www.cienciadigital.org
=
Vol.
4, N°1., p. 156-164, enero - marzo 2020
Temporal series applied to software of triage of
emergencies
José Luis Pérez Rojas.[1], =
Luis
Stalin López Telenchana.[2]
Recibido: 16-11-2019
/Revisado: 07-12-209 /Aceptado: 26-12-2019/ Publicado: 04-01-2020
The
present research study was carried out at the Alfredo Noboa Hospital in the
city of Guaranda, the objective of this is to validate the contribution of =
the
Triage software implemented, through a time series analysis. The types of
research guides were: bibliographic, quasi-experimental, inductive and
longitudinal. The techniques used to gather information correspond to the
survey applied to hospital staff and the interview to administrative staff.=
The
results of the investigation showed a notable decrease in time in relation =
to
the manual system used before. Patients categorized within the red priority
went from waiting 11.74 seconds (s) to waiting 8.42 seconds (s) to be treat=
ed,
those with orange priority from 24.8 s to 14.44 s, the yellow priority pass=
ed
from 73.81 s to 60.16s, the priority green step of 84.48s to 68.49 and the =
blue
priority step of 229.52s to 181.49s. Despite verifying that the Triage times
are increasingly sticking to national and international standards (MSP-WHO),
these may be lower at the time when hospital staff acquires skill in handli=
ng.
Keywords: Triage, Manchester code, model, time se=
ries,
prediction.
Resumen
El presente estudio de investigación se realizó en el Hospital Alfredo
Noboa de la ciudad de Guaranda, el objetivo de esta es validar el aporte de=
l software
de Triaje implementado, mediante un análisis de series temporales. Los tipos de investigación guías fueron: bibliográfic=
a,
cuasiexperimental, inductiva y longitudinal. Las técnicas utilizadas para
recopilar información corresponden a la encuesta aplicada al personal
hospitalario y la entrevista dirigida al personal administrativo. Los
resultados de la investigación mostraron una disminución notable de tiempo =
en
relación con el sistema manual antes utilizado. Los pacientes categorizados
dentro de la prioridad roja pasaron de esperar 11.74 segundos(s) a esperar =
8.42
segundos(s) para poder ser atendidos, los de prioridad naranja de 24.8 s a
14.44 s, la prioridad amarilla paso de 73.81s a 60.16s, la prioridad verde =
paso
de 84.48s a 68.49 y la prioridad azul paso de 229.52s a 181.49s. A pesar de
verificar que los tiempos de triaje cada vez se pegan más a estándares
nacionales e internacionales (MSP-OMS), estos podrán ser más bajos en el
instante en que el personal hospitalario adquiera habilidad en su manejo.
Palabras claves: Triaje, código
Manchester, modelo, series temporales, predicción.
Introducción
El servicio de emergencias de un hospital es=
un
área importante, a la que acuden pacientes con dolor, con molestias insufri=
bles
y en algunos casos con riesgo eminente de muerte, mientras la demanda de
pacientes incrementa, los recursos humanos y materiales lo hacen al mismo
tiempo. (Maza, 2014). La organización mundial de la salud (OMS) establece
indicadores de calidad en la atención de pacientes en salas de emergencia y=
el
ministerio de salud pública del Ecuador (MSP)en cumplimiento con estos adop=
to
al código de Triaje de emergencias Manchester. (Gómez 2010).
Al consultar a los visitantes que acuden al Hospit=
al
Alfredo Noboa de la ciudad de Guaranda su opinión frente al sistema de
atención, manifiestan sentir malestar al ver como en un país tan importante=
no
hacen uso de sistemas avanzados que permitan agilitar procesos de forma
significativa, y utilicen hasta la actualidad sistemas manuales.(Orellana
2012).
Planteamiento del proye=
cto
Ante el problema antes expuesto se plantea
diseńar e implementar un sistema semi automático que permita, clasificar de
forma ordenada a los pacientes y establecer tiempos acordes a los estándares
internacionales de la OMS, para validar su aporte se utiliza series tempora=
les.
