TRABAJO DE GRADO AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. Nombre de los integrantes PAULA ANDREA BLANCO ÁNGEL WILMER ENRIQUE IRIARTE RESTREPO SANTIAGO OSORIO IDARRAGA Trabajo de grado presentado como requisito para optar al título de: Magister en Gerencia de Proyectos Director (a): CESAR HERNAN RINCON GONZALEZ Modalidad: Innovación organizacional “Business case” Universidad EAN Facultad de Ingeniería Maestría en Gerencia de Proyectos Bogotá, Colombia 26/10/2024 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 6 Resumen ejecutivo Este proyecto propone un sistema innovador para la atención médica de pacientes diabéticos, enfocándose en la automatización del agendamiento de citas y la detección de riesgos a través de inteligencia artificial (IA). La automatización del agendamiento optimiza la programación de citas según el nivel de riesgo de cada paciente, lo que reduce tiempos de espera y mejora la carga de trabajo de los profesionales de salud. Paralelamente, se desarrollará un modelo predictivo utilizando redes neuronales, para analizar datos clínicos y predecir complicaciones en pacientes diabéticos. Este enfoque permitirá la identificación temprana de riesgos, facilitando intervenciones proactivas que mejoren la salud del paciente y minimicen complicaciones a largo plazo. El sistema no solo mejorará la eficiencia operativa de las clínicas, sino que también, ofrecerá un manejo individualizado de los tratamientos, ajustando intervenciones específicas basadas en patrones detectados en la historia clínica. Al integrar estas dos fases, el proyecto busca transformar la atención médica para pacientes diabéticos, proporcionando un enfoque más efectivo y personalizado que contribuye al ahorro de costos en el sistema de salud. Palabras clave: Automatización, pacientes diabéticos, inteligencia artificial, detección de riesgos. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 8 CONTENIDO OBJETIVOS Y ALINEACIÓN ESTRATÉGICA .................................................... 12 Objetivo general 12 Objetivos específicos 12 1. CONTEXTO Y DESAFÍO DE INNOVACIÓN .............................................. 13 1.1 Análisis del ecosistema de innovación del sector y de la solución propuesta 13 1.2 Entendimiento de las necesidades del área y/o unidad de negocio (Diagnóstico interno) ¡Error! Marcador no definido. 1.3. Mapa de empatía de las enfermeras de gestión administrativa.¡Error! Marcador no definido. 1.3.1 Mapa de empatía de las enfermeras de gerencia de la IPS¡Error! Marcador no definido. 1.3.2 Mapa de empatía de los pacientes ¡Error! Marcador no definido. 1.4. Definición del problema utilizando "How Might We" (HMW): ¡Error! Marcador no definido. 2. SOLUCIÓN INNOVADORA................................ ¡Error! Marcador no definido. 2.1 Solución innovadora ¡Error! Marcador no definido. 2.2 Descripción de la solución (storyboard): 24 2.3 Prototipo conceptual (imágenes o modelo 3D): 26 3. ANÁLISIS DE MERCADO Y COMPETENCIA ........................................... 28 3.1. Análisis de competidores y entorno de mercado 28 3.2. Evaluación de la solución con las partes interesadas: 32 4. MODELO DE NEGOCIO INNOVADOR ....................................................... 35 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 9 4.1. Canvas de modelo de negocio. 35 4.2. Propuesta de valor canvas 36 4.3. Estrategia de plataforma o ecosistema (si aplica) ¡Error! Marcador no definido. 5. PLAN DE IMPLEMENTACIÓN BAJO METODOLOGÍAS ÁGILES ............ 36 5.1. Roadmap de innovación y metodología de desarrollo 36 5.2. Equipo y recursos necesarios (incluir roles de innovación) 38 6. ANÁLISIS FINANCIERO Y DE IMPACTO ....................................................... 43 6.1. Proyecciones financieras y ROI de innovación: 43 6.2. Impacto social y ambiental: 45 7. Gestión de riesgos y oportunidades .................................................................. 45 8. MÉTRICAS DE ÉXITO Y KPIS DE INNOVACIÓN ................................... 48 8.1. OKRs (Objectives and Key Results) del proyecto 48 8.2. Métricas de innovación (ej. tasa de adopción, NPS): 49 9. PLAN DE GESTIÓN DEL CAMBIO Y ADOPCIÓN ................................... 50 10. CULTURA DE INNOVACIÓN Y MEJORA CONTINUA ........................... 52 Conclusiones y recomendaciones ................................................................................ 53 Referencias .................................................................................................................... 55 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 11 Tabla de Figuras Figura 1Mapa de Empatía .............................................................................................. 17 Figura 2 Storyboard de enfermeras ................................................................................ 25 Figura 3 Storyboard de Pacientes ................................................................................... 26 Figura 4 Propuesta de valor ............................................................................................ 36 Figura 5 Estructura y roles claves del equipo de innovación ......................................... 38 Figura 6 The scrum framework ...................................................................................... 40 Indice de Tablas Tabla 1 Customer jounery map ...................................................................................... 28 Tabla 2 Canvas del modelo de negocio .......................................................................... 35 Tabla 3 Métricas de cumplimiento ................................................................................. 42 Tabla 4 Matriz Pivote ..................................................................................................... 46 Tabla 5 okrs .................................................................................................................... 48 Tabla 6 Cuadro de mando de innovación} ..................................................................... 49 Tabla 7 Plan de gestión del cambio y adopción ............................................................. 50 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 12 OBJETIVOS Y ALINEACIÓN ESTRATÉGICA Objetivo general Evaluar el posible impacto de la implementación de un programa de automatización y medicina predictiva basado en inteligencia artificial sobre la eficiencia del agendamiento de consultas médicas y laboratorios clínicos y el efecto sobre el control glucémico en pacientes diabéticos descompensados en una institución prestadora de servicios de salud. Objetivos específicos • Analizar el entorno actual y los variables que afectan el proceso de gestión de las metas terapéuticas en los pacientes diabéticos de una institución prestadora de servicio ambulatorios de salud. • Diagnosticar los factores que comprometen la eficiencia en el uso del recurso al gestionar las metas terapéuticas en los pacientes diabéticos inscritos en un programa de riesgo cardiovascular de una institución prestadora de servicios ambulatorios de salud. • Validar la propuesta de implementación de un programa basado en inteligencia artificial que clasifique a los pacientes diabéticos según el riesgo cardiovascular programando citas y laboratorios de manera priorizada de acuerdo con los resultados de un modelo de medicina predictiva. • Desarrollar un plan detallado para la implementación de un sistema basado en inteligencia artificial que automatice el agendamiento de citas de acuerdo con el nivel de riesgo de los pacientes diabéticos. Este sistema incluirá el desarrollo de un modelo predictivo utilizando redes neuronales, para identificar el riesgo de complicaciones. Además, se buscará reducir errores en la asignación de citas y en la repetición de laboratorios, optimizando el tiempo del personal de enfermería AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 13 para concentrarse en actividades clínicas, para mejorar la glucemia de los pacientes y prevenir descompensaciones. 1. CONTEXTO Y DESAFÍO DE INNOVACIÓN 1.1 Análisis del ecosistema de innovación del sector y de la solución propuesta • Descripción del sector o industria relevante En el año 1993 se creó el Sistema General de Seguridad Social en Salud en Colombia, reglamentado a través de la Ley 100, el cual obtiene los recursos principalmente de los aportes de seguridad social e impuestos. Dichos recursos son administrados por las Empresas Promotoras de Salud (EPS), que se encargan de contratar la red de instituciones prestadoras de salud. Bajo este modelo actual se han logrado algunas ventajas, como la amplia cobertura de afiliación y la solidaridad que permite el ingreso al sistema de personas sin capacidad de pago. Sin embargo, existen importantes brechas en el acceso a servicios de salud, especialmente en la población rural y en territorios alejados del país en donde no llega la suficiente atención por parte de los profesionales de la salud. Además, no se cuentan con programas efectivos de promoción y prevención en salud llevando a que se trate de un sistema enfocado en la atención de la enfermedad, y persisten problemas financieros y administrativos, (Universidad Javeriana, 2023). Las dificultades financieras del sistema de salud se han ido incrementando debido a varios factores, como el envejecimiento de la población, lo cual genera una mayor carga de enfermedades crónicas no transmisibles, como la hipertensión arterial, la diabetes mellitus y la enfermedad renal crónica. Se estima que, bajo el modelo actual de salud, sería necesario incrementar el presupuesto en salud en un 1,9 % del PIB para el año 2030, (Melo-Becerra et al., 2023). El número de personas atendidas por enfermedades crónicas no transmisibles ha aumentado en los últimos años, y entre ellas se encuentra la diabetes mellitus, la cual AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 14 genera de dos a cuatro veces más riesgo de enfermedad coronaria, teniendo una repercusión importante sobre el bienestar y la capacidad productiva de la población afectada y el sostenimiento del sistema de salud, (Minsalud, 2023) La Ley 100 de 1993 no contempló estudios sobre la disponibilidad de recurso humano que respaldaran su implementación. Aunque el recurso humano ha tenido un incremento en los años subsiguientes, con una proyección de cumplimiento de los objetivos de la OMS de alcanzar, para el año 2023, una densidad de 44,5 médicos y enfermeras por cada 10 mil habitantes persiste una baja disponibilidad de personal en algunas regiones del país. Por lo tanto, es importante hacer un uso eficiente de este recurso, (Ministerio de salud de Colombia, 2018). El sector salud ha experimentado una importante transformación digital posterior a la pandemia, acompañada de una tendencia hacia una mayor preocupación