en particular. No es apropiado el uso de promedios
Enfermeras 20
como en Vidal [17].
Pabelloneras 19
Todos los grupos de la Tabla 1 requieren de una Arsenaleras 19
persona por especialidad.
Cirujano A (Grupo 1) 8

Las restricciones de personal disponible en la semana Cirujano B (Grupo 2) 10

son mostradas en la Tabla 2. Cirujano C (Grupo 3) 9
Cirujano D (Grupo 4) 9
Las restricciones de tiempo en minutos de los
Cirujano E (Grupo 5) 8
pabellones en los das estn en la Tabla 3.
Cirujano F (Grupo 6) 10
El mtodo propuesto tiene tres etapas: Generacin Cirujano asistente A (Grupo 1) 9
de una poblacin factible inicial, programacin de Cirujano asistente B (Grupo 2) 12
las cirugas y asignacin del personal especializado.
Cirujano asistente C (Grupo 3) 10
Cada grupo es tratado por separado en las etapas
de poblacin y programacin. En la etapa final los Cirujano asistente D (Grupo 4) 12
grupos son tratados conjuntamente. Cirujano asistente E (Grupo 5) 10
Cirujano asistente F (Grupo 6) 12

236
 Pradenas Rojas y Matamala Vergara: Una formulacin matemtica y de solucin para programar cirugas con restricciones

Tabla 3.2 Restricciones de pabelln. RESULTADOS PROGRAMACIN

DE CIRUGAS
Pab. Lunes Martes Mircoles Jueves Viernes
1 600 0 0 600 600 CASO DE MLTIPLES OBJETIVOS
2 600 540 560 600 600
3 600 570 500 600 600 Con los enfoques de solucin modificados y
4 590 610 610 650 590
considerando cada grupo por separado, se realiza
la programacin: da y pabelln de cirugas selec-
5 600 580 580 670 640
cionadas. Se desea una poblacin de soluciones
6 520 655 530 600 630 cercana a la frontera de Pareto. Para los grupos se
7 660 540 640 690 530 obtienen las Figuras 1-6, que muestran a la poblacin
8 690 590 650 630 520 inicial y final con los cuatros tipos de operadores
9 670 470 680 695 480 de seleccin.

Solucin Final Grupo 1

115

110

105

Inicial
Suma Urgencias

100 awGA
i-awGA
95 rwGA
awGA-mod

90

85

80
470 490 510 530 550 570 590 610
Suma Das

Figura 1. Conjunto Final Grupo 1.

Solucin Final Grupo 2

120

115

110

105
Suma Urgencias

100 Inicial
awGA
95 i-awGA
rwGA
90
awGA-mod
85

80

75

70
470 520 570 620 670
Suma Das

Figura 2. Conjunto Final Grupo 2.

237
Ingeniare. Revista chilena de ingeniera, vol.20 N2, 2012

Solucin Final Grupo 3

78

73

68
Inicial
Suma Urgencias

awGA
63 i-awGA
rwGA
awGA-mod
58

53

48
80 190 200 210 220 230 240 250 260 270
Suma Das

Figura 3. Conjunto Final Grupo 3.

Solucin Final Grupo 4

125

120

115
Inicial
Suma Urgencias

110 awGA
i-awGA
rwGA
105
awGA-mod

100

95

90
440 460 480 500 520 540
Suma Das

Figura 4. Conjunto Final Grupo 4.

Solucin Final Grupo 5

125

120

115

110
Inicial
Suma Urgencias

105 awGA
i-awGA
100 rwGA
awGA-mod
95

90

85

80

75
370 390 410 430 450 470 490 510 530 550
Suma Das

Figura 5. Conjunto Final Grupo 5.

238
 Pradenas Rojas y Matamala Vergara: Una formulacin matemtica y de solucin para programar cirugas con restricciones

Solucin Final Grupo 6

125

120

115
Inicial
Suma Urgencias

110 awGA
i-awGA
105 rwGA
awGA-mod

100

95

90
500 520 540 560 580 600 620
Suma Das

Figura 6. Conjunto Final Grupo 6.

