Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Citado por SciELO 
Citado por Google 
Similares en
SciELO 
Similares en Google 
Permalink
Introducción
El Centro Regulador de Urgencias y Emergencias (CRUE) es la entidad encargada en el Sistema de Emergencias Médicas (SEM) de atender las solicitudes de urgencias y emergencias, conocidas como incidentes, que ingresan por medio del Número Único de Emergencia-Línea 123.
La atención inicia con una llamada en la que se le solicita información al ciudadano y por medio de preguntas trazadoras se establece el proceso de regulación médica, el cual determina la criticidad del incidente y, si es necesario o no, el envío de un vehículo de emergencia al sitio, el cual puede ser un transporte asistencial de mediana complejidad (TAM) o un transporte asistencial de baja complejidad (TAB). Posteriormente, el médico regulador determina si se requiere el traslado a una institución hospitalaria, para lo que se contemplan factores como disponibilidad de los servicios y cercanía al incidente.
Los sistemas de emergencias médicas brindan tratamiento de las emergencias de pacientes enfermos o lesionados [1], por lo cual desempeñan un papel vital para dar respuesta a momentos de alta demanda, como sucedió con el covid-19, en la cual se incrementó la demanda de los servicios, por ejemplo, en Nueva York se pasó de tener 4000 llamadas diarias a 7000 llamadas [2], lo cual influye en el tiempo de respuesta, entendido como el tiempo desde que ingresa la solicitud hasta que un vehículo de emergencia llega al sitio donde se presentó el incidente [3].
A pesar que se establecen diferentes estrategias que apoyan al sistema de salud para brindarle a la población una atención, como los programas de teleconsulta o de atención domiciliaria que buscan disminuir el consumo de los recursos de los sistemas de salud [4], el SEM recibe la tarea de soportar la atención donde la alta demanda influye en la respuesta brindada y en su comportamiento en general, es decir, se vuelve la primera línea de defensa para brindar la atención requerida por los pacientes afectados por covid-19 [5].
Para determinar el comportamiento de los incidentes, dado el componente multivariante, se utilizaron técnicas de agrupamiento, priorizando las de mayor impacto para el sistema; la medición está dada por el tiempo de respuesta a los incidentes que obtienen el despacho de vehículo de emergencia, por lo cual este trabajo no abordó el posible traslado al centro de salud. Posteriormente, se realiza un análisis geoespacial, en el que se estudia el comportamiento sobre el mapa de Bogotá.
El presente trabajo busca exponer cómo las técnicas de agrupamiento combinadas con datos y mapas georreferenciados son unas herramientas útiles para efectuar estudios comparativos en el ámbito de la toma de decisiones en el campo de la salud. Estas técnicas aprovechan las ventajas de las bases de datos de alta dimensión y permiten la identificación de patrones que no son evidentes a simple vista y que usualmente se pueden ver solo en zonas específicas. En lo metodológico, el uso de técnicas de agrupamiento y de mapas georreferenciados facilita el análisis de grandes volúmenes de datos, identificando tendencias y desviaciones en el comportamiento de las variables de interés, que en el caso de estudio presente es la atención de incidentes de urgencias. El aporte teórico se da en la toma de decisiones en sistemas de salud, al proporcionar una nueva forma de análisis del comportamiento de los incidentes y proponer mejoras en los procesos de asignación de recursos, en especial en momentos de alta demanda.
1. Análisis estadístico
1.1 Preprocesamiento de datos
Las bases de datos son suministradas por la Secretaría Distrital de Salud de Bogotá; se toman las que corresponden a los años 2018 al 2021, y de esta manera se cubren los dos momentos de análisis del estudio, la época precovid-19 o momento uno, definido por los años 2018 y 2019 (937 276 registros) y la época de pandemia o momento dos, los años 2020 y 2021 (1 178 800 registros). Las variables utilizadas son: tipo de incidente, prioridad final, tipo de la ambulancia, fecha y hora inicial del incidente, fecha y hora de la recepción en el CRUE, fecha y hora 518-despacho del vehículo, fecha y hora 523-llegada del vehículo al sitio, localidad, coordenada x-longitud y coordenada y-latitud.