por el autocuidado y el bienestar como parte del estatus social. Este enfoque se dirige a grandes problemáticas, como la salud mental y las enfermedades crónicas no transmisibles. Los cambios en el sector salud presentan diversos retos asociados a cuestiones éticas, a la alta regulación ejercida por actores clave del sector, como el gobierno, las EPS, los entes territoriales de salud y demás entidades encargadas de garantizar el cumplimiento de la amplia normativa que deben acatar clínicas y hospitales. También es relevante la sensibilidad de los datos, así como los recursos humanos y financieros limitados con los que se cuenta, (Marin, 2022). En los próximos años se espera una mayor inversión e incorporación de tecnologías en el sector salud que ayuden a los profesionales a obtener mejores resultados en salud y a impactar a una mayor cantidad de personas. Entre estas tecnologías se encuentran la inteligencia artificial, la medicina personalizada y de precisión, los asistentes virtuales, entre otros; herramientas que deben alinearse con los objetivos estratégicos de clínicas y hospitales para alcanzar metas que generen ventajas competitivas, (Garmendia, 2024). AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 15 La empresa objeto del presente estudio tiene como objetivos estratégicos el crecimiento, la sostenibilidad financiera, una experiencia excepcional para los pacientes, excelentes resultados clínicos y el desarrollo sostenible, pilares que deben apoyarse en las tecnologías emergentes para ser alcanzados. La empresa objeto del presente estudio es una institución prestadora de servicios ambulatorios de salud, con presencia en Colombia a través de cerca de 90 sedes y atención médica para más de 4 millones de pacientes. La IPS tiene una propuesta clara orientada a sus clientes, enfocada en gestionar de manera eficiente el riesgo técnico y primario de sus afiliados con un equipo sólido y capacitado. Cuenta con personal experto en TIC, con capacidad para el desarrollo de software, así como con capacidad financiera para el desarrollo de nuevas líneas de servicios. Además, posee la posibilidad de implementar tecnologías emergentes que respalden sus procesos y mejoren sus resultados. Sin embargo, presenta debilidades en el proceso de contratación, especialmente en la creación de acuerdos que le permitan contar con un mayor margen de maniobra para ofrecer servicios de calidad. Actualmente, su operación se encuentra amenazada por las propuestas de reforma al sistema de salud, lo que genera inestabilidad en el sector. Además, las EPS, que constituyen sus principales clientes, enfrentan problemas financieros importantes, lo cual incrementa la incertidumbre, (Portafolio, 2023). La compañía tiene como objetivos estratégicos el crecimiento, la sostenibilidad financiera, una experiencia excepcional para los pacientes, mejorar los resultados clínicos y el desarrollo sostenible, pilares que podrían apoyarse en tecnologías emergentes para lograrlos. En este sentido, se plantea investigar si un sistema basado en inteligencia artificial, enfocado en apoyar la gestión de la diabetes, una de las patologías de alto costo e impacto en el bienestar de la población, puede aportar una mayor eficiencia en el uso de recursos humanos y financieros, así como a mejorar los resultados en salud y satisfacción de los pacientes. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 16 1.2. Entendimiento de las necesidades del área y/o unidad de negocio (Diagnóstico interno) El entendimiento de las necesidades del área y de la unidad de negocio se basa en un diagnóstico interno que identifica las principales carencias y oportunidades de mejora. Se ha observado una sobrecarga de trabajo en el personal, especialmente en las enfermeras administrativas, quienes enfrentan desafíos en la gestión de tareas repetitivas y manuales que limitan su capacidad para proporcionar atención directa a los pacientes. Además, la falta de integración de sistemas provoca errores en la programación de citas y la asignación de laboratorios, generando frustración tanto en el personal como en los pacientes. Este diagnóstico revela la necesidad urgente de implementar soluciones tecnológicas que optimicen los procesos administrativos y mejoren la experiencia del paciente, permitiendo un enfoque más centrado en la atención y el seguimiento adecuado de tratamientos. El impacto directo de estas deficiencias en los procesos administrativos no solo afecta al personal, sino que también tiene consecuencias graves para los pacientes. La falta de una adecuada programación de citas y la incorrecta asignación de laboratorios pueden llevar a retrasos en el diagnóstico y tratamiento, lo que incrementa el riesgo de complicaciones en los pacientes, por no garantizar un seguimiento oportuno de los tratamientos y la monitorización adecuada de las condiciones. Además, el incumplimiento de metas terapéuticas, debido a la falta de coordinación y la ineficiencia en la gestión de citas y pruebas, puede afectar el control de enfermedades, llevando a complicaciones adicionales y empeorando la calidad de vida de los pacientes. Este panorama resalta la urgente necesidad de implementar soluciones tecnológicas que optimicen los procesos administrativos y permitan una atención más ágil y centrada en la salud del paciente. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 17 1.3 Mapa de empatía El mapa de empatía se elaboró considerando las perspectivas de las enfermeras de gestión, la gerencia de la IPS y los pacientes, analizando sus pensamientos, sentimientos, percepciones y acciones, así como sus dolores y aspiraciones. Este enfoque busca entender mejor las necesidades y desafíos de cada grupo, facilitando la identificación de oportunidades para mejorar la atención y la gestión del cuidado de salud. En la imagen siguiente, FIGURA 1. MAPA DE EMPATÍA – ENFERMERAS DE GESTIÓN ADMINISTRATIVA, se presenta el mapa aplicado a las enfermeras, mientras que en los anexos A y B se detallan los mapas correspondientes a la gerencia y los pacientes. Al abordar a estos actores clave, el mapa de empatía permite alinear estrategias que optimicen la experiencia y los resultados en la atención médica. Figura 1Mapa de Empatía AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 18 Al realizar el mapa de empatía con el equipo gerencial de la IPS, describen insuficiencia en el recurso humano y en el presupuesto para cubrir todas las tareas operativas y no operativas que requiere el programa de riesgo cardiovascular. Esta situación dificulta el logro de las metas y objetivos terapéuticos, y genera costos adicionales debido a errores en la clasificación de los pacientes, así como en la asignación de consultas médicas y laboratorios. A pesar del desarrollo de varias estrategias, hasta el momento no se han obtenido los resultados esperados. Los pacientes con diabetes expresan que a menudo no comprenden bien los términos técnicos durante la atención médica y, en algunas ocasiones, no reciben el seguimiento oportuno para la asignación de consultas o exámenes de laboratorio. Su mayor preocupación es quedarse sin medicamentos; muchos no comprenden plenamente su enfermedad, lo que afecta la adherencia al tratamiento. Desearían una atención más personalizada por parte de médicos y enfermeras, con un examen físico más detallado y explicaciones más sencillas sobre el estado de su enfermedad. 1.4. Definición del problema utilizando "How Might We" (HMW) Los pacientes expresan su necesidad de una atención más personalizada y comprensible, ya que a menudo no entienden los términos médicos y carecen de seguimiento adecuado. Para abordar estos problemas, se propone utilizó la herramienta, How Might We, la cual se encuentra en el ANEXO C. Definición del problema utilizando "How Might We" (HMW El diagnóstico actual revela importantes carencias en los procesos administrativos, como la sobrecarga de trabajo del personal, especialmente las enfermeras administrativas, que se ven limitadas por tareas repetitivas y manuales, y la falta de integración de sistemas, lo que genera errores en la programación de citas y asignación de laboratorios. Estos problemas afectan tanto a la eficiencia operativa como a la experiencia del paciente, aumentando el riesgo de complicaciones y el incumplimiento de metas terapéuticas, especialmente en pacientes con enfermedades crónicas. Usando la metodología "How Might We", se busca encontrar soluciones innovadoras que optimicen los procesos administrativos, integren sistemas para mejorar la coordinación y el seguimiento de los tratamientos, y AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 19 liberen al personal de tareas repetitivas, permitiendo un enfoque más centrado en la atención directa al paciente y reduciendo riesgos para su salud. Para la clasificación del riesgo y la priorización de los pacientes, se aplicará el algoritmo de Priorización de Framingham, que permite evaluar el riesgo cardiovascular en función de diversos factores de salud. Los factores considerados incluyen edad, obesidad, historia familiar, inactividad física, dieta, hipertensión, niveles altos de colesterol, hábito de fumar y etnia. En este proceso, se asignan puntajes a cada uno de estos factores: un "Sí" en las columnas correspondientes al valor de uno (1), siguiente a esto se suman los puntajes obtenidos para determinar el nivel de riesgo del paciente. Los niveles de riesgo se clasifican de la siguiente manera: bajo riesgo (puntaje ≤ 2), riesgo moderado (puntaje entre 3-4), alto riesgo (puntaje entre 5-6) y muy alto riesgo (puntaje > 6). 2. SOLUCIÓN INNOVADORA 2.1 Solución innovadora • Descripción general del problema La diabetes es una de las enfermedades más prevalentes y con mayor morbimortalidad a nivel mundial, afectando aproximadamente al 10,5% de la población adulta, de la cual una significativa proporción desconoce su condición. El control inadecuado de esta enfermedad puede derivar en complicaciones severas, como enfermedades cardiovasculares, insuficiencia renal y amputaciones, generando repercusiones económicas tanto para los pacientes y sus familias como para los sistemas de salud. En la institución prestadora de servicios de salud objeto de este estudio, la prevalencia de diabetes mellitus es del 7,46%, con un alarmante 27% de los pacientes en estado descompensado. Esta situación indica un bajo control de la enfermedad y un elevado riesgo de complicaciones, lo que a su vez incrementa la demanda de servicios de salud y los costos asociados a la atención médica. