REVISTA CHILENA DE ENFERMEDADES RESPIRATORIAS

18 / 68

140
y al análisis de la función de densidad espectral
de las serie de datos de urgencia total y respi-
ratoria. El mejor ajuste del modelo SARIMA,
para ambas series, en función de los mejores
indicadores de Criterios Estadístico de Infor-
mación y Ajuste para estas series en particular
fue; SARIMA (1,0,0)(1,1,0)26 para la Urgencia
Total y SARIMA(1,0,0)(1,1,0)26 Sin intercepto,
para la urgencia respiratoria. Una utilidad po-
tencial de esta herramienta es la aplicación para
evaluar el impacto que tienen las medidas que se
toman para modificar una situación. A modo de
ejemplo, en la incorporación de otra oferta en el
Servicio de Salud, como por ejemplo un SAPU
(Servicio de Atención Primaria de Urgencia) en
la comuna de Castro, que debería impactar en
una menor demanda en la consulta de urgencia
del Hospital de Castro. Esto debiera influir en
los resultados esperados en este modelo, con
resultados distintos contemplando todos los
servicios de urgencia, respecto de un escena-
rio que incluya sólo hospitales. Esta eventual
variación podría ser de utilidad para evaluar el
impacto de la decisión de abrir un nuevo SAPU
o aplicar un programa de vacunación de cober-
tura amplia y oportuna, lo que también podría
influir en el número de consultas respiratorias
en un año, y la variación observada al aplicar
este modelo al ser una expresión más de la
efectividad o no del programa. Finalmente cabe
señalar que, aunque la implementación de esta
herramienta es reciente en el Servicio de Salud
Chiloé, lo observado hasta el día de hoy muestra
que los resultados de la demanda en consultas
totales de urgencia, como en consultas de tipo
respiratorias, se han enmarcado dentro de los
intervalos de confianza del Modelo predictivo,
con un Error Porcentual Absoluto Medio de
pronóstico de los modelos inferior al 6%, tanto
para las series de urgencia total como para las
de urgencia respiratoria. Esto ha permitido que
la aplicación del Plan de Invierno en este Servi-
cio se implemente con la anticipación adecuada
y con mayor certidumbre, lo que es relevante
en la eficiencia y optimización de recursos. En
función de lo expuesto anteriormente se observa
que la metodología expuesta es válida para ser
usada como una herramienta de gestión de la
demanda de consultas de urgencia en el Servicio
de Salud Chiloé21,22, considerando que la proyec-
ción de este modelo augura cada vez mayor cer-
teza en sus períodos de pronóstico en la medida
que se incorporen progresivamente la demanda
observada de nuevos períodos lo que potenciará
su uso como herramienta para la planificación y
gestión23-25 .
Agradecimientos
Los autores agradecen a la Sra. Laura Devoto
Tobar, Secretaria del Subdepartamento de Eva-
luación y Control de Gestión, por sus valiosas
revisiones a los borradores de este trabajo.
Bibliografía
1.- JIMÉNEZ L. Urgencias en el tercer milenio. Todo Hos-
pital 2003; 198: 424-6.
2.- SÁNCHEZ M, MIRÓ O, COLL-VINENT B, BRA-
GULAT E, ESPINOSA G, GÓMEZ-ANGELATS E,
et al. Saturación del Servicio de Urgencias: factores
asociados y cuantificación. Medicina Clínica 2003;
121: 167-72.
3.- GILL JM. Use of Hospital Emergency Departments for
Nonurgent Care: A Persistent Problem with No Easy
Solutions. Am J Manag Care 1999; 5: 1565-8.
4.- CASADO JL, PÉREZ JJ, TEJEDOR M, PRIETO MM,
FERNÁNDEZ I, PÉREZ G, et al. Atención urgente.
Estudio de la situación y propuestas de futuro. Todo
Hospital 2003; 198: 427-48.
5.- Martin CG, Murillo C. Demanda intradiaria de
un servicio de urgencias hospitalario. Análisis del com-
portamiento estacional. Cuadernos económicos de ICE
2004; N° 67: 107-34.
6.- Reveco C, Weber R. Gestión de Servicios de urgen-
cia en un hospital público. Ingeniería de Sistemas 2011;
25: 57-75.
7.- Rosel J, Jara P, Oliver J. Cointegración en series
temporales multivariadas. Psicothema 1999; 11: 409-19.
8.- Prediction of Daily
Patient Numbers for a Regional Emergency Medical
Center using Time Series Analysis.
2010; 16: 158-65.
9.- SERVICIO DE SALUD CHILOÉ. Subdepartamento
Evaluación y Control de Gestión. Plan Director Servicio
de Salud Chiloé 2011-2015.
10.- . Stochastic approaches for time series
forecasting of boron: a case study of Western Turkey.
2010; 169: 687-701.
11.- Ferrán M. SPSS, para Windows análisis estadísticos.
2001. 421 p.
12.- Hanke A, Ritsch Y. Pronóstico en los negocios. Edi-
torial Prentice Hall, Quinta Edición, Ciudad de México,
México. 1996; 605 p.
13.- Schweigler LM,
Forecasting models of emergency department crowding.
2009; 16: 301-8.
14.- COUTIN G. Utilización de modelos ARIMA para la
vigilancia de enfermedades transmisibles. Rev Cubana
Salud Pública 2007; 33, 11 pág.
15.- COUTIN G, ZAMBRANOA. Comportamiento estacio-
C. Cárdenas M. et al.
Rev Chil Enf Respir 2014; 30: 133-141