La simulación sanitaria transforma el flujo de pacientes en la clínica docente de Emory

El Desafío

Introducción

Emory Healthcare es el único centro médico académico del estado de Georgia, con una impresionante red de diez hospitales, más de 580 centros y 230 centros de atención primaria en todo el estado. Clasificado como el sistema sanitario número uno de Georgia, Emory se ha forjado una reputación de excelencia en atención al paciente, educación médica y soluciones sanitarias innovadoras.

Entre la amplia red de instalaciones de Emory se encuentra la clínica de medicina familiar de Dunwoody, un centro de enseñanza integral que abrió sus puertas en octubre de 2024. Esta clínica de reciente creación representa una mejora significativa con respecto a su ubicación anterior, ya que se ha ampliado de 25 a 33 salas de examen para dar cabida a la creciente demanda de pacientes. El centro ofrece una amplia gama de servicios, como atención primaria, medicina familiar, ortopedia, columna vertebral y cardiología, así como servicios de diagnóstico por imagen, laboratorio, cirugía ambulatoria y fisioterapia.

Lo que hace especialmente singular a la clínica de Dunwoody es su función de centro docente. Como explica Victoria Jordan, Vicepresidenta de Optimización e Innovación de Procesos de Emory Healthcare, "la clínica de medicina familiar de Dunwoody es una clínica dirigida por residentes. De hecho, más del 70% de los proveedores de la clínica son residentes". Este entorno docente crea retos operativos específicos que repercuten tanto en la experiencia del paciente como en los requisitos educativos.

Con una capacidad para atender a más de 350.000 pacientes al año y una proyección para atender a más de 20.000 pacientes sólo en 2025, optimizar las operaciones en este centro se convirtió en una prioridad crítica. Para hacer frente a este reto, Emory Healthcare se asoció con estudiantes de diseño de último curso de Ingeniería Industrial y de Sistemas de Georgia Tech y con Simio para desarrollar un modelo de simulación que ayudara a identificar oportunidades de mejora.

"Queríamos demostrar específicamente cómo podíamos utilizar la simulación en Emory Healthcare", explica el Dr. Jordan. "No hay mucha gente que la haya utilizado. Y como estábamos trabajando con nuestro grupo de atención primaria, estaban ansiosos por verlo. Así que esto fue realmente más una demostración para empezar".

El reto

La clínica de medicina familiar de Dunwoody se enfrentaba a un complejo reto operativo derivado de su doble misión de proporcionar una excelente atención al paciente y servir al mismo tiempo como centro de enseñanza para médicos residentes. Esto creaba requisitos de flujo de trabajo únicos que afectaban significativamente a los tiempos de espera de los pacientes y a la eficiencia general de la clínica.

Como clínica dirigida por residentes, el centro funciona con protocolos educativos específicos que afectan al flujo de pacientes. Los residentes en las distintas etapas de su formación tienen distintos niveles de autonomía y requisitos de supervisión:

• Los residentes de primer año en sus primeros seis meses deben reunirse con un preceptor (médico supervisor) en medio de cada cita con el paciente, y el preceptor debe volver a la sala de exploración con el residente.
• Los residentes de primer año en sus segundos seis meses todavía se reúnen con el preceptor a mitad de la cita, pero el preceptor ya no tiene que volver a la sala de examen.
• Los residentes de segundo año pueden "apilar" hasta 2-3 pacientes antes de consultar con un preceptor
• Los residentes de tercer año pueden "apilar" hasta 3-4 pacientes antes de consultar con un preceptor

Estos requisitos de supervisión crearon importantes cuellos de botella, sobre todo en la consulta del preceptor. Con sólo 2-3 preceptores disponibles cada día para supervisar a 10 proveedores, 3-4 enfermeras y 5-7 estudiantes de medicina, los tiempos de espera se acumulaban a lo largo del día.

El análisis de los datos reveló patrones preocupantes en los tiempos de espera de los pacientes:

• El 40% de los pacientes esperaron más de 10 minutos sólo para ser atendidos al principio de su cita.
• El 50% de los pacientes esperaron más de 10 minutos desde que la enfermera se marchó hasta que llegó el médico.
• Los pacientes esperaron una media de 34 minutos durante sus citas
• El 61% de los pacientes llegó menos de 15 minutos antes de la hora programada (a pesar de que se les pidió que llegaran 15 minutos antes).
• El 19% de los pacientes llegó después de la hora programada.
• El 77% de los pacientes no se alojaron antes de la hora de inicio de la consulta.
• El 93% de los proveedores entraron en las salas de examen después de la hora prevista de inicio de la cita.
• El 90% de las citas terminaron más tarde de lo previsto

"Notamos retrasos en el sistema", explicó uno de los miembros del equipo de Georgia Tech. "Al principio del día, hay muy pocas esperas. A medida que avanza la sesión, hacia la mitad del día, al final de la sesión de la mañana y al final del día, las citas empiezan a terminar cada vez más tarde."