Después del proceso de limpieza de la base de datos, para omitir los datos faltantes o con información que presentó algún tipo de error, y dejando solo los registros con despacho, se tiene la cantidad de registros, presentados en la tabla 1.
Tabla 1 Cantidad de registros en cada uno de los años de estudio
| 2018 | 2019 | 2020 | 2021 | |
| Cantidad de registros | 120 247 | 136 781 | 89 086 | 92 526 |
Fuente: elaboración propia.
Con el fin de realizar una priorización de los incidentes sobre los cuales se va a realizar el análisis, se aplica un diagrama de Pareto, con el que se seleccionan ocho tipos de incidentes, que representan el 80 % del total de los incidentes, presentados en la tabla 2.
Tabla 2 Incidentes seleccionados para el análisis por la técnica de Pareto
| Incidente | Nombre | Total | Porcentaje | Porcentaje acumulado 1 |
|---|---|---|---|---|
| 940 | Accidente tránsito con heridos / muertos | 105607 | 24 % | 24 % |
| 604 | Evento respiratorio | 61 416 | 14 % | 38 % |
| 613 | Inconsciente / paro cardiorrespiratorio | 50 971 | 12 % | 50 % |
| 924 | Enfermo | 30 212 | 7 % | 57 % |
| 603 | Convulsión | 29 320 | 7 % | 63 % |
| 608 | Heridos accidentales | 28 591 | 7 % | 70 % |
| 941 | Trastorno mental | 24 047 | 5 % | 75 % |
| 605 | Dolor torácico | 18 731 | 4 % | 80 % |
Fuente: elaboración propia.
Adicionalmente, para evaluar si la dimensión de las variables afecta los clústeres, se normalizan los datos por medio de la ecuación (1); de esta manera se tienen bases normalizadas y sin normalizar para las diferentes pruebas.
En la que z ¡ e es cada uno de los datos normalizados, x ¡ es cada uno de los datos, x min el valor mínimo de x, y r es el rango de los datos evaluados.
Estadísticos descriptivos
Se realiza una descripción estadística de los incidentes seleccionados, para comprender su comportamiento y la atención brindada en ambos periodos de estudio. Se determina el nivel de correlación lineal entre las variables, para evitar información redundante en las técnicas de agrupamiento, en las que, al no encontrar correlación entre las variables, se considera adecuado utilizarlas. Igualmente, se realizan diferentes histogramas, para determinar la tendencia de las variables e identificar las medidas estadísticas adecuadas para el análisis.
El tiempo de respuesta durante el período de covid-19 es más alto, con un aumento de 6,37 minutos (mediana). Se observa una mayor variabilidad en los tiempos de respuesta, como se ve en la figura 1, en la que se indican casos atendidos rápidamente y otros con demoras significativas.
Nota: las medidas descriptivas y el eje x están en minutos; se muestra el comportamiento de cada uno de los periodos de estudio, momento 1 (izquierda) y momento 2 (derecha).
Fuente: elaboración propia.
Figura 1 Tiempo de respuesta precovid-19 (momento 1) y covid-19 (momento 2)
En la figura 2 se presenta el comportamiento del tiempo de respuesta para el periodo de la noche (18 horas, a las 6 horas) y el periodo del día (6 horas, a las 18 horas), se identifica un tiempo de respuesta más elevado en el periodo del día, con una diferencia de 3,54 minutos, en el que además se tienen 80 511 incidentes más que en la noche; este incremento, sumado a la dinámica de la ciudad, que aumenta la congestión y ocupación de los servicios, pueden ser los causantes del aumento de los tiempos de respuesta.
Nota: las medidas descriptivas y el eje x están en minutos; se presenta el comportamiento de los incidentes de día (izquierda) y de noche (derecha).
Fuente: elaboración propia.
Figura 2 Tiempos de respuesta en el día y en la noche
En el CRUE se utilizan categorías de prioridad crítica, alta, media y baja para determinar la atención de emergencias. Los despachos se priorizan para las prioridades críticas y altas, en ocasiones para incidentes de prioridad media, y no se debería despachar a los de baja. Se aclara que, en el periodo previo al covid-19, no se contaba con la categoría crítica, clasificándose todas como alta. En la tabla 3 se puede visualizar el comportamiento de los incidentes.
