El presente artículo forma parte de un informe de NTT DATA, el Centro Español de Logística (CEL) y CEL Salud para estudiar las oportunidades de aplicar la inteligencia artificial en el ámbito de la logística sanitaria.
Este informe se centra en abordar desafíos cruciales y proporcionar soluciones innovadoras que pueden transformar la forma en que se gestionan los suministros y se coordinan todos los eslabones de la cadena (adquisición, almacenamiento y distribución) en el sector de la salud. La cadena de suministro de la salud, ahora más visible que nunca, tiene una oportunidad única para, a través de su optimización, contribuir en algunos desafíos esenciales de la atención médica, como los son el garantizar la seguridad de los pacientes, reducir los tiempos de respuesta en situaciones de emergencia y, al mismo tiempo, apuntalar la sostenibilidad del sistema sanitario.
La inteligencia artificial aplicada a la logística sanitaria
La tecnología permite diseñar trajes a medidas en función del desafío a afrontar. Confeccionados para solventar problemas de negocio complejos y únicos que requieren de algoritmos particulares para cada casuística. Estas tendencias que estamos viendo en otros ámbitos de la logística, así como en organizaciones de diversa índole no pueden ser ignoradas por las organizaciones sanitarias. Además, pueden tener un impacto enorme en el mundo de la logística sanitaria.
Técnicas de analítica avanzada e inteligencia artificial
Los modelos de forecasting permiten analizar y modelar patrones en el comportamiento temporal de ciertas variables como el consumo de fungibles sanitarios o medicamentos. Para entender los patrones y explicar el comportamiento de estas variables en el tiempo, los modelos de forecasting analizan los históricos de datos a fin de encontrar tendencias en el comportamiento de un determinado fenómeno y posibles influencias de otras variables que pueden estar directa o indirectamente relacionadas. En el caso del consumo de material sanitario, por poner un ejemplo, estas variables externas que pueden influenciar las tendencias de consumo abarcan desde el número de pacientes que han acudido a urgencias por una determinada patología, hasta la evolución en la incidencia de patologías, el número de empleados o incluso la climatología. Simplificándolo mucho, el uso de modelos de forecasting permite entender cómo se comporta una variable en el tiempo y realizar predicciones de su evolución a futuro, de forma que posibilita la toma de decisiones informadas y anticipadas en base a los datos, reduciendo la incertidumbre en procesos como el aprovisionamiento y la planificación. Otros modelos de especial interés son los modelos de optimización. El término optimización hace referencia a la búsqueda de la mejor combinación entre un conjunto de posibilidades. Por ejemplo, en el ámbito de la logística, nos permiten saber cuál es la distribución óptima de mi almacén para lograr mejorar las operaciones o cuál es la ruta óptima para reducir el consumo de combustible asegurando un menor tiempo de trayecto. En definitiva, son modelos para seleccionar la mejor opción en base a unos objetivos comerciales cumpliendo una serie de restricciones.
Modelos de scoring
Mediante el uso de analítica avanzada también es posible desarrollar modelos de scoring o de riesgo. Estos algoritmos se basan en técnicas de clasificación y regresión para generar predicciones sobre la posibilidad de ocurrencia de un evento como, por ejemplo, el riesgo de que se produzca un retraso o un incidente en la cadena de suministro. Estos modelos de riesgo permiten anticipar retrasos en envíos, aumentos de precios en suministros, escasez de productos o cualquier tipo de incidencia general que pueda afectar el negocio. De esta manera, se puede obtener información valiosa que permita tomar decisiones informadas y anticipadas ante la posibilidad de una incidencia y, por tanto, minimizar su impacto en el negocio.
Minería de procesos
Por último, otro conjunto de técnicas de gran relevancia en logística incluye la minería de procesos. Estas técnicas permiten modelar los flujos reales de actividades que ocurren dentro de un proceso logístico a través del uso de logs o trazas de los sistemas de información que los soportan. Mediante el modelado y el análisis de eventos es posible:
• descubrir el itinerario de los documentos • identificar fallas e incidencias que alejan el proceso del camino óptimo • medir tiempos operativos • realizar un benchmark de los agentes y procedimientos involucrados • detectar anomalías y aspectos que entorpecen el proceso • entender los cuellos de botella • encontrar procesos susceptibles de automatizar y, en definitiva, visibilizar el proceso en su conjunto junto a sus oportunidades de mejora. En el caso de la cadena de suministro sanitaria o sus procesos económicos, estas técnicas son especialmente útiles para identificar los puntos críticos, analizar las causas de las incidencias y encontrar soluciones que mejoren la eficiencia del sistema. De esta manera, se pueden optimizar los procesos y garantizar un flujo eficiente de la información y los bienes, lo que se traduce en un mejor desempeño de la cadena de abastecimiento y un mejor aprovechamiento de los recursos empleados en su gestión económica.