Metodología
En base a los objetivos planteados se empleó un
enfoque cuali-cuantitativo. Los tipos de investigación guías fueron:
bibliográfica, cuasiexperimental, inductiva y longitudinal. Las técnicas ut=
ilizadas
para recopilar información corresponden a la encuesta aplicada al personal
hospitalario, a la revisión y análisis de los registros hospitalarios A08 y=
a la
entrevista dirigida al personal administrativo. Con esta información acopia=
da
se realiza un estudio de series temporales demostrando el aporte significat=
ivo
de la implementación de un sistema semi automático para la realización del
Triaje
Resultados
Tabla
1. Análisis temporal del sistema de triaj=
e manual
|
Prioridad |
tiempo de predicción (s) |
tiempo MTS |
|
rojo |
11.743 |
0 minutos |
|
naranja |
24.8443 |
< 10 minutos |
|
amarillo |
73,814 |
< 60 minutos=
|
|
verde |
84.480 |
< 120 minutos |
|
azul |
229.525 |
<240 minutos=
|
Fuente: Trabajo de campo
Elaborado
por: Los autores
Tabla
2. Índice de abandono de pacientes sin ser
atendidos con el sistema manual
|
Grupos de atención |
Número de muestras |
|
|
Rojo |
208 |
|
|
Naranja |
422 |
|
|
Amarillo |
2384 |
|
|
Verde |
1834 |
|
|
Azul |
59 |
|
|
Abandonados=
|
123 |
|
|
Total |
5030 |
100% |
|
Pacientes atendido=
s |
4907 |
97,55% |
|
Índice de abandono=
|
|
2,45% |
Fuente: Trabajo de campo
Elaborado
por: Los autores
Tabla
3. Análisis temporal del sistema implemen=
tado
|
Prioridad |
Tiempo predicción(s) |
Tiempo MTS |
|
Rojo |
8,4277 |
0 minutos |
|
Naranja |
14,4401 |
< 10 minutos |
|
Amarillo |
60,1665 |
< 60 minutos |
|
Verde |
82,4919 |
< 120 minutos |
|
Azul |
181,4936 |
<240 minutos |
Fuente: Trabajo de campo
Elaborado
por: Los autores
|
Grupos de atención |
Número de muestras |
|
|
Rojo |
208 |
|
|
Naranja |
422 |
|
|
Amarillo |
2384 |
|
|
Verde |
1834 |
|
|
Azul |
59 |
|
|
Abandonados=
|
68 |
|
|
Total |
4975 |
100% |
|
Pacientes atendido=
s |
4907 |
98,63% |
|
Índice de abandono=
|
|
1.37% |
Fuente: Trabajo de campo
Elaborado
por: Los autores
Discusión
La información presentada
evidencia que los tiempos de Triaje por cada prioridad mejoran con la
implementación de un nuevo sistema, para tener la certeza de que los datos
obtenidos son correctos se realizan varias pruebas de validación. Una vez
obtenida toda la información de las series se procede a realizar el pronóst=
ico
de cada grupo prioritario para determinar su comportamiento en el transcurs=
o de
veinte períodos posteriores, las figuras a continuación presentadas muestra=
n el
comportamiento de cada una.
Fuente:
Trabajo de campo
Elaborado
por: Los autores
Fuente:
Trabajo de campo
Elaborado
por: Los autores
Fuente:
Trabajo de campo
Elaborado
por: Los autores
Fuente:
Trabajo de campo
Elaborado
por: Los autores
Fuente:
Trabajo de campo
Todos los datos obtenidos son susceptibles a error=
es
sin embargo la prueba de Ljung-Box permite determinar si existe dependencia
entre los m primeros residuos para que el error cometido sea el menos
significativo. Otra forma de validación de los datos de la predicción se to=
ma
en base a los residuos de cada serie y se establecen dos hipótesis. (García
2016).
Ho: Hipótesis Nula (los residuos se distribuyen co=
mo
ruido blanco).
H1: Hipótesis alternativa (los residuos no se
distribuyen como ruido blanco).
De ahí que al realizar la prueba y dependiendo del
valor de p que se obtenga, la hipótesis puede ser aceptada o rechazada.
Si p-valor<0.05, se rechaza H0.
Si p-valor>0.05, no se rechaza H0.
En la tabla 5 se muestra los valores obtenidos en =
las
cinco pruebas realizadas, evidenciando que en todos los valores de p menor =
que
el 0.05. En base a estos resultados se aceptan los datos pronosticados.
|
PRIORIDAD |
RESULTADOS DEL LJUNG-BOX |
|
rojo |
data:
residuals(ajuste$fit) X-squared =3D 9,6108, df =3D 1, p-value =
=3D
0,001934 |
|
naranja |
data:
residuals(ajuste$fit) X-squared =3D 39,596, df =3D 1, p-value =3D 3,12=
3e-10 |
|
amarillo |
data:
residuals(ajuste$fit) X-squared =3D 9,1839, df =3D 1, p-value =
=3D
0,002442 |
|
verde |
data:
residuals(ajuste$fit) X-squared =3D 34,297, df =3D 1, p-value =3D 4,73=
2e-09 |
|
azul |
data:
residuals(ajuste$fit) X-squared =3D 34,297, df =3D 1, p-value =
=3D
4,732e-09 |
Fuente:
Trabajo de campo
Encontrar
los coeficientes de autocorrelación simple (ACF) y determinar que los resid=
uos
sean nulos y no se encuentran correlacionados también ayudan a determinar la
validez de los datos. Finalmente, la curva QQ-plot es una opción adicional =
para
validación, la misma que acepta los datos cuando los residuos no de alejan =
de
forma significativa del modelo y la media de residuos es nula como lo muest=
ran
los siguientes gráficos.