Tabla 3 Medianías de los tiempos de respuesta entre los dos momentos de estudio
| Código del incidente | Incidente | Incidentes covid-19 | Incidentes precovid-19 | Covid-19 (minutos) | Precovid-19 (minutos) | Diferencia (minutos) |
|---|---|---|---|---|---|---|
| 603 | Convulsión | 11 903 | 17 417 | 28,91 | 25,38 | 3,53 |
| 604 | Evento respiratorio | 34 099 | 27 317 | 40,95 | 29 | 11,95 |
| 605 | Dolor torácico | 8616 | 10 115 | 35,08 | 27,83 | 8,15 |
| 608 | Herido accidental | 13 896 | 14 695 | 28,81 | 30,35 | -1,54 |
| 613 | Inconsciente | 21 341 | 29 630 | 27,58 | 23,94 | 3,64 |
| 924 | Enfermo | 11 666 | 18 546 | 49,15 | 35,76 | 13,39 |
| 940 | Accidente de tránsito | 31 827 | 73 780 | 16,46 | 18,96 | -2,5 |
| 941 | Trastorno mental | 11 240 | 12 807 | 122,15 | 79,78 | 42,37 |
Nota: la cantidad de incidentes representan los que tuvieron despacho de un vehículo.
Fuente: elaboración propia.
La mayoría de los incidentes presentan un aumento del tiempo de respuesta en pandemia, en especial el incidente de trastorno mental, con un aumento de 42,37 minutos, el cual puede deberse a la capacidad instalada y a la sobredemanda generada por la pandemia, ya que algunas personas presentaron ansiedad y trastornos de ánimo en este tiempo [6]; además, en estos incidentes se realiza un abordaje telefónico más extenso, previo al envío del vehículo de emergencia.
Mientras que los incidentes de herido accidental y accidente de tránsito son los únicos que presentaron una disminución en la época de la pandemia, principalmente por las políticas de aislamiento, por la rapidez con la cual se podían atender los incidentes, además, al deambular menos personas por las vías públicas, el tiempo de respuesta y la cantidad de solicitudes se beneficiaron, por ejemplo, el accidente de tránsito pasó de 245 410 a 116 929 incidentes (52,3 %), de los cuales se les despacha a 31 827, posterior al proceso de regulación médica.
Pese a que se aumentan los incidentes en la época de pandemia en un 25 % (n=234 524), al pasar de 937 276 a 1 178 800 solicitudes de urgencia, la cantidad de casos que logran ser atendidos con un vehículo de emergencia se reduce de forma general en un 29,23 %.
2. Métodos
La caracterización del comportamiento de los incidentes se realiza por medio de técnicas de agrupa-miento, que buscan concentrar puntos de datos similares en un mismo grupo, mientras que grupos con características distintas se deben asignar en grupos distintos [7]; para esto se aplicaron tres técnicas: mapas autoorganizados de Kohonen, K-Means y DbScan; posteriormente, por medio del módulo de mapas 3D de Microsoft Excel, se realizan los mapas que permiten determinar información de interés geoespacial.
Se ejecutan pruebas con tres bases de datos: la primera, con todas las variables; en la segunda se omite la variable de localidad, y en la tercera, las variables de coordenadas. Para las pruebas de los diferentes clústeres se hace uso del programa Matlab, versión R2023b.
2.1 Mapas autoorganizados de Kohonen
La primera técnica aplicada para la caracterización fue la de los mapas autoorganizados de Kohonen, la cual es un tipo de red neuronal de aprendizaje no supervisado que permite representar de una forma bidimensional diferentes datos de entrada, en la que cada zona del mapa generado es un clasificador de características de los datos [8]. Esta técnica busca crear un mapa de baja dimensión de datos de alta dimensión [9].
Lo primero que se determina para los mapas autoorganizados es el número de neuronas o nodos, que deben ser elegidas por el analista [10]; dada la información disponible, se prevé que muchas divisiones generen datos poco significativos para la interpretación. Por lo tanto, se opta por establecer redes de 3x3, 2x2 y 4x4. Tras evaluar los resultados, se determina que las redes de 3x3 ofrecen los mejores, por lo que se eligen para el análisis.