La complejidad de las operaciones de la clínica, con múltiples procesos interdependientes y el singular modelo de interacción preceptor-residente, dificultaba al personal la identificación de las causas fundamentales de los retrasos y el desarrollo de soluciones eficaces. Este entorno presentaba una oportunidad ideal para la aplicación de la simulación en la asistencia sanitaria con el fin de visualizar, analizar y optimizar el flujo de pacientes.

La solución

Enfoque de la solución: El poder de la simulación en la asistencia sanitaria

Para hacer frente a estos complejos retos, Emory Healthcare se asoció con los estudiantes de Ingeniería Industrial y de Sistemas de Georgia Tech para desarrollar un completo gemelo digital en la asistencia sanitaria utilizando el software de simulación Simio. Este enfoque les permitió modelar las intrincadas operaciones de la clínica de medicina familiar de Dunwoody y probar posibles mejoras sin interrumpir la atención real a los pacientes.

Recogida y análisis de datos

El proyecto comenzó con una amplia recopilación de datos de múltiples fuentes:

• Historias clínicas electrónicas: El equipo aprovechó la sólida base de datos de Emory para extraer información sobre el flujo de pacientes, incluidas las horas de entrada, las horas de inicio de las habitaciones, la duración de los servicios de enfermería y las horas de finalización de las visitas.
• Estudios temporales: Dado que los registros electrónicos no recogían las actividades no relacionadas con los pacientes (en particular, las interacciones con los preceptores), el equipo llevó a cabo estudios de tiempo in situ para recopilar datos sobre el tiempo que los proveedores pasaban con los preceptores y en cola esperando la disponibilidad de los preceptores.
• Mapeo de procesos: El equipo documentó el flujo de trabajo detallado de los distintos tipos de proveedores (profesores, residentes experimentados y residentes de primer año) para captar los aspectos únicos de esta clínica docente.

Con estos datos en la mano, el equipo realizó un análisis estadístico para identificar los factores más significativos que afectan a cada paso en el recorrido del paciente. Descubrieron que

• El nivel de experiencia de los proveedores influía significativamente en el tiempo de atención, ya que los menos experimentados tardaban más en tratar a los pacientes.
• El grupo de edad del paciente y la hora de la cita afectaban a los patrones de llegada
• El grupo de edad del paciente, el sexo y el tipo de cita influían en el tiempo de atención de las enfermeras.
• Los tipos de cita mostraban patrones distintos que podían agruparse para obtener modelos más precisos.

Para evitar el sobreajuste y simplificar el modelo, el equipo realizó un análisis de correlación para agrupar atributos similares. Por ejemplo, descubrieron que los patrones de llegada de los pacientes podían agruparse en sólo tres categorías (8 de la mañana, 1 de la tarde y todas las demás horas) en lugar de modelar cada hora por separado.

Creación del gemelo digital

Con el programa de simulación Simio, el equipo creó un gemelo digital detallado de la clínica de Dunwoody que representaba visualmente la distribución física, el flujo de pacientes y la asignación de recursos. La simulación incluía

• Representación visual de los cuatro módulos de la clínica, cada uno de los cuales contiene entre 7 y 10 salas de exploración.
• Procesos de llegada y registro de pacientes
• Actividades de alojamiento de enfermeras y evaluación inicial
• Interacciones proveedor-paciente
• Procesos de consulta con el preceptor
• Procedimientos de atención adicionales (pruebas de laboratorio, vacunaciones, etc.)

"Intentamos modelar la clínica visualmente lo mejor posible para que fuera lo más útil posible", explicó uno de los miembros del equipo de Georgia Tech. La simulación permitió al personal de la clínica visualizar el movimiento de los pacientes, identificar los cuellos de botella y comprender cómo se propagaban los retrasos por todo el sistema.

Una innovación clave fue el desarrollo de una herramienta de preprocesamiento de datos que permitió a la clínica importar a la simulación los horarios reales de los pacientes. Esto les permitió probar días o escenarios específicos simplemente seleccionando una fecha, ejecutando el script e importando los archivos CSV resultantes a Simio.

