Análisis del efecto aprendizaje en un programa de mantenimiento predictivo en un Hospital Mª Carmen CARNERO Universidad de Castilla-La Mancha, ETS Ingenieros Industriales, 13071 Ciudad Real, España y Raúl RUIZ DE LA HERMOSA Universidad de Castilla-La Mancha, ETS Ingenieros Industriales, 13071 Ciudad Real, España RESUMEN El efecto aprendizaje se basa en que cada vez que se duplica el número de unidades producidas en serie, el tiempo medio de trabajo empleado por unidad de producto disminuye en un porcentaje constante. Este efecto ha sido ampliamente analizado en la literatura, sin embargo, no existen precedentes del cálculo de las tasas de experiencia en la política de mantenimiento más tecnológica, como es el caso del mantenimiento predictivo. En este artículo se muestra la evolución experimentada en la adquisición de datos predictivos termográficos realizados en un programa piloto desarrollado en un Hospital. Con ello, se espera conocer los tiempos normalizados necesarios para realizar estas actividades, su factor de aprendizaje y delimitar aquellos factores que alteran o dificultan la obtención de una mejor tasa de aprendizaje durante la implantación de un programa de mantenimiento predictivo. Palabras Clave: Mantenimiento Aprendizaje, Hospital. Predictivo, Efecto Sin embargo, en el ámbito del mantenimiento industrial, el número de aportaciones es más limitado, entre ellas se pueden destacar [9] dónde se evalúa la decisión de realizar mantenimiento interno o subcontratado, considerando cuantas unidades pueden ser reparadas internamente para minimizar el coste total del mantenimiento, considerando que el tiempo por unidad reparada decrece a medida que se incrementan los elementos reparados. En [15] se aplica un modelo de predicción de la tasa de aprendizaje a un programa de mantenimiento productivo total; este modelo depende del tamaño de la empresa, ventas, certificación ISO y premios obtenidos en el año. En [14] se analiza el efecto aprendizaje sobre el mantenimiento subcontratado; se considera que la empresa subcontratada es responsable de la programación y ejecución de las actividades de mantenimiento preventivo y de efectuar reparaciones cuando el proceso se para por fallos de maquinaria. Se supone que el aprendizaje tiene lugar cuando la empresa subcontratada realiza actividades preventivas que disminuyen tanto el tiempo como el coste. Se muestra como la subcontrata induce a adoptar una programación de mantenimiento que maximiza los beneficios de la empresa fabricante. 1. INTRODUCCIÓN El efecto aprendizaje se basa en el concepto de que una actividad puede realizarse de forma más eficiente a medida que se incrementa el número de repeticiones de la misma. Existen numerosas contribuciones en la literatura que analizan el efecto aprendizaje (ver [2], [7], [8], [10] y [16]). En la aplicación de nuevas tecnologías, especialmente tecnologías de la información, se pueden destacar las contribuciones de [13] que muestran la existencia de un factor de aprendizaje en la instalación de software comprendida entre el 6 y el 36%. En [4] se presenta un modelo de programación entera mixta que proporciona la estrategia con costes más bajos para la aplicación de tecnologías avanzadas, considerando el efecto aprendizaje y características de olvido del personal y de envejecimiento de equipos. [11] y [12] analizan como el efecto aprendizaje puede contribuir a la mejora de la gestión de proyectos de implantación de Enterprise Resource Planning (ERP). Sin embargo, no se han encontrado aportaciones que analicen el efecto aprendizaje en la aplicación de la política de mantenimiento más tecnología, como es el caso del mantenimiento predictivo. Por ello, en este artículo se muestra la evolución experimentada en la adquisición de datos predictivos termográficos realizados en un programa piloto desarrollado en un Hospital. Con ello, se espera conocer los tiempos normalizados necesarios para realizar estas actividades, su factor de aprendizaje y delimitar aquellos factores que alteran o dificultan la obtención de una mejor tasa de aprendizaje durante la implantación de un programa de Mantenimiento Predictivo. En la sección 2 se incluye una introducción al efecto aprendizaje. En la sección 3 se describe el programa de Mantenimiento Predictivo implantado en el Hospital. En la sección 4 se exponen los resultados obtenidos. En la sección 5 se incluyen los agradecimientos y en la sección 6 las referencias bibliográficas. variables independientes y el cese del aprendizaje y comienzo del fenómeno son tenidos en cuenta. 