2.2 K-Means
Es un algoritmo de agrupamiento que separa los datos en "k" grupos, llamados clúster, que tienen similar varianza, minimizando la inercia, la cual es la suma de las distancias al cuadrado de cada objeto al centroide del grupo [11]. Se inicia con las bases separadas para cada uno de los incidentes y por el periodo del día; para esta técnica específica se debe calcular, primero, la cantidad de grupos en los cuales se agruparán los datos [12]; para esto se usan tres técnicas, el método de la silueta [13], el método de Davies-Bouldin [14] y el método de Calinski-Harabasz [15], que permiten estimar el número de clústeres, teniendo en cuenta la distancia o dispersión que tiene el punto dentro y fuera del clúster.
El número de agrupamientos para cada incidente se calcula, primero, verificando si los métodos arrojan valores coincidentes. Si no se obtienen al menos dos números iguales, se selecciona el valor medio de los tres. Luego se realiza una prueba de agrupación y, si el resultado no es satisfactorio, se prueba con otros números de clústeres encontrados con diferentes métodos. Por ejemplo, para el periodo precovid-19, en el incidente de accidente de tránsito se selecciona k=3, dadas las pruebas realizadas que se presentan en la figura 3.
Fuente: elaboración propia.
Figura 3 Cantidad de agrupaciones calculadas para el incidente de accidente de tránsito en el periodo anterior a la pandemia
Se realizan pruebas con la base completa, tanto normalizada como sin normalizar, en la que se observa que la variable "localidad" afecta la técnica, en especial en la base sin normalizar. Además, dado que se busca representar los grupos generados, es inviable hacerlo de forma general con más de tres variables. Por lo tanto, se deciden aplicar componentes principales.
Los componentes principales (PCA) analizan si es posible representar de forma adecuada la información de n observaciones con p variables con un menor número de variables, las cuales son obtenidas como combinaciones lineales de las originales [16]; esto debe determinar el porcentaje de varianza, que se explica de todas las variables por parte de los componentes principales [17].
2.3 Density-Based Spatial Clustering of Applications With Noise (Dbscan)
Es un algoritmo basado en densidad, con el que se busca que los datos se agrupen por regiones densamente pobladas, separándose de regiones poco densas, de tal manera que dos puntos de diferentes regiones consideradas de alta densidad no vayan a ser accesibles [18]. No necesita del número de grupos, en cambio usa dos hiperparámetros: épsilon (EPS) y mínimo de puntos (min_samples). Se crea un clúster cuando hay un mínimo de puntos en una región delimitada por el EPS [19].
El cálculo del mínimo de puntos es importante para el algoritmo, ya que si el valor de MinPts tiene una cifra alta, el número de clústeres es pequeño, pero si se da un número pequeño se tendría una gran cantidad de clúster; en muchos casos, el valor es de cuatro o cinco [20]; dado esto, se decide probar inicialmente con el valor 2p, en el que p es la dimensión de la base de datos. Para calcular el valor de épsilon se consideran los mínimos puntos y la distancia entre cada punto y los k vecinos. Luego se calcula el valor promedio de cada punto y se trazan de forma ascendente para determinar el valor de máxima curvatura, utilizando la función "estimateEpsilon" de Matlab.
Igual que en K-Means, se aplica PCA, así el mínimo de puntos queda comprendido entre cuatro o seis, dependiendo de la cantidad de componentes principales que se encontraron para los diferentes incidentes, y se realiza el cálculo del valor de épsilon; de esta manera se encuentran los dos parámetros necesarios y se realizan las diferentes pruebas con los incidentes separados por día y noche, así como las diferentes bases.
3. Resultados y discusión
3.1 Resultados de los mapas autoorganizados de Kohonen-Som
Inicialmente, se prueba con la base completa, con todos los incidentes seleccionados; como resultado, se encuentra que, de forma general, se realiza una clasificación por el periodo del día en el cual se realiza la atención (diurno y nocturno) y después se agrupan los diferentes incidentes, por ejemplo, para el momento del covid-19 se genera la activación de las neuronas presentadas en la figura 4, las cuales muestran una separación que representa el periodo del día (neuronas 1, 4 y 7) y de la noche (neuronas 3, 6 y 9).
Nota: los números de los hexágonos indican la cantidad de registros que contiene cada neurona; los que aparecen en blanco representan neuronas que no se activaron.
Fuente: elaboración propia.