Casos de uso: Logística y gestión de inventario
1) Predicción de plazos de entrega y problemas de suministro
La predicción de plazos de entrega y problemas de suministro consiste en establecer alertas tempranas cuando se comienza a deteriorar el nivel de servicio para algún tipo de producto. Para ello, se evalúan los plazos de entrega de materiales, variaciones de precios y aumentos en tiempos de entrega, con el fin de controlar y adelantarnos a posibles crisis de suministro y abastecimiento que nos permitan estudiar alternativas a esos productos o al proveedor que los suministra. El objetivo es, por tanto, disponer de una herramienta que visualice la evolución de los plazos de entrega y la previsión de estos, así como la generación de alertas de suministro que garanticen la disponibilidad de los materiales necesarios en todo momento.
2) Modelos predictivos de demanda de material
La aplicación de modelos de forecasting de la demanda de material tiene como objetivo permitir realizar previsiones más ajustadas a las necesidades del centro o servicio sanitario, estableciendo un plan de contratación más preciso en relación con el consumo de recursos del hospital. El uso de estos modelos de predicción facilita una planificación temprana de los productos y cantidades objeto de licitación, permitiendo favorecer la contratación administrativa en lugar del uso de contratos menores, con el fin de minimizar costes y mejorar la ejecución de las compras.
3) Optimización de logística e inventario
Disponer de un determinado nivel de stock para la práctica sanitaria es fundamental a fin de ofrecer una adecuada seguridad al paciente. El objetivo es diseñar una herramienta de análisis de datos que permita automatizar la definición de los valores óptimos en el inventario y en el punto de pedido. Para ello, se utilizarán datos de consumos históricos, calendarios de preparación y plazos de entrega. Sin embargo, uno de los riesgos que se puede presentar es la ausencia de datos de entrada sobre ciertos parámetros, lo que dificultaría la toma de decisiones. Es importante remarcar que estas herramientas deben de ser accesibles al usuario final, con lo cual suelen integrarse en cuadros de mando con simulaciones, valores de stock recomendados así como sistemas de alertas.
Conclusiones
El entorno de alta incertidumbre que vivimos, la existencia de fondos provenientes de la Unión Europea, unido a la toma de conciencia de las organizaciones sanitarias del impacto que tiene la cadena de suministro en ejes tan estratégicos como la seguridad en la asistencia sanitaria, la sostenibilidad o la agilidad ante situaciones de emergencia, está impulsando la trasformación de las redes logísticas. Esto se está llevando a cabo a través de la renovación estructural para fortalecer los cimientos y elevar los recursos disponibles para la investigación y la tecnología. Algunas buenas prácticas como la centralización y coordinación de las políticas de compras, propuestas legislativas en materia de contratación5, sistemas precisos de control de costes y seguimiento de los presupuestos, una correcta gestión de inventarios, la previsión de demanda, la planificación de recursos y la toma de decisiones basadas en datos puede ayudar a los servicios de salud a resolver estas situaciones de la forma más eficiente posible.
El camino hacia el asentamiento de estas buenas prácticas pasa por la inclusión de la tecnología en el día a día de la logística sanitaria, aprovechando la información disponible mediante tecnologías como la Inteligencia Artificial y la Analítica Avanzada. La combinación de estas tecnologías con la Robótica y la Automatización de Procesos Robóticos (RPA), y el Internet de las Cosas (IoT) promete revolucionar la logística sanitaria. La IA como se ha explicado a lo largo de este informe puede ser empleada para mejorar la planificación de aprovisionamiento y optimización de rutas de entrega de suministros médicos, anticipando la demanda y minimizando los tiempos de respuesta. Los robots y la RPA pueden automatizar tareas repetitivas, como el embalaje y el etiquetado de medicamentos, reduciendo los errores humanos y aumentando la eficiencia.
Por otro lado, el IoT permite el monitoreo en tiempo real de las condiciones de almacenamiento y transporte de productos sensibles, como vacunas o medicamentos, asegurando su integridad y calidad. En conjunto, estas tecnologías permiten una logística sanitaria más eficiente, precisa y ágil, lo que se traduce en un mejor servicio y una respuesta más efectiva ante emergencias sanitarias. Esto nos permitirá poner a disposición de los profesionales sanitarios el material necesario, en el momento adecuado y con la calidad exigida evitando así cualquier desperdicio, porque la eficiencia y la sostenibilidad se han vuelto el principal reto de cualquier organización, y en realidad de la sociedad en su conjunto.
FUENTE:
Revista Énfasis Logística