En las figuras se observa la poblacin inicial espera que est relacionada con el objetivo espera
(rombos) y finales obtenidas por los mtodos: awGA, obtiene un valor de 204, que es muy bajo en
i-awGA, rwGA y awGA-mod. En los seis grupos comparacin con los dems valores obtenidos, sin
se encuentran mejores soluciones, con valores ms embargo, es una informacin adicional de utilidad
altos en ambos objetivos. para el tomador de decisiones al momento de
determinar la programacin de cirugas finales.
Los mtodos de mejor desempeo son awGA y
awGA-mod; en la mayora de los grupos se obtienen ASIGNACIN PERSONAL ESPECIALIZADO
mejores soluciones, exceptuando el grupo 6 donde
rwGA obtiene mejores soluciones en ambos objetivos. A cada ciruga se asigna el personal requerido para
su realizacin, el cual depende de cada grupo. Se
CASO DE UN OBJETIVO utiliz un programa en lenguaje C++, entregando
como resultado el orden en el cual se efectuaran
Considerando el enfoque metaheurstico de las cirugas y quin las realizara, para los cinco
algoritmos genticos con un solo objetivo se obtienen das de programacin.
los resultados mostrados en la Tabla 4.
Las cirugas son programadas en orden LPT (long
Tabla 4. Resultados considerando slo un objetivo. process time), las de mayor tiempo de realizacin
son programadas primero. La forma de asignar al
Objetivo espera Objetivo urgencia personal es privilegiando el menor tiempo asignado
Suma Suma Suma Suma acumulado, y as equilibrar la carga de trabajo del
Gr. espera urgencia espera urgencia personal.
1 585 98 528 102
2 624 94 565 105 CARGA LABORAL DEL PERSONAL
3 257 58 204 62
La carga de trabajo es asignada de manera uniforme,
4 571 118 508 123 con el fin de evitar que una persona tenga excesivas
5 561 117 503 121 cirugas y evitar una baja utilizacin en comparacin
6 600 103 573 112 con el resto.

Con un objetivo se obtienen buenas soluciones, pero Para el anlisis se usa una tabla con el porcentaje
en algunos casos el objetivo que no es considerado del total de la carga laboral asignado a una persona
alcanza un bajo valor, como por ejemplo el grupo3, y en particular de grupos especializados. Valores
considerando solo el objetivo urgencia, la suma mnimos y mximos se encuentran en la Tabla 5.

239
Ingeniare. Revista chilena de ingeniera, vol.20 N2, 2012

Tabla 5. Resumen de carga laboral. CONCLUSIONES

Tipo de personal Mnimo Mximo
En la mayora de los centros de salud nacionales la
Anestesistas 9,94% 10,10% programacin de cirugas es manual, slo se obtiene
Auxiliar anestesia 4,69% 4,86% una nica solucin factible, y en algunos casos
Enfermeras 4,93% 5,09% corresponde a una solucin infactible, lo que trae
como consecuencia la no realizacin de cirugas de
Pabelloneras 5,19% 5,34%
listas programadas o un mal uso de los recursos.
Arsenaleras 5,19% 5,34%
Cirujano A 12,10% 13,12% Las metaheursticas permiten mayor exploracin del
Cirujano B 9,57% 10,45% espacio de solucin, encontrando buenas soluciones,
Cirujano C 10,47% 12,07% y en el caso de los problemas multiobjetivo buenas
aproximaciones de la frontera de Pareto.
Cirujano D 10,83% 11,53%
Cirujano E 12,06% 13,28% Los tiempos de ejecucin ms bajos alcanzados son,
Cirujano F 9,63% 10,39% para el mtodo awGA, cirugas, con un tiempo de
Cirujano asistente A 10,81% 11,81% 7 minutos, para las 191.
Cirujano asistente B 8,01% 8,83%
El mejor mtodo en calidad de soluciones y tiempo
Cirujano asistente C 9,31% 11,12%
de ejecucin es awGA, tiene mayor flexibilidad
Cirujano asistente D 8,00% 8,74% cuando existen contingencias, por ejemplo cirugas
Cirujano asistente E 9,47% 10,69% canceladas.
Cirujano asistente F 7,83% 8,83%
No es recomendable el mtodo i-awGA, por sus
No existe diferencia entre valores mnimos y mximos altos tiempos de procesamiento.
de carga laboral, la carga es similar entre el personal.
En el caso de la asignacin de carga laboral, no se
TIEMPOS DE EJECUCIN presenta sobrecarga de cirugas a una persona en
particular (de cualquier especialidad) y se evita baja
Con la configuracin de pabellones y personal utilizacin del personal.
humano se comparan los tiempos de procesamiento
utilizados por las cuatro estrategias de solucin, Se entregan buenas soluciones a bajo costo, debido
ver Tabla 6. a la utilizacin de Visual Express Edition (lenguaje
C++), el cual es un software de uso libre.
Tabla 6. Tiempos de procesamiento.
El programa encontr buenas soluciones en los
awGA-
Gr. N Cir.
awGA i-awGA rwGA
mod casos de dos y tres objetivos.
Tiempo[s] Tiempo[s] Tiempo[s] Tiempo[s]
1 28 69,45 3520,31 263,93 550,56
En futuros trabajos se recomienda realizar un estudio
2 50 85,65 5853,28 469,68 510,28 apropiado del tiempo que requiere cada ciruga y
3 30 79,43 2981,47 321,75 485,14 cmo una persona en particular puede influir en ese
4 25 50,12 2576,48 311,55 341,59 tiempo, se sugiere cuantificar la experiencia que
5 30 79,02 4957,13 584,64 344,98 pueda tener el cirujano y del tiempo que requiere
6 28 56,48 2325,98 330,56 490,65 un enfermo para responder a la anestesia.
Total (min.) 191 7,0 370,2 38,0 45,4
AGRADECIMIENTOS
El mtodo que presenta el menor tiempo de
procesamiento es awGA con aproximadamente Este trabajo es parcialmente apoyado por el proyecto
7minutos. El mayor tiempo de procesamiento con UDEC N208.97011-1 y Basal FB0816.
370.2 min (6.17 horas) corresponde al mtodo i-awGA.