Figura 4 Activación de las neuronas con la base de covid-19 completa, sin división por tipo de incidente
Sin embargo, el problema que presentan estas agrupaciones es que las mismas neuronas cubren varios tipos de incidente y no se podría obtener información para la explicación de los dos momentos de estudio, por lo cual es recomendable realizar el análisis de forma independiente por cada incidente seleccionado previamente.
Para el análisis de cada uno de los incidentes, presenta un mejor comportamiento la base normalizada. Se profundiza en las pruebas realizadas con el incidente 924-enfermo con TAB para una mejor comprensión de los resultados. Se identifica una división por día y noche, por lo cual se separa la base por estos dos periodos y se vuelve a aplicar el agrupamiento con cada una de las bases de datos. Se observa una división, según la atención brindada por los vehículos TAB y TAM, las prioridades asignadas y el comportamiento en diferentes zonas de la ciudad.
Fuente: elaboración propia.
Figura 5 Agrupaciones de incidentes del periodo día, de prioridad alta, atendidos con vehículo TAB en el momento precovid-19
Para los vehículos de tipo TAB se generan tres divisiones independientes para la prioridad alta, como se ve en la figura 5, las zonas sur y suroccidente tienen los tiempos de respuesta más elevados, con un tiempo de 39,5 minutos, concentrando el 42 % de los incidentes. Durante el período de covid-19, para los incidentes con prioridad alta y crítica se generan cinco divisiones presentadas en la figura 6. En este caso, una misma neurona agrupa los incidentes atendidos tanto con TAB como con TAM, lo que sugiere que no hubo diferencia en la atención con estos dos tipos de vehículos.
Fuente: elaboración propia.
Figura 6 Agrupaciones de incidentes de prioridad alta y crítica, del periodo día, atendidos con vehículo TAM y TAB en el momento del covid-19
La zona que tiene un mayor tiempo de respuesta es la zona suroccidente, representada con la neurona siete (Kennedy, Bosa y una parte de Ciudad Bolívar), con un tiempo de respuesta de 51,93 minutos. Este proceso se realiza para todos los incidentes, para el día y la noche, además de identificar las zonas con mejores tiempos de respuesta; con esta información se realiza el comparativo.
La técnica de mapas autoorganizados funciona mejor con datos normalizados, evitando afectaciones como clústeres por zona o por variables de mayor valor, como las coordenadas. Las tres bases utilizadas generan información útil para la comparación. Sin embargo, para interpretar los datos del incidente y zonas de interés, las bases completas y sin coordenadas muestran un mejor rendimiento.
3.2 Resultados K-Means
Para este algoritmo, después de obtener el número de clúster y la aplicación de PCA, se usan diferentes distancias para las pruebas de agrupamiento; para esto se toma distancia euclidiana (figura 7) y la distancia Manhattan (figura 8), con las que se determina que no hay diferencias en ninguno de los incidentes, tanto para las bases normalizadas como sin normalizar.
Nota: se tiene arriba la representación de la técnica y abajo el mapa de la ciudad.
Fuente: elaboración propia.
Figura 7 Agrupación obtenida para el incidente "Accidente de tránsito" con distancia euclidiana y base sin normalizar
Lo presentado en las figuras 7 y 8 permite identificar que los grupos y su distribución en el mapa de la ciudad son muy similares, por lo cual se determina realizar todas las pruebas con la distancia euclidiana.
Nota: se tiene arriba la representación de la técnica y abajo el mapa de la ciudad.
Fuente: elaboración propia.
Figura 8 Agrupación obtenida para el incidente "Accidente de tránsito" con distancia Manhattan y base sin normalizar
Posteriormente se determina si se obtienen mejores resultados con la base normalizada (se les aplica PCA). Las figuras 7 y 8 son las agrupaciones con las bases sin normalizar para el momento precovid-19, en el que no se presenta una clasificación adicional de las zonas de la ciudad donde sucedieron los incidentes, sin embargo, en la figura 9 se realiza el ejercicio con la base normalizada, encontrando agrupaciones por el vehículo que realiza la atención, como sucedió con SOM.
Fuente: elaboración propia.