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 20 Actualmente, la gestión del agendamiento de laboratorios clínicos y consultas médicas para pacientes diabéticos y con riesgo cardiovascular se realiza de manera manual. Este proceso ineficiente implica la validación de datos en múltiples registros clínicos, lo que no solo genera errores, sino que consume un tiempo considerable del personal de salud. Esto limita su capacidad para llevar a cabo actividades clínicas de mayor impacto en la atención del paciente, exacerbando la problemática del control de la diabetes y el manejo de sus complicaciones. • Análisis de tendencias emergentes y tecnologías disruptivas El análisis de las tecnologías emergentes en la atención a pacientes diabéticos muestra una variedad de niveles de madurez y disponibilidad. La inteligencia artificial, utilizada para agendar citas y en analítica predictiva, está bien desarrollada y puede implementarse a mediano plazo, mejorando la eficiencia y resultados clínicos. En contraste, tecnologías como blockchain y genómica están en etapas incipientes, requiriendo un horizonte a largo plazo para su adopción. Las aplicaciones de IoT y chatbots tienen baja madurez y son menos adaptables para los pacientes, mientras que el software de autogestión de agendas médicas está listo para su adopción. La realidad virtual tiene potencial educativo, pero aún está en fase de exploración, sugiriendo que su uso generalizado también tomará tiempo. En conjunto, estas tecnologías pueden transformar el manejo de la diabetes, aunque su éxito dependerá de la capacidad de las instituciones para adaptarse e integrar estas innovaciones. En el cuadro anexo (Anexo D. Análisis de tecnologías emergentes) se evalúan todos los parámetros, permitiendo un análisis más detallado de cada una de estas tecnologías emergentes. • Ejemplos de aplicaciones exitosas en otras industrias o competidores AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 21 Ejemplos de aplicaciones exitosas en otras industrias o competidores incluyen OpenEMR, una solución de gestión de registros médicos electrónicos altamente personalizable, ideal para clínicas que desean adaptar el software a sus procesos específicos, ofreciendo gestión de pacientes, facturación y programación de citas en una plataforma de código abierto. DinDoc se centra en la gestión médica, facilitando el seguimiento de pacientes, la gestión de consultas y recordatorios automáticos para optimizar la atención. Todoc es una herramienta gratuita para la gestión de tareas y proyectos, adecuada para profesionales y pequeñas clínicas, con funciones de organización de citas y recordatorios. AgendaPro, por su parte, se especializa en la gestión de agendas, mejorando la programación de citas y el análisis de desempeño. Sin embargo, ninguna de estas aplicaciones está enfocada en la gestión específica de pacientes diabéticos ni ofrece alertas proactivas para complicaciones, lo que representa una oportunidad para desarrollar soluciones más especializadas en este ámbito • Enfoque único de la solución: La solución propuesta aborda la gestión de pacientes diabéticos mediante un sistema de agendamiento automatizado basado en el nivel de riesgo, complementado con un modelo predictivo de inteligencia artificial que clasifica a los pacientes según su riesgo de complicaciones y optimiza la programación de citas y laboratorios. A diferencia de las aplicaciones existentes, nuestra solución ofrece alertas proactivas para identificar tempranamente a aquellos pacientes en riesgo de descompensación, utilizando análisis de datos clínicos y detección de patrones. Además, la automatización del agendamiento libera tiempo al personal de salud para que se concentren en tareas clínicas más relevantes, mientras que la personalización del tratamiento, basada en las desviaciones de las historias clínicas, asegura un manejo individualizado y efectivo de la diabetes, mejorando los resultados de salud de los pacientes. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 22 • Principales características y beneficios de la solución - Agendamiento automatizado según nivel de riesgo - Modelo predictivo con inteligencia artificial - Alertas proactivas por complicaciones - Personalización del tratamiento - Reducción de errores y carga operativa - Ahorro de costos • Innovación de la solución en comparación con las existentes A diferencia de las aplicaciones genéricas, nuestra solución está diseñada específicamente para pacientes diabéticos y se centra en un sistema de priorización basado en el riesgo de complicaciones relacionadas con esta enfermedad. El sistema de priorización de citas funciona mediante un proceso automatizado que se activa desde el registro inicial del usuario hasta la programación de la cita. Al registrarse, el usuario completa su historia clínica, lo que activa un algoritmo que aplica el modelo de priorización basado en el algoritmo de Framingham. Este algoritmo asigna un puntaje a cada paciente según factores de riesgo como la edad, obesidad, historia familiar, inactividad física, dieta, hipertensión, colesterol alto, tabaquismo y etnia. Según el puntaje total, el sistema clasifica al paciente en uno de los cuatro niveles de riesgo (bajo, moderado, alto o muy alto). Con base en esta clasificación, el sistema busca automáticamente citas disponibles dentro de un rango de días, priorizando a los pacientes con mayor riesgo. Luego, el paciente recibe un correo con las opciones de citas disponibles y, al seleccionar una, se confirma y guarda en la base de datos. Este enfoque asegura que los pacientes con mayor riesgo reciban atención de manera oportuna y eficiente, mientras que también se gestionan recordatorios para casos especiales que no hayan agendado su cita. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 23 Adicionalmente, la propuesta abarca la utilización de redes neuronales artificiales, mediante el desarrollo de un modelo predictivo que analiza los datos clínicos en tiempo real para identificar a los pacientes con mayor riesgo de sufrir complicaciones. Este modelo no solo detectará patrones de riesgo, sino que también genera alertas proactivas para intervenir antes de que se presenten problemas graves, lo que representa un avance significativo frente a soluciones tradicionales que solo se enfocan en la gestión de citas. Además, la automatización del agendamiento, alimentada por estos datos predictivos, permite una asignación más eficiente de recursos, reduciendo la carga administrativa y liberando al personal de salud para que se concentre en tareas clínicas de mayor impacto, mejorando así la atención y el seguimiento de los pacientes. Dicho modelo analizando una amplia gama de datos clínicos en tiempo real, alimentados por redes neuronales artificiales que aprenden de patrones históricos y actuales para anticipar complicaciones en pacientes diabéticos. Los parámetros clave que se tomarían en cuenta incluirían factores incluidos en el algoritmo de Framingham. Al integrar estos datos, el modelo sería capaz de predecir con alta precisión los riesgos de complicaciones como insuficiencia renal, problemas cardiovasculares o amputaciones, permitiendo intervenciones tempranas y personalizadas para cada paciente. • Mercado objetivo y posible impacto El mercado objetivo de nuestra solución se define como la institución prestadora de servicios de salud en la que se implementará el proyecto. Esta institución atiende a una población significativa de pacientes diabéticos, quienes requieren un manejo continuo y efectivo de su condición. Al centrarnos en esta institución, podemos adaptar la solución a sus necesidades particulares y al contexto de atención médica que ofrece, garantizando una integración fluida con sus procesos existentes. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 24 Se espera una mejora en la calidad del servicio, gracias al agendamiento automatizado y las alertas proactivas que permitirán una identificación temprana de complicaciones, lo que se traducirá en una reducción de hospitalizaciones y costos asociados. Además, la optimización de recursos liberará tiempo al personal de salud para que se concentre en tareas clínicas más críticas, mejorando la eficiencia operativa. Este enfoque personalizado también fomentará una relación más sólida con los pacientes, aumentando su adherencia al tratamiento y, en consecuencia, mejorando los resultados o metas terapéuticas. En conjunto, estos impactos fortalecerán la capacidad de la institución para gestionar la diabetes de manera efectiva y proactiva. 2.2 Descripción de la solución (storyboard): La descripción de la solución se presenta a través de un storyboard que aborda la experiencia tanto de las enfermeras administrativas como de los pacientes. Desde la perspectiva de las enfermeras, FIGURA 2, se ilustra cómo la implementación de inteligencia artificial (IA) optimiza sus tareas, reduciendo la sobrecarga de trabajo y mejorando la eficiencia en la programación de citas y la gestión de datos. Esto les permite dedicar más tiempo a la atención directa y educación del paciente. Por otro lado, desde la perspectiva del paciente, FIGURA 3. el storyboard muestra cómo la IA facilita recordatorios automatizados y una comunicación proactiva, lo que ayuda a los pacientes a mantenerse informados sobre sus citas y resultados de exámenes. Esta doble perspectiva resalta cómo la solución beneficia a ambos grupos, mejorando la calidad de la atención y la experiencia en el sistema de salud. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 25 Figura 2 Storyboard de enfermeras AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 26 Figura 3 Storyboard de Pacientes 2.3 Prototipo conceptual (imágenes o modelo 3D) El prototipo de negocio, que se encuentra adjunto en el Anexo E, es un ejemplo de cómo quedaría el sistema de agendamiento de pacientes priorizados. Este modelo permite gestionar de manera eficiente las citas, priorizando a aquellos pacientes que requieren atención urgente, facilitando así una mejor organización y optimización de recursos en el servicio de salud. Este funcionaría mediante una plataforma automatizada que optimiza la asignación de citas médicas en función de la prioridad de los pacientes, considerando su nivel de riesgo. El proceso inicia con el registro del usuario, quien ingresa su AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 27 información personal a través de un formularia, que activa un trigger para verificar si ya ha sido atendido. Si el paciente es nuevo, se le solicita completar su historia clínica; si ya ha sido atendido, solo se actualiza la información existente. Con los datos clínicos completos, el sistema aplica un algoritmo de priorización basado en el modelo de Framingham, que evalúa factores como edad, obesidad, hipertensión, y otros indicadores de riesgo. Según el puntaje de riesgo obtenido, el sistema selecciona las citas disponibles en un rango de fechas y las presenta al paciente, quien elige la opción más conveniente. Una vez seleccionada, la cita se confirma y se guarda automáticamente en la base de datos, actualizando la disponibilidad de los médicos. Además, el sistema realiza un seguimiento de casos especiales, enviando recordatorios a pacientes que no hayan agendado su cita y alertas a las enfermeras para que realicen la programación de la cita vía telefónica. 