Fuente:
Trabajo de campo
Conclusiones
El análisis de
series temporales permitió validar el sistema de Triaje implementado en el
hospital Alfredo Noboa de la ciudad de Guaranda y todo en base a los siguie=
nte:
ˇ&nb=
sp;
Según la
recopilación de información hasta antes de la utilización del nuevo sistema=
de triaje
las categorías roja, naranja y amarilla sobrepasaban los límites establecid=
os
por la OMS en 11.69 s, 15.89 s y 139.98 s respectivamente.
ˇ&nb= sp; La implementación del software redujo los tiempos de triaje en 28.23% prioridad roja, 41.87 % prioridad naranja, 18.4= 8% prioridad amarilla, 2.35% prioridad verde y 20.93% para la prioridad azul.<= o:p>
ˇ&nb=
sp;
La derivación de
pacientes hacia las diferentes áreas hospitalarias, así como también la
clasificación prioritaria mejoro notablemente logrando disminuir el índice =
de
pacientes que abandona el hospital en 1.37%.
ˇ&nb=
sp;
Los beneficios
colaterales que se obtuvo de la implementación se vieron reflejados en la
calidad de atención que recibían los pacientes por parte del personal
hospitalario, debido a que el sistema permite clasificarlos correctamente y
distribuir un número de pacientes a cada médico de forma exacta.
Referencias bibliográficas Aranguren, E.
(2005). Estudio de la validez pronóstica de la recepción, acogida y
clasificación de pacientes en el área de urgencias en un hospital terciari=
o. Scielo,
28(2), 177-188. Carro,
R., & González, D. (2012). Modelos de líneas de espera. Universidad
Nacional del Mar de la Plata. García,
J. C. (2016). Predicción en el Dominio del Tiempo. Valencia: Universidad
Politécnica de Valencia. Gómez,
J., Ramón, P., & Rua, C. (diciembre de 201=
0). Manual
para la implementación de un sistema de Triaje para los cuartos de Urgenci=
as. Organización
Panamericana de la Salud., 66. Hernández,
C., Camacho, O., & Duarte, F. (2017). Análisis del flujo de pacientes =
en
el servicio de urgencias del Hospital Universitario la Samaritana a través=
de
simulación discreta. AVANCES Investigación en Ingeniería, 109-122. Maza
, E. (2014). Perfil de morbimortalidad de una muestra de pacientes con
prioridad III, IV, V obtenida en el servicio de emergencia del Hospital Ca=
rlos
Andrade Marín(Tesis de grado). Universidad Católica del Ecuador, Quito. Mauricio, J. (2007). Introducción al
Análisis de Series Temporales. Madrid, Espańa. Orellana,
M., Morocho, V., & Puente, O. (2012).). Evaluación de la atención en
salud, diseńo documentación y medición de procesos del área de emergencia =
del
hospital general Enrique Garcés. (Tesis de Maestría). Escuela Politécnica =
del
Ejército, Sangolquí. Rodríguez,
G. (2017). Analysis of
emergency service applying queuing theory. Weatherford,
L., & Moore, J. (2000). Investigación de operaciones en la ciencia
administrativa (Quinta ed.). México:
Prentice-Hall.
PARA CITAR EL ARTÍCULO INDEXADO
Pérez
Rojas, J. L., & López Telenchana, L. S. (20=
20).
Series temporales aplicadas a software de triaje de emergencias. Ciencia
Digital, 4(1), 156-164. https://doi.org/=
10.33262/cienciadigital.v4i1.1087
El
artículo que se publica es de exclusiva responsabilidad de los autores y no
necesariamente reflejan el pensamiento de la Revista Ciencia Digital.
El
artículo queda en propiedad de la revista y, por tanto, su publicación parc=
ial
y/o total en otro medio tiene que ser autorizado por el director de la Revista Ciencia Digital.
[1] Escuela Superior Politécnica de Chimborazo, Facultad de Mecánica. Riobamba, Ecuador. jose.perezl@espoch.edu.ec<= o:p>
[2=
]
Universidad Nacional de Chimborazo, Facultad de Ingeniería. Riobamba, Ecuad=
or.
luis.lopez@unach.edu.ec
www.cienciadigital.org
=
Vol.
4, N°1., p. 156-164, enero - marzo 2020