Figura 9 Mapas generados con la base normalizada y clasificación por la atención realizada con vehículos TAM (izquierda) y vehículos TAB (derecha), en el momento precovid-19
Con la técnica K-Means, todos los incidentes presentan un mejor comportamiento con la base normalizada, brindando distinción por el tipo de vehículo que realiza la atención, igual que tiene buenos resultados, tanto para la representación como para el análisis, y aplica componentes principales. Finalmente, los resultados de las dos distancias no presentan diferencia significativa para el análisis.
3.3 Resultados DbScan
Se presentan los resultados obtenidos para el incidente de convulsión con la base normalizada, primero se calcula el valor de épsilon, como se presentó en la sección de métodos y materiales, el cual se encuentra en 0,014, como se ve en la figura 10.
Fuente: elaboración propia.
Figura 10 Cálculo del valor de épsilon con mínimo de puntos igual a seis y base normalizada
Con este valor de épsilon y el mínimo de puntos (seis puntos) se ejecuta el algoritmo DbScan, sin embargo, se generan 50 clústeres, lo cual no sería interpretable; posteriormente, se aumenta el valor de épsilon, con el fin de determinar si más puntos quedan dentro de la zona densa; así se alcanzan cuatro agrupaciones con un valor de épsilon de 0,1; al aumentar el valor a 0,5 se genera un único grupo. Este mismo proceso se realiza con las distancias euclidiana, Manhattan y Minkowski, con un valor de p=3, con las que no se obtienen diferencias significativas.
Se realizan los mapas correspondientes, encontrando que se presentan unos pocos datos como atípicos y se hayan divisiones por vehículo TAM y TAB, sin embargo, prácticamente una única neurona cubre todo el mapa de la ciudad, como se ve en la figura 11, por lo cual no aporta información para el análisis.
Fuente: elaboración propia.
Figura 11 Mapas obtenidos con DbScan para el incidente convulsión atendido con TAM (izquierda) y TAB (derecha)
Dado estos resultados se decide aumentar el número mínimo de puntos con diferentes valores de épsilon. El primero se calcula con la función explicada en la sección de método, el segundo y el tercero fueron asignados como prueba, con el fin de aumentar el radio y ver si se obtiene un número de grupos que generen una información más interpretable para el análisis comparativo. En la tabla 4 se presenta el resumen del número de clústeres obtenidos.
Tabla 4 Número de grupos con diferentes valores de épsilon y mínimo de puntos
| Mínimo de puntos | Valor épsilon | Grupos |
|---|---|---|
| 10 | 0,017 | 47 |
| 0,1 | 4 | |
| 0,5 | 1 | |
| 20 | 0,024 | 38 |
| 0,1 | 4 | |
| 0,5 | 1 | |
| 30 | 0,031 | 35 |
| 0,1 | 3 | |
| 0,5 | 1 |
Fuente: elaboración propia.
De forma general, no se presentan diferencias respecto a los resultados presentados anteriormente, ni al modificar épsilon ni el mínimo de puntos y tampoco los diferentes tipos de distancia, por lo cual se concluye que no se considera una técnica adecuada para el presente trabajo.
Comparación de los periodos de pandemia y postpandemia
En general, todos los incidentes muestran una división entre día y noche, con tiempos de respuesta más rápidos en la noche por 3,54 minutos. Si se analizan los dos momentos de estudio, en pandemia se presenta un incremento en los tiempos de respuesta tanto en la noche, en 4,32 minutos, como en el día, en 6,34 minutos; se esperaría que con las medidas de aislamiento que restringían la movilidad completa se redujera el tiempo de respuesta, sin embargo, estas medidas no duraron demasiado en la ciudad y se contaba con menor tiempo de disponibilidad de los vehículos, debido a los procesos de desinfección y al ausentismo generado por la pandemia, así como el aumento de solicitudes.
En la mayoría de los incidentes se presenta diferencia según el tipo de vehículo que realizó la atención. Comparando ambos períodos, los incidentes atendidos con vehículos TAM muestran un comportamiento más homogéneo en la ciudad, generando menos divisiones (tres a cinco). En contraste, los vehículos TAB generan más divisiones (cinco a ocho), llegando hasta nueve divisiones, como en el incidente de convulsión.