Aplicación de las normas de simulación sanitaria

Para garantizar la precisión y fiabilidad del modelo, el equipo siguió las normas de validación de la simulación sanitaria:

• Validez aparente: Verificaron que la lógica de la simulación coincidía con las operaciones clínicas reales, en particular con los complejos patrones de interacción entre el preceptor y el residente.
• Validación del modelo de entrada: Compararon las distribuciones de entrada de la simulación (como el tiempo medio de servicio de enfermería) con datos reales de días no utilizados en el desarrollo del modelo.
• Validación de la interacción del sistema: Evaluaron el funcionamiento conjunto de los distintos componentes comparando parámetros como el tiempo medio en el sistema entre la simulación y las observaciones del mundo real.

Este proceso de validación reveló que, aunque muchos aspectos del modelo reflejaban fielmente la realidad, era necesario introducir algunas mejoras. Por ejemplo, la simulación imponía estrictamente una asignación 1 a 1 entre pacientes y enfermeras, mientras que en la realidad las enfermeras a veces se ayudaban entre sí cuando se producían atascos.

Impacto en la empresa

Resultados e impacto empresarial

El proyecto de simulación sanitaria aportó valiosos conocimientos que dieron lugar a varias recomendaciones prácticas para mejorar el funcionamiento de las clínicas. Mediante un análisis hipotético, el equipo identificó cuatro oportunidades clave para optimizar el flujo de pacientes:

1. 1. Cambios en la asignación de preceptores

La simulación reveló que cambiar el sistema de asignación de preceptores de una asignación 1 a 1 (en la que cada residente es asignado a un preceptor específico) a un modelo por orden de llegada podría reducir los tiempos de espera en la oficina de preceptores en un 31%. Este sencillo cambio operativo no requirió recursos adicionales, pero podría mejorar significativamente el flujo de pacientes.

2. Restricciones de apilamiento flexibles

El equipo descubrió que permitir a los residentes visitar a los preceptores disponibles de forma oportunista, en lugar de respetar estrictamente sus límites máximos de apilamiento, podría reducir aún más el tiempo de espera de los preceptores. Por ejemplo, si un residente de segundo año había atendido a dos pacientes (su apilamiento máximo) pero había un preceptor disponible, permitirle consultar inmediatamente en lugar de esperar a su preceptor asignado mejoraría la eficiencia.

3. Asignación estratégica de habitaciones

Uno de los hallazgos más sencillos y a la vez más impactantes tuvo que ver con la distribución física de la clínica. El estudio de tiempos reveló que los residentes de primer año (que necesitan consultar a los preceptores con más frecuencia) podrían reducir su tiempo de desplazamiento en un 60% si se les asignara la sala 4, la más cercana a la sala del preceptor.

Como señaló el Dr. Jordan, "fue interesante que una de las recomendaciones que hizo el equipo fuera trasladar a los residentes de primer año que tienen que consultar a un preceptor después de cada visita al pod que estaba más cerca de la oficina del preceptor, lo que suena completamente obvio en retrospectiva, pero es algo que los líderes de la clínica estaban realmente contentos de ver porque son como, 'Lo vemos todos los días y simplemente nunca pensamos en eso.'"

4. Optimización de la duración de las citas

El análisis demostró que las citas estándar de 20 y 40 minutos de la clínica no siempre coincidían con los tiempos de atención reales. Al ajustar mejor la duración de las citas a la duración típica de los servicios para los distintos tipos de visitas, la clínica podía reducir tanto el tiempo de inactividad de los proveedores como el tiempo de espera de los pacientes.

Valor empresarial y respuesta de las partes interesadas

El impacto de la formación con simulación en la atención al paciente en Emory Healthcare fue más allá de las recomendaciones operativas específicas. El proyecto aportó varios beneficios más amplios:

• Mejora de la satisfacción del paciente: Al identificar formas de reducir los tiempos de espera, la simulación ayudó a abordar un factor clave en la satisfacción del paciente.
• Mejora de la calidad asistencial: La reducción del estrés y la presión del tiempo de los profesionales permite una interacción más centrada con los pacientes.
• Valor educativo: La simulación proporcionó una herramienta para demostrar conceptos de mejora de procesos a residentes y personal.
• Participación de las partes interesadas: La naturaleza visual de la simulación ayudó al personal clínico a comprender y aceptar los cambios recomendados.

"El equipo de atención primaria estaba realmente entusiasmado con la posibilidad de aplicar algunas de las recomendaciones del equipo", explicó el Dr. Jordan. "Nos hicieron comentarios muy positivos. Dijeron que realmente ayudó tener unos ojos frescos que miraran el proceso e identificaran cosas que en retrospectiva parecían muy obvias."