2.4 Propuesta de experiencia del usuario (journey map): El customer journey map, de la TABLA 1. CUSTOMER JOURNEY MAP, revela los desafíos que enfrentan las enfermeras administrativas, como la sobrecarga de trabajo por tareas manuales repetitivas, la falta de eficiencia debido a procesos desintegrados, y la frustración del personal, lo que resulta en una experiencia negativa para los pacientes. Las causas incluyen la dependencia de procesos manuales, la falta de integración de sistemas y escasa utilización de tecnología. Esta frustración se traduce directamente en una experiencia negativa para los pacientes, ya que los retrasos en la programación de citas, la incorrecta asignación de laboratorios y la falta de seguimiento oportuno pueden generar incertidumbre, ansiedad y, en algunos casos, empeorar la condición de salud de los pacientes. Además, los pacientes pueden percibir una falta de atención y un servicio ineficiente, lo que afecta su confianza en el sistema de salud y puede llevar a una disminución en la satisfacción general con la atención recibida. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 28 Tabla 1 Customer jounery map 3. ANÁLISIS DE MERCADO Y COMPETENCIA 3.1. Análisis de competidores y entorno de mercado En el Anexo F Análisis de competidores y potenciales colaboradores, se puede visualizar, a modo de resumen, el análisis de competidores y potenciales colaboradores. Esta representación destaca las principales características de las soluciones existentes en el mercado, así como las oportunidades de colaboración que podrían fortalecer la implementación y efectividad de nuestra propuesta. Sin embargo, a continuación, se da mayor detalle de lo mencionado, proporcionando un mayor análisis de cada competidor y colaborador potencial. • Identificación de competidores directos e indirectos Competidores directos: AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 29 − OpenEMR: Sistema de gestión de registros médicos electrónicos que permite la personalización según las necesidades de cada clínica. Ofrece herramientas para el manejo de pacientes, aunque no está enfocado específicamente en diabetes. − DinDoc: Plataforma centrada en la gestión médica y el seguimiento de pacientes. Ofrece funcionalidades de agendamiento y recordatorios, pero no tiene un enfoque exclusivo en pacientes diabéticos. − AgendaPro: Herramienta para la gestión de agendas médicas, que permite programar citas y optimizar el tiempo del personal de salud. Sin embargo, carece de análisis predictivo y personalización para necesidades específicas de salud. − Todoc: Aplicación de gestión de tareas que permite organizar actividades. Aunque puede ser utilizada en el ámbito de la salud, no está diseñada para el seguimiento específico de pacientes diabéticos. Competidores indirectos: Aplicaciones de Telemedicina: Estas plataformas ofrecen agendamiento como parte de su servicio y permiten realizar consultas médicas a distancia. No se especializan en el manejo de diabetes, lo que limita su efectividad para esta población. • Análisis comparativo de características y precios de productos/servicios - OpenEMR: Costos asociados a la implementación y personalización, ideal para clínicas que buscan flexibilidad en su sistema de gestión. - DinDoc: Modelo de suscripción mensual que incluye herramientas de gestión y seguimiento de pacientes. - AgendaPro: Suscripción mensual centrada en la gestión de citas, sin herramientas específicas para análisis clínico. - Todoc: Generalmente gratuito. - Aplicaciones de Telemedicina: Varían en precio y funcionalidades; muchas ofrecen modelos de suscripción o pago por uso. • Cuota de mercado de los principales actores AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 30 OpenEMR: Se considera un actor importante en el segmento de clínicas que buscan soluciones personalizables. Su enfoque de código abierto le permite captar una cuota significativa en el mercado de sistemas de gestión de registros médicos, especialmente entre usuarios que valoran la flexibilidad y personalización. DinDoc: Ha logrado establecerse como un competidor relevante en la gestión médica gracias a su modelo de suscripción mensual y su enfoque en la educación. Aunque no tiene una cuota de mercado dominante, su presencia creciente en clínicas y consultorios lo posicionan como una buena opción. AgendaPro: Este sistema de gestión de agendas ha captado la atención de clínicas que buscan optimizar su programación. Aunque su cuota de mercado no es tan amplia como la de OpenEMR, su facilidad de uso y enfoque en la atención al cliente le han permitido ganar una base sólida de usuarios. Todoc: Aunque generalmente gratuito, su uso es más limitado en el ámbito de la salud. Su cuota de mercado en este sector es baja, ya que no está diseñado específicamente para el manejo de pacientes o consultas médicas, lo que restringe su aplicación. Aplicaciones de Telemedicina: Estas plataformas están ganando popularidad y tienen una creciente cuota de mercado, impulsadas por el aumento de la demanda de atención remota. Sin embargo, al no especializarse en la diabetes, su efectividad en este nicho es limitada, lo que las coloca en una posición menos competitiva frente a soluciones más centradas. • Análisis de las estrategias de marketing y posicionamiento de la competencia - OpenEMR: Se posiciona como una solución de código abierto, orientada a clínicas que valoran la personalización y la adaptabilidad a sus necesidades específicas. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 31 - DinDoc: Emplea una estrategia de marketing digital que incluye contenido educativo, dirigido a médicos y clínicas, para establecerse como un recurso valioso en la gestión de la salud. - Clinic Cloud: Su enfoque se centra en compartir testimonios de clientes satisfechos y realizar demostraciones en vivo, lo que refuerza la confianza en su plataforma. - Todoc: Ofrece promociones especiales para nuevos usuarios, buscando incentivar la adopción de su herramienta de gestión de tareas. - AgendaPro: Destaca por su sólida presencia en redes sociales y su compromiso con la atención al cliente, lo que le permite construir relaciones duraderas con sus usuarios. • Evaluación de proveedores y socios potenciales Se considera proveedores estratégicos a empresas tecnológicas con soluciones innovadoras en salud, y a la Asociación Colombiana de Diabetes, que puede colaborar en la validación y difusión de la solución, garantizando que se ajuste a las necesidades de la comunidad diabética. • Tendencias de consumo y comportamiento del cliente en el mercado El mercado muestra un creciente interés por la telemedicina, impulsado por la búsqueda de atención médica accesible y conveniente. Además, hay una alta demanda de aplicaciones personalizadas que se adapten a las necesidades específicas de los pacientes, así como un aumento en la necesidad de herramientas educativas que faciliten el autocuidado y la gestión de la salud. • Oportunidades de mercado no atendidas o subtendidas Existen claras oportunidades en el ámbito del agendamiento de citas que integren un seguimiento específico para pacientes diabéticos. Además, hay una necesidad evidente de priorización en el agendamiento, fundamentada en datos de salud que AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 32 permitan optimizar la atención y mejorar los resultados clínicos. Estas áreas representan un vacío en las soluciones actuales y una oportunidad para desarrollar una propuesta más especializada. 3.2. Evaluación de la solución con las partes interesadas: • Identificación de las partes interesadas clave (stakeholders) Las partes interesadas incluyen médicos, personal de enfermería, pacientes diabéticos, administradores de la institución de salud y representantes de organizaciones relacionadas con la diabetes. • Metodología utilizada para la evaluación Se emplearon diversas metodologías para recopilar información, incluyendo entrevistas individuales y focus groups, lo que permitió obtener una visión amplia de las percepciones y necesidades de cada grupo. • Criterios de evaluación utilizados y filtro de las audiencias de interés Los criterios de evaluación se centraron en la relevancia de la solución para la gestión de citas, la facilidad de uso, la integración con los sistemas existentes y la capacidad de mejorar los resultados de salud. • Análisis de la aceptación de la solución por parte de cada grupo de interés El análisis de la aceptación de la solución por parte del personal médico y administrativo reveló un alto nivel de interés y entusiasmo. Los médicos reconocieron la potencial mejora en la eficiencia del agendamiento de citas y la optimización de su carga de trabajo, lo que les permitiría dedicar más tiempo a la atención clínica, educación a pacientes y a la gestión de tratamientos. La posibilidad de contar con alertas proactivas para la identificación de pacientes en riesgo también fue bien recibida, ya que podría facilitar una atención más oportuna y personalizada. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 33 • Hallazgos e insights de la retroalimentación recibida Se destacó un interés general en la automatización del agendamiento y la personalización de la atención. Sin embargo, se identificó que el éxito en la implementación dependía en gran parte de la capacitación que se le brindará al personal y a la escalabilidad del desarrollo. • Identificación de preocupaciones o resistencias Entre las principales preocupaciones y resistencias expresadas por el personal médico y administrativo se identificaron varios puntos críticos. En primer lugar, hubo inquietudes sobre la confiabilidad de las alarmas proactivas y dudas sobre la precisión en la priorización de citas, con el riesgo de que pacientes en situaciones críticas no sean atendidos a tiempo. Por último, la cuestión de la escalabilidad del sistema; es decir, si la solución podrá adaptarse adecuadamente a un aumento en el número de pacientes o en la complejidad de los casos a medida que la institución crezca. • Sugerencias de mejora proporcionadas por los stakeholders Se recomendó implementar un programa de capacitación continua que incluya sesiones prácticas y recursos de aprendizaje accesibles, para asegurar que todos los usuarios se sientan cómodos y seguros al utilizar la herramienta. Establecer un canal de comunicación donde el personal pueda proporcionar retroalimentación de manera regular sobre el funcionamiento del sistema, permitiendo ajustes continuos y mejorando la experiencia del usuario. • Análisis de la viabilidad técnica y comercial según los comentarios recibidos Se evidencia una confianza en que la tecnología, incluyendo la inteligencia artificial y los algoritmos de priorización, la cual se considera efectiva si se realizan las pruebas necesarias que garanticen confiabilidad y precisión. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 34 Desde una perspectiva comercial, la propuesta aborda necesidades específicas no satisfechas en el sector. No obstante, la implementación exitosa dependerá de abordar las preocupaciones sobre la escalabilidad y la personalización de las alertas, lo que podría influir en la percepción de valor de la solución. • Definición de plan de acción para abordar las preocupaciones o incorporar mejoras sugeridas Para abordar las preocupaciones sobre la confiabilidad de las alarmas proactivas y la precisión en la priorización de citas, se implementará un proceso de revisión y optimización de los algoritmos utilizados, asegurando que sean adaptativos y precisos. Además, se llevará a cabo un programa de capacitación para el personal médico y administrativo, centrado en el uso eficaz del sistema y en la interpretación de las alertas generadas. Para garantizar la escalabilidad, se establecerán pruebas piloto que evalúen el rendimiento del sistema ante un aumento en el volumen de pacientes, permitiendo ajustes necesarios antes de su implementación completa. Estas acciones se complementarán con un canal de retroalimentación constante para identificar y resolver cualquier inquietud que surja durante el proceso. • Recomendaciones para la siguiente fase de desarrollo basadas en la retroalimentación Para la próxima fase de desarrollo, se recomienda la realización de unas pruebas robustas que garanticen los requerimientos de acuerdo la especificación funcional y técnica, junto con la creación de un plan de capacitación que incluya soporte continuo para el personal. Además, se deben establecer canales de comunicación abiertos para que los usuarios puedan expresar inquietudes y sugerencias de manera constante. Por último, elaborar un plan que contemple la escalabilidad del sistema, asegurando que pueda adaptarse a futuros aumentos en la carga de trabajo y la complejidad de los casos. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 35 4. MODELO DE NEGOCIO INNOVADOR 4.1. Canvas de modelo de negocio. El Canvas del modelo de negocio, TABLA 2, detalla los elementos clave necesarios para su implementación. Este modelo incluye la identificación de socios, actividades y recursos esenciales, así como la propuesta de valor que ofrece la solución. Además, se abordan las relaciones con los clientes y los segmentos de clientes a los que se dirige, así como los canales de distribución. También se contemplan la estructura de costos y las fuentes de ingresos, proporcionando una visión integral de cómo funcionará el proyecto en su totalidad. Tabla 2 Canvas del modelo de negocio AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 36 4.2. Propuesta de valor canvas La propuesta de valor presentada en el lienzo de valor (FIGURA 4) se enfoca en ofrecer atención eficiente a pacientes diabéticos mediante un sistema de agendamiento optimizado y el uso de análisis predictivo impulsado por inteligencia artificial. Figura 4 Propuesta de valor 5. PLAN DE IMPLEMENTACIÓN BAJO METODOLOGÍAS ÁGILES 5.1. Roadmap de innovación y metodología de desarrollo El proyecto tiene como visión principal la automatización del sistema de agendamiento de citas, priorizando a los pacientes según su nivel de riesgo, y el desarrollo de un modelo predictivo basado en redes neuronales artificiales para anticipar posibles complicaciones. Este enfoque permitirá identificar de manera temprana a aquellos pacientes con mayor riesgo de complicaciones, lo que optimizará la asignación de recursos y mejorará la eficiencia en la gestión de citas. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 37 A largo plazo, el proyecto busca transformar la atención al paciente, haciendo el proceso más eficiente y personalizado. Para asegurar la flexibilidad y adaptabilidad a cambios durante el desarrollo, se ha optado por una metodología ágil, que fomenta la colaboración continua entre los equipos y facilita una rápida iteración y mejora del sistema. El roadmap del proyecto se encuentra adjunto en el ANEXO G. ROADMAP DE INNOVACIÓN y detalla los hitos y fechas, abarcando las fases, entregables y dependencias. Entre los riesgos potenciales se encuentran la falta de adopción del sistema por parte de los usuarios y dificultades técnicas en la integración del modelo predictivo, mientras que las oportunidades de mejora se centran en la personalización del sistema según el feedback recibido y la posibilidad de extender las funcionalidades a otras áreas de atención. El proyecto se divide en tres fases clave, cada una con tareas críticas esenciales para su éxito. En la fase de Investigación y Análisis, las tareas críticas incluyen el análisis de necesidades para comprender los problemas y requisitos del sistema, así como el estudio de viabilidad para asegurar que la solución sea factible tanto técnica como económicamente. En la fase de Sistema de Priorización y Agendamiento, las tareas críticas abarcan el desarrollo del prototipo, la integración del algoritmo de Framingham para priorizar citas según el riesgo, y la realización de pruebas, capacitación del personal y despliegue del sistema. Finalmente, en la fase de Desarrollo del Análisis Predictivo con IA, las tareas críticas incluyen la creación de un modelo predictivo basado en redes neuronales, la realización de pruebas rigurosas, la capacitación del personal médico y el despliegue del modelo para anticipar complicaciones y mejorar la atención al paciente. En cada fase, la ejecución efectiva de estas tareas críticas es fundamental para garantizar que el sistema sea funcional, eficiente y adoptado adecuadamente por los usuarios. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 38 5.2. Equipo y recursos necesarios Para llevar a cabo este proyecto de innovación, se ha estructurado un equipo multidisciplinario que incluye roles específicos para asegurar un enfoque integral y efectivo. La composición del equipo, ver FIGURA 5 ESTRUCTURA Y ROLES CLAVES DEL EQUIPO DE INNOVACIÓN. Figura 5 Estructura y roles claves del equipo de innovación • Gerente de Proyecto: Coordina y supervisa las actividades del equipo, asegurando que el proyecto se mantenga dentro del cronograma y presupuesto. • Product Owner: Responsable de definir y priorizar los requisitos del proyecto, garantizando que se alineen con las necesidades de los usuarios y los objetivos del negocio. • Scrum Máster: Facilita el proceso ágil, asegurando la comunicación efectiva entre los miembros del equipo y removiendo obstáculos que puedan afectar el progreso. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 39 • Especialista en IA: Encargado de desarrollar y optimizar el modelo predictivo, asegurando que esté basado en algoritmos robustos y adaptados a los datos disponibles. Experiencia en machine learning y análisis de datos. • Desarrollador de Software: responsable del desarrollo e integración del sistema de agendamiento, asegurando que sea escalable y fácil de usar. Posee habilidades en lenguajes de programación relevantes y experiencia en desarrollo de aplicaciones. • Analista de Datos: Se encargará de analizar los datos necesarios para el modelo predictivo, extrayendo insights y garantizando la calidad de la información. Cuenta con ominio en herramientas de análisis de datos y visualización. • Usuarios Clave Expertos en Salud: Proporcionan conocimientos prácticos y validación de los requisitos, asegurando que el sistema responda a las necesidades del sector salud. Cuenta con conocimiento profundo de los procesos de atención médica. • Representante del Personal Médico y de los Pacientes: Actúa como vínculo entre el equipo de desarrollo y los usuarios finales, facilitando la comunicación y la retroalimentación. Cuenta con conocimientos en atención al paciente, así como de sus necesidades y requerimientos. El plan de contratación es fundamental para asegurar que el equipo de innovación cuente con las habilidades y competencias necesarias para alcanzar los objetivos del proyecto. Se buscará un gerente de proyecto interno con experiencia en gestión de proyectos de innovación; si no se encuentra un candidato adecuado, se considerará la contratación externa. El Product Owner será un candidato interno con experiencia en gestión de proyectos y un profundo conocimiento del sector salud, mientras que se buscará preferiblemente un Scrum Máster interno con certificación en Scrum, recurriendo a la contratación externa si no hay personal disponible. Para los roles de Especialista en IA y Desarrollador, se optará por la contratación externa de un proveedor de tecnología especializado en inteligencia artificial y machine learning. En el caso del analista de datos, se priorizará la búsqueda de un candidato interno, aunque se considerará la contratación externa si es necesario. Los usuarios clave expertos en salud serán personal interno de la organización, como médicos y AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 40 enfermeras, dispuestos a colaborar, y los representantes del personal médico y de los pacientes se seleccionarán de los diferentes departamentos de salud y asociaciones de pacientes. Figura 6 The scrum framework La figura anterior (FIGURA 6), presenta el marco de trabajo Scrum diseñado para el desarrollo del proyecto, destacando sus componentes clave y el flujo de trabajo. Incluye roles fundamentales como el Product Owner, el Scrum Máster y el Equipo de Desarrollo. Además, se ilustran los eventos esenciales, como la planificación, las revisiones de Sprint y las retrospectivas, que aseguran la adaptación continua y la mejora del proceso. Por último, se visualizan los artefactos principales, como el Product Backlog y el Sprint Backlog, que ayudan a priorizar y gestionar el trabajo a lo largo del proyecto. Además, se identificaron las necesidades de capacitación, recursos tecnológicos y espacios físicos, así como la necesidad de definir un presupuesto y considerar recursos externos. También se destacó la importancia de establecer estrategias y métricas para fomentar una cultura de innovación dentro de la organización. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 41 • Capacitaciones - Metodologías Ágiles: Talleres para el equipo sobre Scrum y Kanban. - Herramientas de Análisis de Datos: Capacitación en software específico para el analista de datos. • Recursos tecnológicos necesarios - Software de Agendamiento: sistema especializado que gestione citas, priorizando según el nivel de riesgo. - Desarrollo del Modelo Predictivo: Se utilizarán redes neuronales artificiales para crear un modelo predictivo. - Bibliotecas específicas para crear y entrenar algoritmos predictivos. - Integración de Sistemas: Uso de APIs para permitir la comunicación entre el nuevo sistema de agendamiento y el sistema existente, así como para la sincronización de datos de pacientes y resultados médicos. - Almacenamiento de Datos: Base de datos segura para garantizar la confidencialidad e integridad de la información médica. - Servidores y dispositivos para pruebas, así como estaciones de trabajo para cada miembro del equipo. • Espacio físico requerido: - Zonas de trabajo colaborativo: Espacios abiertos para fomentar la comunicación. - Salas de reuniones: Equipadas con tecnología para videoconferencias y presentacione • Presupuesto estimado desglosado por categorías - Personal: Salarios para los roles permanentes y costos de contratación externa. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 42 - Capacitación: Costos asociados a cursos y talleres. - Tecnología: Gastos en software, hardware y licencias. - Espacio Físico: Costos de alquiler y mantenimiento. • Recursos externos necesarios: Proveedores de Tecnología. • Plan de gestión del conocimiento y colaboración: Se implementará un sistema de documentación que capture las lecciones aprendidas, mejores prácticas y recursos utilizados a lo largo del proyecto, facilitando la colaboración y el intercambio de conocimientos. • Estrategia para fomentar una cultura de innovación en el equipo Se incentivará la creatividad y la colaboración mediante: - Sesiones regulares de brainstorming. - Un ambiente de trabajo flexible y abierto al cambio. • Métricas para evaluar el desempeño del equipo de innovación, ver TABLA 3. METRIAS DE EVALUACIÓN DE DESEMPEÑO Tabla 3 Métricas de cumplimiento MÉTRICA DEFINICIÓN FORMULA Cumplimiento de plazos Mide la proporción de tareas dentro del tiempo establecido. 𝐶𝑢𝑚𝑝𝑙𝑖𝑚𝑖𝑒𝑛𝑡𝑜 𝑑𝑒 𝑝𝑙𝑎𝑧𝑜𝑠 (%) = 𝑇𝑎𝑟𝑒𝑎𝑠 𝑐𝑜𝑚𝑝𝑙𝑒𝑡𝑎𝑑𝑎𝑠 𝑎 𝑡𝑖𝑒𝑚𝑝𝑜 𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑡𝑎𝑟𝑒𝑎𝑠 *100% Calidad del producto (Resultados de pruebas) Evalúa el porcentaje de resultados de pruebas que cumplen con los 𝐶𝑎𝑙𝑖𝑑𝑎𝑑 𝑑𝑒𝑙 𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜 (%) = 𝑁° 𝑒𝑠𝑐𝑒𝑛𝑎𝑟𝑖𝑜𝑠 𝑑𝑒 𝑝𝑟𝑢𝑒𝑏𝑎 𝑒𝑥𝑖𝑡𝑜𝑠𝑜𝑠 𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑒𝑠𝑐𝑒𝑛𝑎𝑟𝑖𝑜𝑠 *100% AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 43 estándares de calidad establecidos. Satisfacción del usuario (medida a través de encuestas y entrevistas Mide el nivel de satisfacción del usuario a partir de encuestas y entrevistas, generalmente expresado en una escala. 𝑆𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑐𝑖ó𝑛 𝑑𝑒𝑙 𝑢𝑠𝑢𝑎𝑟𝑖𝑜 (%) = 𝑁° 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎𝑠 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑎𝑠 𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎𝑠 *100% 6. ANÁLISIS FINANCIERO Y DE IMPACTO 6.1. Proyecciones financieras y ROI de innovación Actualmente, la IPS cuenta con 162 enfermeras encargadas de la atención a pacientes con riesgo cardiovascular, lo que genera un costo mensual de $688.364.853. La población de pacientes diabéticos atendidos corresponde a 213.265 personas, de las cuales aproximadamente 57.583 están descompensadas y 155.584 compensadas. Cada paciente diabético compensado tiene un costo promedio anual de $2.752.774, mientras que el costo de un paciente descompensado asciende a $3.076.947, lo que representa una diferencia de $324.173 al año por cada paciente. Teniendo en cuenta que la IPS cuenta con infraestructura establecida que puede aprovecharse para el proyecto, se estima que los costos y gastos del primer año serían aproximadamente de $506.242.152. La principal fuente de ingresos del proyecto sería el margen de utilidad por la compensación de pacientes diabéticos, por lo que se requiere que el proyecto logre, como mínimo, una mejora sostenida en la compensación de 1.562 pacientes, lo cual equivale a un 3% de los pacientes AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 44 actualmente descompensados. Si se logra negociar un valor de $3.000 por paciente, la tasa interna de retorno del proyecto sería de 88,6%, con un periodo de recuperación de 1,21 años. Para alcanzar el punto de equilibrio, se requeriría la inclusión de al menos 131.204 pacientes en el proyec Un punto clave para el éxito del proyecto es la reubicación del equipo de enfermería, o al menos de su presupuesto, para que se enfoquen en actividades de mayor impacto que movilicen las metas terapéuticas de los pacientes. Esto permitiría alcanzar al menos la compensación del 3% de la población diabética, lo cual haría el proyecto rentable y atractivo para potenciales clientes, como las EPS y el gobierno. En el Anexo H se encuentran las proyecciones financieras del proyecto, que ofrecen un análisis detallado de los ingresos y gastos esperados a lo largo de los próximos años. Estas proyecciones incluyen estimaciones sobre la inversión inicial, costos operativos, ingresos por servicios, y un desglose de los márgenes de beneficio. Además, se presentan diferentes escenarios que permiten evaluar el impacto de diversas variables en la viabilidad financiera del proyecto. Si las proyecciones financieras del proyecto resultan inviables, se activará un plan de contingencia en varias fases. En primer lugar, se realizará una revisión exhaustiva de las proyecciones financieras y se ajustarán los costos operativos para mejorar la eficiencia y reducir gastos innecesarios. Simultáneamente, se reevaluará el modelo de negocio con el objetivo de optimizar los ingresos, enfocándose en las funcionalidades clave del sistema que generen un retorno de inversión rápido. Se establecerá un monitoreo financiero continuo, con informes trimestrales que permitirán realizar ajustes oportunos según los resultados. Además, se desarrollará una estrategia de comunicación clara para mantener informados a todos los stakeholders, asegurando su apoyo. Si estas acciones no logran revertir la situación, se procederá a evaluar la viabilidad a largo plazo del proyecto, con el fin de tomar decisiones informadas sobre su continuidad. Este plan tiene como objetivo garantizar la sostenibilidad del proyecto mediante ajustes financieros y estratégicos AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 45 6.2. Impacto social y ambiental Se ha evaluado los impactos sociales y ambientales, detallados en el Anexo I. IMPACTOS SOCIAL Y AMBIENTAL. Esta evaluación incluye subcategorías como el uso de recursos naturales, generación de residuos, emisiones de gases y eficiencia energética, considerando aspectos como la utilización de servidores en la nube, el reciclaje de hardware y el desarrollo de código eficiente. En el ámbito social, se han abordado subcategorías que incluyen acceso y equidad, impacto en el empleo —con énfasis en la reubicación del personal—, mejora en los resultados de salud y calidad de vida, así como el desarrollo de capacidades y el bienestar general. Esta evaluación proporciona un marco claro para entender y mitigar los efectos del proyecto en estas áreas clave. 7. GESTIÓN DE RIESGOS Y OPORTUNIDADES El ANEXO J, "MATRIZ DE RIESGOS Y ESTRATEGIAS DE MITIGACIÓN", identifica y evalúa riesgos asociados a la implementación del nuevo sistema, como fallos en el agendamiento, integración inadecuada con plataformas existentes y falsos positivos en alertas, lo que puede causar citas mal programadas, ansiedad en pacientes y sobrecarga para los profesionales de salud. También se abordan riesgos de seguridad de datos, dependencia de proveedores y resistencia al cambio. La matriz describe cada riesgo, definiendo sus causas y consecuencias, y asigna un responsable para su seguimiento. Se evalúa cada riesgo en función de su impacto y probabilidad, clasificándolo adecuadamente y estableciendo controles y planes de mitigación específicos. Finalmente, se crean planes de contingencia para responder a la materialización de los riesgos. Dicha matriz se evaluará trimestralmente para ajustar estrategias y garantizar la optimización del sistema y la mejora continua en la atención de salud. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 46 Adicionalmente, se realiza un análisis de pivote en la TABLA 4. ANALISIS DE PIVOTE, que permite establecer la estrategia original y ajustarla hacia nuevas oportunidades, como la telemedicina y la gamificación en salud. Este enfoque flexible no solo optimiza la gestión de riesgos, sino que también promueve la innovación en la atención sanitaria, mejorando la experiencia del usuario y aumentando la efectividad del sistema. Tabla 4 Matriz Pivote Agrupador Estrategia Original Dirección 1: Pivotar hacia Telemedicina Dirección 2: Pivotar hacia la gamificación en salud Propuesta de Valor Gestión automatizada de la clasificación de pacientes diabéticos, con agendamiento automatizado de citas y laboratorios, además de medicina predictiva Ampliar la oferta a consultas en tiempo real mediante telemedicina, optimizando transporte de los pacientes y teniendo una mayor cobertura a zonas de dificil acceso. Implementar gamificación en salud con el fin de incentivar a los pacientes a cumplir sus propias metas terapeúticas y tener mayor adherencia Segmento de Clientes Pacientes con enfermedades crónicas (diabetes) de la IPS Paciente de díficil acceso, zonas rurales. Seguros y gobierno que les interese una mejor adherencia de los pacientes AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 47 Modelo de Negocio Servicio basado en la gestión del riesgo de salud, reduciendo costos propios de una mala gestión del recurso y de la descompensación de los pacientes Ampliar la oferta a EPS y gobiernos con pacientes con díficil acceso Aseguradores y pacientes con malos resultados de salud. Canales de Distribución Distribución con los médicos, enfermeras y pacientes de la IPS App que permite contacto entre pacientes con celular y/o PC y el médico App que permite gamificar los logros terapeúticos del paciente, desde celular o PC Tecnología Utilizada Software utilizado por médicos y enfermeras, conectado a sistemas de historias clínicas de la IPS Integración de App para videollamadas seguras y registro en tiempo real. App con juegos que incentivan el uso de medicinas y cambios en el estilo de vida Métrica de Éxito Reducción del costo de los pacientes diabéticos Número de pacientes de áreas rurales y dispersas alcanzadas Mjeorías de las metas terapéuticas de los pacientes diabéticos Por último, se elabora la matriz del GRAFICO, MATRIZ ANSOFF, cuyo objetivo es identificar oportunidades de crecimiento mediante la evaluación de estrategias de penetración de mercado, desarrollo de productos, expansión a nuevos mercados y diversificación. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 48 8. MÉTRICAS DE ÉXITO Y KPIS DE INNOVACIÓN 8.1. OKRs (Objectives and Key Results) del proyecto: Tabla 5 okrs El proyecto tiene como objetivos principales la reducción de las horas del personal dedicadas a tareas operativas de agendamiento, mediante la implementación de un sistema automatizado que optimice estos procesos. Esto permitirá aumentar el tiempo del personal en actividades más críticas, como la educación en salud, lo que mejorará tanto la calidad de la atención como el seguimiento de los pacientes. Además, se busca reducir el porcentaje de pacientes diabéticos descompensados mediante un monitoreo más proactivo y una mejor gestión de su atención. El proyecto también tiene como objetivo disminuir el número de laboratorios repetidos y la frecuencia inadecuada de atenciones causadas por errores en el agendamiento, lo que optimiza el uso de recursos y mejora la eficiencia operativa. A su vez, se trabajará en la reducción de los tiempos de espera, mejorando la atención a los pacientes al hacerla más ágil y precisa. Finalmente, se pretende reducir los costos asociados con la atención al eliminar ineficiencias administrativas y clínicas, garantizando una atención de mejor calidad, más accesible y con menos recursos. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 49 8.2. Métricas de innovación (ej. tasa de adopción, NPS): Tabla 6 Cuadro de mando de innovación} AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 50 9. PLAN DE GESTIÓN DEL CAMBIO Y ADOPCIÓN El Plan de Gestión del Cambio y Adopción se centra en informar y comprometer a todas las partes interesadas, garantizando que tanto el personal interno como los usuarios externos comprendan los beneficios del nuevo sistema y su impacto en la atención médica. La estrategia de comunicación se orientará a fomentar la retroalimentación y la participación en el proceso de implementación. En la tabla 7. PLAN DE GESTIÓN DEL CAMBIO Y ADOPCION, se da más detalle de dicho plan: Tabla 7 Plan de gestión del cambio y adopción ELEMENTO DESCRIPCIÓN Objetivos de Comunicación - Asegurar que todos los involucrados estén informados sobre los cambios y sus beneficios. - Facilitar la aceptación del nuevo sistema y reducir la resistencia al cambio. - Proporcionar información continua y actualizaciones sobre el progreso del proyecto. - Fomentar un ambiente de colaboración y apoyo entre el personal. Temáticas Claves - Hitos Relevantes: Definición y aprobación del proyecto, finalización del desarrollo, implementación de fases y evaluación de resultados. - Cumplimiento del Cronograma: Monitoreo del progreso, identificación de AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 51 retrasos y ajustes necesarios. - Presupuesto: Establecimiento y seguimiento de gastos, reportes de desviaciones. - Resultados de Pruebas: Planificación y evaluación de pruebas, documentación de incidencias. - Entregables: Definición y revisión de entregables, aseguramiento de calidad. - Capacitaciones: Desarrollo y ejecución de programas de capacitación, evaluación de efectividad. Audiencia clave Internas: - Personal médico (médicos y enfermeras) - Gerentes de área - Promotor de tecnología Externas: - Pacientes y sus familias - Proveedores de servicios de salud - Asociaciones de pacientes Canales de Comunicación Internos: - Correo electrónico - Reuniones informativas - Talleres Externos: - Sitio web institucional - Redes sociales - Boletines informativos y folletos para pacientes AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 52 Los mensajes clave para cada audiencia son: - Para el personal médico, "Este nuevo sistema optimiza la gestión de citas y mejora la atención al paciente, permitiéndoles enfocarse más en la calidad del servicio." - Para los gerentes de área, "La implementación de este sistema permitirá una gestión más eficiente de los recursos y mejorará la satisfacción del paciente." - Para pacientes y familias, "El nuevo sistema mejorará su experiencia de agendamiento de citas, brindando más opciones y reduciendo tiempos de espera." Para evaluar la efectividad de la comunicación, se implementarán métricas como encuestas de satisfacción y comprensión entre el personal y los pacientes, análisis de la participación en reuniones y talleres, monitoreo de la retroalimentación a través de los canales de comunicación, y seguimiento del número de consultas y solicitudes de información sobre el nuevo sistema. 10. CULTURA DE INNOVACIÓN Y MEJORA CONTINUA Para cultivar un entorno innovador, es fundamental establecer valores y comportamientos que promuevan la creatividad y la experimentación. Estos incluyen: - Colaboración: Fomentar el trabajo en equipo y la comunicación abierta entre departamentos. - Apertura al Cambio: Valorar la adaptabilidad y la disposición para probar nuevas ideas y enfoques. - Curiosidad: Incentivar la exploración y el aprendizaje continuo, promoviendo la investigación y la adquisición de nuevos conocimientos. - Responsabilidad: Promover un sentido de propiedad sobre los proyectos y fomentar la toma de decisiones proactivas. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 53 - Empatía: Comprender las necesidades de los clientes y de los compañeros, orientando la innovación hacia soluciones que aporten valor. Así mismo, la implementación de un programa de incentivos para la innovación, que busque motivar a los empleados a participar activamente en el proyecto, que incluya: - Bonificaciones: Ofrecer un incentivo económico por la implementación exitosa del proyecto. - Capacitación: Ofrecer oportunidades de formación en áreas relacionadas con la innovación, metodologías ágiles, manejo del software y análisis de datos. Por otro lado, para gestionar la resistencia al cambio de manera efectiva, el plan comprenderá: - Plan de comunicación - Capacitación y soporte. - Participación - Liderazgo comprometido - Evaluación continua del progreso y la aceptación del cambio. CONCLUSIONES Y RECOMENDACIONES • La implementación de un programa de automatización y medicina predictiva basado en inteligencia artificial tiene el potencial de transformar significativamente la eficiencia en el agendamiento de consultas y laboratorios clínicos para pacientes diabéticos en Manizales. • A través del análisis del entorno actual y la identificación de factores que afectan la gestión de las metas terapéuticas, se ha podido diagnosticar las ineficiencias AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 54 existentes y proponer soluciones concretas. La validación de la propuesta sugiere que un sistema que clasifique a los pacientes según su riesgo cardiovascular y priorice el agendamiento puede mejorar el control glucémico y reducir complicaciones. Además, el desarrollo de un modelo predictivo basado en redes neuronales permitirá identificar de manera precisa los riesgos de complicaciones, optimizando el tiempo del personal de enfermería. Esto facilitará un enfoque más centrado en la atención clínica, al tiempo que generará un ahorro significativo en costos relacionados con el control de complicaciones y la gestión eficiente de recursos. • Se sugiere a la unidad prestadora de salud reforzar la cultura de innovación y gestión del cambio, promoviendo la capacitación continua del personal y la apertura a nuevas tecnologías. Esto no solo facilitará la adopción del sistema, sino que también fomentará un entorno proactivo hacia la mejora continua en la atención de los pacientes. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 55 REFERENCIAS Universidad Javeriana, & Autores, V. (2023, marzo 14). La evolución del sistema de salud colombiano. Revista Pesquisa Javeriana. https://www.javeriana.edu.co/pesquisa/la- evolucion-del-sistema-de-salud/ Ministerio de Salud de Colombia. (2023). Reducir el riesgo de la atención en pacientes cardiovasculares. Ministerio de Salud. https://www.minsalud.gov.co/salud/Documents/CalidadAtenci%C3%B3nEnSalud/Observ atorio/RIESGO%20CARDIOVASCULAR.pdf https://www.javeriana.edu.co/pesquisa/la-evolucion-del-sistema-de-salud/ https://www.javeriana.edu.co/pesquisa/la-evolucion-del-sistema-de-salud/ https://www.minsalud.gov.co/salud/Documents/CalidadAtenci%C3%B3nEnSalud/Observatorio/RIESGO%20CARDIOVASCULAR.pdf https://www.minsalud.gov.co/salud/Documents/CalidadAtenci%C3%B3nEnSalud/Observatorio/RIESGO%20CARDIOVASCULAR.pdf AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 56 Melo-Becerra, L. A., Arango, L. E., Ávila-Montealegre, O. I., Ayala-García, J., Bonilla- Mejía, L., Botero-García, J. A., Crispin-Fory, C., Cardona, M., Gallo, D., Granger-Castaño, C., Guzmán-Finol, K., Iregui-Bohórquez, A. M., Ospina-Tejeiro, J. J., Pinilla-Alarcón, D. E., Posso-Suárez, C. M., Ramírez-Giraldo, M. T., Ramos-Forero, J. E., Ramos-Veloza, M. A., Restrepo-Tobón, D. A., & Vásquez-Escobar, D. (2023, octubre 2). Aspectos financieros y fiscales del sistema de salud en Colombia. Revista Ensayos Sobre Política Económica (ESPE). Portal de Investigaciones Económicas. https://investiga.banrep.gov.co/es/espe/espe106 Ministerio de Salud de Colombia. (2018). Política nacional de talento humano en salud. Ministerio de Salud. https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/TH/politica- nacional-talento-humano-salud.pdf Marin, J. (2022, abril 21). Doce tendencias para el sector de la salud. Forbes Argentina. https://www.forbesargentina.com/columnistas/doce-tendencias-sector-salud-n15070 Garmendia, L. S. (2024, abril 12). Salud 4.0: La revolución de la IA desde la perspectiva de la innovación. Forbes México. https://forbes.com.mx/salud-4-0-la-revolucion-de-la-ia- desde-la-perspectiva-de-la-innovacion/ M, J. R. (2023, septiembre 25). Las EPS con problemas financieros o que se encuentran en liquidación. Portafolio.co. https://www.portafolio.co/negocios/industrias/seis-eps-del- pais-que-han-reportado-tener-problemas-financieros-o-se-encuentran-en-proceso-de- liquidacion-589527 https://investiga.banrep.gov.co/es/espe/espe106 https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/TH/politica-nacional-talento-humano-salud.pdf https://www.minsalud.gov.co/sites/rid/Lists/BibliotecaDigital/RIDE/VS/TH/politica-nacional-talento-humano-salud.pdf https://www.forbesargentina.com/columnistas/doce-tendencias-sector-salud-n15070 https://forbes.com.mx/salud-4-0-la-revolucion-de-la-ia-desde-la-perspectiva-de-la-innovacion/ https://forbes.com.mx/salud-4-0-la-revolucion-de-la-ia-desde-la-perspectiva-de-la-innovacion/ https://www.portafolio.co/negocios/industrias/seis-eps-del-pais-que-han-reportado-tener-problemas-financieros-o-se-encuentran-en-proceso-de-liquidacion-589527 https://www.portafolio.co/negocios/industrias/seis-eps-del-pais-que-han-reportado-tener-problemas-financieros-o-se-encuentran-en-proceso-de-liquidacion-589527 https://www.portafolio.co/negocios/industrias/seis-eps-del-pais-que-han-reportado-tener-problemas-financieros-o-se-encuentran-en-proceso-de-liquidacion-589527 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 57 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 58 A. Anexo. Mapa de empatía aplicado a la gerencia de la IPS. B. Anexo. Mapa de empatía aplicado a los pacientes diabéticos C. Anexo. Definición del problema utilizando "How Might We" (HMW): AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 59 D Anexo. Análisis de tecnologías emergentes E Anexo. Prototipo conceptual inicio de sesión AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 60 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 61 F. Anexo Análisis de competidores y potenciales colaboradores AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 62 G Anexo. Roadmap de innovación AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 63 H. Anexo. Proyecciones financieras del proyecto. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 64 AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 65 I. Anexo. Impacto social y ambiental del proyecto. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 66 J. Anexo. Matriz de riesgos AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 67 ID úni co Descripción del riesgo Causa y consencu encia Nombre y rol del(los) propietario (s) del riesgo Riesgo inherente Controles Nombre y rol del(los) propietario (s) del control Riesgo residual Plan de contigena cia Probab ilidad Imp acto Calific ación del riesgo Probab ilidad residua l Imp acto resi dual Calific ación de riesgo residu a 1 Fallos en el Sistema Automatizado de Agendamiento Causa: Errores en el algoritmo de priorizació n o en la integració n del sistema. Consecue ncia: Citas mal programa das, aumento de tiempos de espera y sobrecarg a de trabajo para los profesion Equipo de TI y desarrollad ores del sistema. Medio Alto Severo Crear un plan de pruebas detallado que incluya casos de prueba para diferentes escenario s de uso. Gerente de proyecto y usuarios claves Bajo Alto Severo Activar el sistema manual de agendami ento y priorizar citas urgentes ante fallos en el sistema automatiz ado. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 68 ales de salud. 2 Integración Inadecuada con Sistemas Existentes Causa: Incompati bilidad entre el nuevo sistema y las plataform as de gestión de salud ya existentes . Consecue ncia: Dificultad es en el flujo de informaci ón, lo que puede generar errores en el agendami ento y en Equipo de TI y desarrollad ores del sistema. Medio Alto Severo Document ar las especifica ciones técnicas y verificar que cumplan con los estándare s de interopera bilidad. Usuarios claves Bajo Alto Severo Plan de integració n alternativ o que incluya pruebas en entornos controlad os y una evaluació n continua del flujo de informaci ón para corregir errores rápidame nte. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 69 el análisis de datos 3 Falsos Positivos en Alertas Proactivas Causa: Inexactitu d en los algoritmo s de IA que analizan datos clínicos. Consecue ncia: Generació n de alarmas innecesari as, provocan do ansiedad en pacientes y pérdida de confianza en el sistema. Equipo de análisis de datos y desarrollo de IA Medio Alto Severo Realizar análisis de desempe ño de los modelos y ajustar parámetro s para mejorar la precisión de las prediccio nes Desarrollo de IA, usuarios claves Bajo Medi o Moder ado Implemen tar un sistema de revisión manual de alertas críticas y proporcio nar capacitaci ón al personal sobre la gestión de alarmas. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 70 4 Resistencia al Cambio por Parte del Personal de Salud Causa: Falta de capacitaci ón o insegurida d en el uso del nuevo sistema. Consecue ncia: No utilización del sistema optimizad o, reduciend o los beneficios esperados del proyecto. RRHH y formación Medio Medi o Moder ado Establece r unp lan capacitaci ón y de comunica ción claro y transpare nte sobre el cambio. Gestión del cambio Bajo Medi o Moder ado Desarrolla r un programa de soporte continuo y sesiones de retroalime ntación para abordar inquietud es y facilitar la adopción del nuevo sistema. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 71 5 Seguridad de Datos y Privacidad Causa: Vulnerabil idades en la infraestru ctura de TI o errores humanos en el manejo de datos sensibles. Consecue ncia: Fugas de informaci ón confidenci al y violación de normativa s de protecció n de datos. IT y ciberseguri dad Medio Alto Severo Implemen tar cifrado de datos, establece r políticas estrictas de autentica ción y cumplimi ento normativo . IT y ciberseguri dad, desarrollo Bajo Alto Severo Realizar auditorías regulares de seguridad y capacitar al personal sobre mejores prácticas en manejo de datos para prevenir vulnerabili dades. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 72 6 Ahorro de Costos No Realizado Causa: Inadecua da implemen tación del sistema o subestima ción de costos operativos . Consecue ncia: Resultado s financiero s por debajo de lo esperado, afectando la viabilidad del proyecto. Gerencia Bajo Alto Severo Realizar un análisis exhaustiv o de todos los costos asociados con la implemen tación del sistema y su operación Gerente de proyecto Bajo Alto Severo Establece r un seguimien to financiero mensual y ajustar el presupue sto según los hallazgos para asegurar la viabilidad del proyecto. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 73 7 Dependencia de Proveedores de Tecnología Causa: Subcontra tación de servicios de tecnología sin un plan de contingen cia. Consecue ncia: Posibles retrasos en el desarrollo o soporte insuficient e, afectando la operación del sistema. Gerencia Medio Medi o Moder ado Realizar una evaluació n detallada de los proveedor es antes de la contrataci ón. Gerente de proyecto Bajo Medi o Moder ado Desarrolla r un plan de contingen cia que incluya proveedor es alternativ os y establece r acuerdos de nivel de servicio (SLA) claros para asegurar el soporte continuo. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 74 8 Escalabilidad del Sistema Causa: Diseño inadecua do para el crecimien to del número de usuarios o expansión de servicios. Consecue ncia: Rendimie nto del sistema degradad o, afectando la experienci a del usuario y la eficiencia operativa. Desarrollo Medio Alto Severo Utilizar patrones de diseño escalable s, que faciliten la adición de nuevos compone ntes sin afectar el rendimien to del sistema existente. Gerente de proyecto, desarrollo. Bajo Alto Severo Realizar pruebas de carga regulares y ajustar la infraestru ctura para garantizar un rendimien to óptimo a medida que crece el número de usuarios y servicios. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 75 9 Capacitación Inadecuada del Personal Causa: Programa s de capacitaci ón insuficient es o mal diseñados . Consecue ncia: Uso ineficaz del sistema por parte del personal, limitando los beneficios de optimizaci ón y personaliz ación. RRHH y formación Alto Medi o Severo Diseñar e Implemen tar un Programa de Capacitac ión Efectivo Gestión del cambio Bajo Medi o Moder ado Desarrolla r un programa de soporte continuo y sesiones de retroalime ntación para abordar inquietud es y facilitar la adopción del nuevo sistema. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 76 10 Cambios en la Normativa Regulatoria Causa: Nuevas leyes o regulacion es que afecten la implemen tación de tecnología s de salud. Consecue ncia: Necesida d de adaptar el sistema, lo que puede causar retrasos y costos adicionale s. Equipo legal Bajo Alto Severo Establece r un sistema proactivo para monitorea r, evaluar y adaptarse a los cambios en la normativa regulatori a que puedan impactar la implemen tación. Equipo legal, IT Bajo Alto Severo Crear un equipo dedicado a la vigilancia regulatori a y realizar revisiones periódicas del sistema para garantizar la conformid ad con las nuevas normativa s. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 77 11 Fallos en el Análisis Predictivo Causa: Algoritmo s que no se actualizan con datos recientes o patrones cambiant es. Consecue ncia: Prediccio nes inexactas sobre riesgos de pacientes, comprom etiendo la atención oportuna. Equipo de análisis de datos y desarrollo de IA Medio Alto Severo Implemen tar un sistema de mantenim iento regular y actualizac ión de los algoritmo s de análisis predictivo para garantizar la precisión y relevancia de las prediccio nes sobre riesgos de pacientes. Desarrollo de IA, usuarios claves Bajo Alto Severo Establece r un protocolo de revisión periódica de datos y algoritmo s, incluyend o validacion es cruzadas con expertos clínicos para ajustar y mejorar la precisión predictiva . AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 78 12 Actualización y Mantenimiento Insuficientes Causa: Falta de recursos o planificaci ón para mantener el sistema actualizad o. Consecue ncia: Desactual ización del software, lo que puede llevar a vulnerabili dades de seguridad y obsolesce ncia en las funcionali dades. Gerencia, IT Medio Alto Severo Desarrolla r un plan estructura do para el mantenim iento y actualizac ión regular del software, asegurand o su seguridad y funcionali dad continua. IT Bajo Alto Severo Asignar recursos específico s y establece r un calendari o de mantenim iento regular, incluyend o revisiones de seguridad y actualizac iones de funcionali dades. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 79 13 Subestimación del Tiempo de Implementación Causa: Planificaci ón inadecua da y optimism o excesivo en la evaluació n de recursos y tiempos necesario s para la implemen tación. Consecue ncia: Retrasos en la entrega del sistema, lo que puede afectar la confianza de los stakehold ers y la planificaci Gerente de proyecto Medio Alto Severo Realizar una planificaci ón exhaustiv a que considere todos los aspectos del proyecto. Gerente de Proyecto Muy bajo Alto Moder ado Implemen tar revisiones periódicas del progreso y ajustar los plazos según sea necesario AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 80 ón de recursos. 14 Escasa Retroalimentación de los Usuarios Causa: Falta de mecanism os adecuado s para recoger y analizar la retroalime ntación de usuarios, tanto del personal médico como de los pacientes. Consecue ncia: La falta de ajustes y mejoras en el Gerente de proyecto Medio Alto Severo Desarrolla r e implemen tar mecanism os efectivos para recoger, analizar y actuar sobre la retroalime ntación de los usuarios, incluyend o tanto al personal médico como a los pacientes. Gerente de Proyecto Bajo Alto Severo Establece r encuestas regulares y grupos focales para obtener retroalime ntación continua. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 81 sistema basado en la experienci a del usuario puede resultar en una baja aceptació n y en la ineficacia del sistema. AGENDAMIENTO EFICIENTE Y DETECCIÓN DE RIESGOS: INTEGRANDO AUTOMATIZACIÓN Y MACHINE LEARNING EN LA ATENCIÓN MÉDICA DE PACIENTES DIABETICOS. 82