Se resalta que, para todos los incidentes, a excepción de herido accidental y convulsión, la mayor afectación se presenta en las zonas sur o suroccidental de la ciudad, en las localidades de Bosa, Kennedy, Ciudad Bolívar y Usme. Para los incidentes de herido accidental y convulsión, la mayor afectación se da en el norte, en las localidades de Usaquén, Chapinero, Suba y Engativá. Por otra parte, en general, para todos los incidentes, los mejores tiempos de respuesta suceden en la zona central de la ciudad, en localidades como Barrios Unidos, Los Mártires, Teusaquillo y Puente Aranda. Dentro del análisis para cada uno de los incidentes se tiene lo siguiente:
En el incidente de accidente de tránsito, se tiene una mayor cantidad de incidentes en la época de prepandemia, con un 83 % más al compararse con la época de pandemia, concentrados en avenidas principales, como carrera 14, carrera 30, carrera 45, calle 80 y Avenida Boyacá. En la zona de mayor afectación (suroccidente) alcanzan tiempos de respuesta de 21,05 minutos. En la época de pandemia se disminuye el tiempo de respuesta, siendo uno de los dos incidentes en tener este comportamiento, en especial de los vehículos TAB, con tiempos que alcanzaron los 16,75 minutos en Tunjuelito y Usme.
Para el incidente de enfermo se encuentra que la localidad de Bosa es la más afectada tanto para la atención con TAB como TAM y para todas las prioridades, alcanzando tiempos de respuesta de 51,9 minutos en los dos periodos. Con SOM se identifica una agrupación de incidentes atípicos con tiempos de respuesta superiores a 70 minutos.
Los incidentes de convulsión, dadas sus características, son categorizados de prioridad alta o crítica. La mayor afectación se da en la zona norte en el momento de pandemia para los dos vehículos, en la que, adicionalmente, se presenta el mayor número de incidentes, se tienen tiempos de respuesta de aproximadamente 35 minutos, cambiando la zona de afectación, que en el momento de prepandemia fue la suroccidental.
El dolor torácico, en el momento de la pandemia, presenta una afectación en la localidad de Ciudad Bolívar para los dos tipos de vehículos, con un tiempo de respuesta de 40,55 minutos para TAB y de 47,86 minutos para TAM; por su parte, en la prepandemia, la afectación se da en las localidades de Bosa y Kennedy, con un tiempo de 33,75 minutos para TAB y de 36,4 minutos para TAM. Para este incidente, la mayor afectación sucede en el sur, a pesar de que cambia la localidad en los dos momentos.
El incidente de evento respiratorio, dado el comportamiento de la pandemia, se tienen 6787 incidentes adicionales en el momento de la covid-19, frente al momento previo a este, pasando de 27 317 a 34 104 incidentes con despacho, en las mismas zonas de afectación para los dos vehículos, las cuales son Kennedy, Engativá y Fontibón, con tiempos de respuesta de 40,9 minutos para la prioridad alta en pandemia, es decir, 12 minutos más.
El herido accidental es el segundo incidente con menor tiempo de atención durante la pandemia, y muestra una disminución del 6 % en la cantidad de incidentes. La atención se concentra en los vehículos TAB, que representan el 90,4 % de las atenciones. La mayor afectación se mantiene en la zona norte (Usaquén, Chapinero, Suba), para los vehículos TAB, 34,1 minutos en precovid-19 y 32,4 minutos durante la covid-19. Para los TAM, el tiempo disminuyó 2,6 minutos en pandemia, pasando de 34,21 a 31,61 minutos.
El incidente de inconsciente solo tiene prioridades alta y crítica; en pandemia se tiene un mayor tiempo de respuesta de los dos vehículos, para TAB se tiene un tiempo de 28,96 minutos (3,93 minutos más), mientras que para TAM se tiene uno de 29,25 minutos (2,55 minutos más). La mayor afectación se da en las zonas sur y suroccidental para TAM, en los dos momentos; para el caso del vehículo TAB, la afectación cambia de la zona suroccidental a la zona norte en la pandemia, concentrándose en Suba y Usaquén.
Finalmente, el incidente de trastorno mental presenta la mayor afectación en época de pandemia, con un aumento de 42,3 minutos. Se genera una división adicional por el vehículo de salud mental creado para la atención de este incidente, el cual tiene un tiempo de respuesta de 104,01 minutos, solo superado por los vehículos TAB con 189,1 minutos; los vehículos TAM que reducen sus atenciones tienen un tiempo de 99,6 minutos. Se ve una mayor afectación en la zona sur (Ciudad Bolívar y Rafael Uribe Uribe).