Aplicaciones futuras y lecciones aprendidas

El éxito de este proyecto inicial de simulación sanitaria ha abierto la puerta a aplicaciones más amplias en Emory Healthcare. La organización ya está planificando los próximos pasos para construir sobre esta base:

Segunda fase: Optimización de la programación de residentes

La siguiente fase se centrará en optimizar la programación de residentes y pacientes para garantizar que todos los residentes completen los procedimientos necesarios para su formación. "La segunda fase consistirá en optimizar la programación para residentes y pacientes, de modo que podamos asegurarnos de que todos nuestros residentes completen todos los procedimientos de su lista de verificación", explicó el Dr. Jordan.

Emory ya ha solicitado a otro equipo de Georgia Tech que trabaje en este modelo de optimización durante el semestre de otoño, lo que demuestra su compromiso de continuar con este enfoque basado en datos para la mejora de los procesos sanitarios.

Aplicación más amplia en Emory Healthcare

Más allá de la clínica de Dunwoody, Emory ve potencial para aplicar modelos de simulación similares en toda su extensa red. "Tenemos más de 300 clínicas en el área de Atlanta", señala el Dr. Jordan. "Estamos buscando cómo podemos utilizar modelos similares para optimizar el flujo de pacientes y el uso de recursos también en esas".

Esta expansión representa una importante oportunidad para estandarizar las mejores prácticas y mejorar las operaciones en todo el sistema Emory Healthcare.

Lecciones clave del proyecto

De esta iniciativa de simulación sanitaria se desprenden varias lecciones valiosas:

• La participación de las partes interesadas es fundamental: El éxito del proyecto dependió de la estrecha colaboración entre el equipo de Georgia Tech, los consultores de Simio y el personal de Emory Healthcare. Como señaló un miembro del equipo, "Emory ha sido de gran ayuda. No creo que hubiéramos podido completar este proyecto sin su ayuda".
• La simulación visual mejora la comprensión: La naturaleza visual del modelo Simio ayudó al personal clínico a comprender dinámicas operativas complejas que no eran evidentes en su trabajo diario.
• Las decisiones basadas en datos generan confianza: La capacidad de la simulación para cuantificar el impacto de los cambios propuestos ayudó a generar confianza en las recomendaciones.
• Las asociaciones entre el mundo académico y la industria añaden valor: La colaboración entre Emory Healthcare, Georgia Tech y Simio demostró cómo las instituciones académicas y los socios industriales pueden trabajar juntos para resolver los retos sanitarios del mundo real.

Conclusión

El proyecto de simulación sanitaria de la clínica de medicina familiar Dunwoody de Emory demuestra el gran impacto que el modelado digital puede tener en las operaciones sanitarias, especialmente en entornos docentes complejos. Mediante la creación de un gemelo digital detallado de la clínica, el equipo pudo identificar mejoras específicas y viables que podrían reducir significativamente los tiempos de espera de los pacientes y mejorar tanto la experiencia educativa de los residentes como la experiencia asistencial de los pacientes.

Como resumió el Dr. Jordan, "A través de este proyecto, el equipo de Georgia Tech, junto con el apoyo de facilitación de Simio, hizo un gran trabajo al conseguir un gemelo digital inicial en Simio. Nos proporcionó un modelo preliminar sólido sobre el que construiremos".

El éxito de este proyecto pone de relieve la creciente importancia de la simulación en la atención sanitaria, ya que las organizaciones tratan de optimizar recursos, mejorar la experiencia de los pacientes y mantener la excelencia educativa en los centros de enseñanza. Siguiendo los estándares de simulación sanitaria y aprovechando las capacidades avanzadas de modelado, Emory Healthcare ha establecido una base para la mejora continua que puede ampliarse a todo su sistema.

"Queremos agradecer especialmente a Simio el trabajo que ha realizado para ayudarnos a poner esto en marcha", concluyó el Dr. Jordan. "Greer y su equipo nos ayudaron a asegurarnos de que teníamos un sistema coherente entre el software que utilizábamos internamente y el que utilizaban los estudiantes. También nos ayudaron con apoyo educativo y de consultoría que fue inestimable en nuestros esfuerzos."

Este estudio de caso ilustra cómo la simulación sanitaria puede transformar las operaciones de forma que beneficie a todas las partes interesadas -pacientes, proveedores, residentes y el sistema sanitario en su conjunto-, al tiempo que proporciona una hoja de ruta para otras organizaciones que se enfrentan a retos similares.