240
 Pradenas Rojas y Matamala Vergara: Una formulacin matemtica y de solucin para programar cirugas con restricciones
REFERENCIAS
[1] R. Becerra. Programacin de salas quirrgicas
en un servicio de salud pblica. Un enfoque
multimochila para la solucin. Informe
de memoria de ttulo para optar al ttulo de
Ingeniero Civil Industrial. Universidad de
Concepcin. Chile. 2006.
[2] B. Cardoen. Operating room planning
and scheduling: solving a surgical case
sequencing problem. 4OR-Q J Oper Res
Vol. 8, pp. 101-104. 2010. DOI 10.1007/
s10288-009-0106-z.
[3] A. Dietz. Strategies for multiobjective
genetic algorithm development: Application to
optimal batch plant design in process systems
engineering. Computers and Industrial
Engineering. Vol. 54, pp. 539-569. 2008.
ISSN: 0360-8352.
[4] P. Dinh-Nguyen and A. Klinker. Surgical
case scheduling as a generalized job shop
scheduling problem. European Journal of
Operational Research. Vol. 185, Issue 3,
pp.1011-1025. 2008. ISSN:0377-2217.
[5] C.M. Fonseca and P. J. Fleming. Genetic
algorithms for multiobjective optimization:
Formulation, discussion and generalization.
In Genetic Algorithms: Proceedings of the
Fifth International Conference (S. Forrest,
ed.). Morgan Kaufmann, pp.416-423. San
Mateo, CA, USA. 1993.
[6] M. Gen and R. Cheng. Genetic Algorithms
and Engineering Optimization. John Wiley &
Sons. New York. 2000. ISNB: 0-471-31531-1.
[7] F. Glover and M. Laguna. Tabu Search. In
P.M. Pardalos and M.G.C. Resende (eds.),
Handbook of Applied Optimization. Oxford
University Press, pp.194-208. New York,
USA. 2002.
[8] J.H. Holland. Adaptation in Natural and
Artificial Systems. MIT Press. Cambridge,
MA. 1992.
[9] H. Ishibuchi and T. Murata. A multiobjective
genetic local search algorithm and its
application to flowshop scheduling.
IEEE Transactions on Systems, Man and
Cybernetics. Vol.28, Issue3, pp.392-403. 1998.
[10] M. Lamiri, X. Xie, A. Dolgui and
F. Grimaud. A stochastic model for operating
room planning with elective and emergency
demand for surgery. European Journal of
Operational Research. Vol. 185, Issue 3,
pp.1026-1037. 2008. ISSN:0377-2217.
[11] Z. Michalewicz and D.B. Fogel. How to
Solve It: Modern Heuristics. Springer,-
Verlag, Berling Heidelberg. Second Edition.
New York. 2004. ISBN : 3-540-22494-7
[12] V. Pareto. Manuale di Economica Polittica.
Societ Editrice Libraia. Milan, Italia. 1971.
[13] G. Prez, M. Arenas Parra, A. Bilbao and
M.V. Rodriguez. Management of surgical
waiting lists through a Possibilistic Linear
Multiobjective Programming problem.
Applied Mathematics and Computation.
Vol.167, Issue1, pp.477-495. 2005.
[14] B. Roland, C. Di Martinelly, F. Riane
and Y. Pochet. Scheduling an operating
theatre under human resource constraints.
Computers & Industrial Engineering. Vol.58,
pp.212-220. 2010. ISSN: 0360-8352.
[15] J.D. Schaffer. Multiple objective optimization
with vector evaluated genetic algorithms.
Proceeding 1st International Conference on
Gas, pp.93-100. 1985.
[16] El-Ghazali Talbi. Metaheuristics from design
to implementation. John Wiley. New York.
2009. ISBN: 978-0-470-27858-1.
[17] F. Vidal. Algoritmo de solucin para
problemas de programacin de intervenciones
quirrgicas y asignacin de cirujanos en el
Hospital Regional de Concepcin. Tesis
para optar al grado de Magster en Ingeniera
Industrial. Universidad de Concepcin. Chile.
2007.
241