3.5 Discusión
Los resultados indican que los tiempos de respuesta a los incidentes aumentaron significativamente durante la pandemia, en línea con estudios de la afectación de la covid-19 a los sistemas de emergencias médicas [21]; en especial, se debe considerar la afectación en la salud mental, coincidiendo con otros estudios que demuestran el impacto que tuvo la pandemia en este aspecto [22].
Pese a que hubo disminución en la cantidad de ciertos incidentes, como accidente de tránsito, sobre el cual se realizan 56,87 % menos despachos en el momento de pandemia, dado que los incidentes se reducen en un 52,3 %, lo cual apoya estudios en los que se reduce los incidentes que implican lesiones por movilidad [23]. En general, la cantidad de solicitudes aumentaron en un 25 %, situación que apoya el aumento de solicitudes en otras ciudades como Pensilvania [21], Copenhague, París, Tijuana [2] y regiones de Arabia Saudita [24].
Al incrementarse la demanda de los servicios de urgencias y reducirse la disponibilidad de los vehículos de emergencia por desinfección o disminución del personal [25], crecen los tiempos de respuesta, aumentando la mortalidad o las afectaciones a la salud, en especial en incidentes como paro cardiaco, que requieren un equipo de salud disponible en el menor tiempo posible para aumentar la probabilidad de supervivencia o reducir las afectaciones generadas [26].
Este trabajo presenta una aplicación novedosa de las técnicas de agrupamiento para estudios comparativos, en las que el componente espacial permite identificar las diferencias de comportamiento en las zonas de la ciudad. Como trabajo futuro se podría contemplar que se utilicen otras técnicas de agrupamiento, con el fin de identificar si mejoran los resultados, y se podría ensanchar el análisis del estudio al traslado de los pacientes a los centros de salud; igual, poder ampliar el análisis a no solo a los momentos de día y noche, sino a franjas horarias y comportamientos por días, que podrían tener una diferencia significativa.
4. Conclusiones
La cantidad de incidentes en pandemia presentaron un incremento del 25 % (n=234 524), sin embargo, disminuyó la cantidad de solicitudes que se pudieron atender con ambulancia; igualmente, de forma general, los tiempos de respuesta crecieron, presentando el mayor impacto en el incidente de salud mental, con un aumento de 42 minutos, seguido del incidente enfermo con 13 minutos y el del evento respiratorio con 12 minutos. Se identificó una mayor afectación en el periodo diurno, por la dinámica de la ciudad y la cantidad de solicitudes.
En el aspecto zonal se tuvo una afectación general en las partes sur y suroccidental de la ciudad, con localidades como Bosa, Kennedy, Ciudad Bolívar y Tunjuelito. Con esta información, se recomienda, para la operación de la línea de emergencia, reforzar la cantidad de vehículos que atienden la zona suroccidental de la ciudad, en especial las localidades de Bosa y Kennedy, que presentan la mayor cantidad de incidentes y tiempos de respuesta.
Para la atención de los incidentes de salud mental es importante que se aumenten los recursos disponibles para su atención, tanto los vehículos destinados para este fin como el personal disponible de la línea de atención. Se debe tener en cuenta que, a pesar de que el tiempo de respuesta en la pandemia fue superior, en el periodo normal presenta los valores más altos de todos los incidentes analizados. También es importante incrementar el parque automotor de vehículos TAM, así como generar una disponibilidad dinámica de los vehículos de emergencia, en la que se refuerce la cantidad de ambulancias disponibles en el día, mientras que en la noche se puede reducir este número.
Este trabajo aplicó técnicas de agrupamiento y generación de mapas, utilizando el módulo de mapas 3D de Excel como herramientas para estudios comparativos. Al aplicarlas en la línea de emergencia de Bogotá se identificaron las características y diferencias entre los dos períodos de estudio. Entre las técnicas empleadas, los mapas autoorganizados de Kohonen mostraron un mejor rendimiento en la interpretación de los datos, mientras que la técnica DbScan no generó información útil para el estudio comparativo.