2. EL EFECTO APRENDIZAJE Existen numerosos ejemplos de diferentes tipos de industria (ver [6]) en las que se aprecia que cada vez que se duplica el número de unidades producidas en serie, el tiempo medio de trabajo empleado por unidad de producto disminuye en un porcentaje constante. Las curvas de aprendizaje se pueden emplear para distintos objetivos: a) Análisis de costes y presupuestos. b) Planificación financiera. c) Estimación de necesidades de recursos humanos. El efecto aprendizaje es cuantificable, existiendo diferentes modelos que lo explican [3]: • Modelo logarítmico. Es el más confirmado empíricamente y el más aplicado debido a su buen ajuste a los datos empíricos y a que se trata de un modelo sencillo [8]; este modelo emplea la Ec. (1). kn = k1 nb (1) donde k1 son las horas de mano de obra necesarias para la fabricación de la primera unidad, kn son las horas de mano de obra requeridas para fabricar la enésima unidad, n es la cantidad acumulada de unidades producidas y b se define como se muestra en la Ec. (2). b = log φ/log 2 (2) siendo φ la tasa de aprendizaje. Para aplicar este modelo, los tiempos necesarios para elaborar la primera y la enésima unidad son conocidos. En primer lugar se estima el valor de b a partir de la Ec. (1) y a partir de este valor se calcula la tasa de aprendizaje φ de la Ec. (2). Los valores de φ se encuentran comprendidos entre 0,6 y 1 (60% y 100%). Entre las limitaciones de este modelo se encuentran [8]: a) El fenómeno de aprendizaje continúa indefinidamente a diferencia de la curva típica del modelo. b) Se supone que todas las unidades fabricadas tienen una calidad aceptable. • El modelo DeJong. Consiste en una modificación del modelo logarítmico introduciendo un parámetro denominado factor de compresibilidad. En este modelo se considera que el decrecimiento de los tiempos de ejecución de una actividad es asintótico a un valor determinado. El factor de compresibilidad permite suponer que cada actividad tiene dos componentes, uno que está sujeto a mejora y otro que no lo está. • El modelo S. En este modelo la mejora de los tiempos es lenta al comienzo, cuando el operario se está familiarizando con la actividad, se incrementa al acostumbrarse a las condiciones de trabajo y finalmente se mantiene a medida que hay menos ocasiones de reducir errores y mejorar los movimientos. El tiempo o el número acumulativo de productos pueden seleccionarse como Es habitual encontrar en las curvas de aprendizaje un efecto meseta, debido a que a partir de un determinado número de repeticiones, las reducciones de tiempos se hacen prácticamente nulas. Esto indica que a partir de ese momento no se mejoran los tiempos con la repetición de las operaciones. Este punto se toma como referencia para los cálculos de tiempos estandarizados de operaciones [1]. Sin embargo, el efecto meseta puede desaparecer mediante la inversión en nuevas máquinas, nuevos procedimientos de actuación, rediseño del producto o mayor formación de los recursos humanos. Se ha sugerido que este estancamiento puede estar asociado a la finalización del trabajo o a no realizar inversiones en mejoras técnicas para permitan continuar con el proceso de aprendizaje [16]. Sin embargo, las curvas de aprendizaje son difíciles de aplicar debido a los siguientes aspectos [5]: a) A veces es imposible desarrollar estimaciones de las horas de mano de obra necesarias para la obtención de la primera unidad o el cálculo de la tasa de aprendizaje. b) Diferentes trabajadores tienen asociadas tasas de aprendizaje distintas. c) Actualmente, la cantidad de innovación que incorporan los productos es limitada. Por tanto, el desarrollo de actividades asociadas a nuevos productos presenta un aprendizaje latente que se aplica a ellos. A medida que se reducen los tamaños de lote se producen lotes más frecuentes y pequeños, por lo que es complejo cuantificar que cantidad de aprendizaje se transfiere de un lote al siguiente; además, el cálculo de la primera unidad es un concepto más difícil de cuantificar. Generalmente se supone que el efecto aprendizaje es independiente de la actividad de fabricación de un producto, de forma que se puede considerar una curva de aprendizaje común para todas las actividades relacionadas con un producto. Sin embargo, en las aplicaciones reales, la mejora de tiempos con la repetición de una actividad, depende de ésta o de su posición en el proceso de producción [10]. Independientemente de la forma de la curva de aprendizaje, existe siempre una proporción de olvido que comienza cuando un operario deja de realizar una actividad. El olvido es una función de la cantidad de aprendizaje realizado y de la duración de la interrupción. Las interrupciones de corto plazo en la producción ocurren cuando se dividen los trabajos o cuando un trabajo urgente interrumpe otro en fase de realización. Las interrupciones a largo plazo requieren obtener de nuevo el conocimiento y la destreza, el ritmo, las condiciones de trabajo y los servicios de apoyo (equipo, mantenimiento, etc.) que se han perdido. En estas interrupciones también pueden presentarse cambios en personal y transferencia de equipo e instalaciones para otras aplicaciones. El olvido total no tiene lugar en interrupciones de cortos periodos de tiempo; se aprecian disminuciones iniciales rápidas del rendimiento seguidas por una estabilización gradual en función del intervalo de la interrupción. La rapidez y la proporción de olvido disminuyen a medida que se termina un número mayor de unidades antes de que se produzca una interrupción. 3. CARACTERÍSTICAS DEL PROGRAMA DE MANTENIMIENTO PREDICTIVO Es conocido los importantes beneficios que un programa de Mantenimiento Predictivo puede reportar a una empresa en aspectos relativos a costes, calidad, seguridad y disponibilidad. Sin embargo, aunque esta política de mantenimiento ha sido ampliamente aplicada en empresas de manufactura, en el caso de empresas de servicios existen escasos precedentes, que son inexistentes en el caso de un hospital. Las máquinas y equipos que se analizan en el Hospital objeto de estudio son: motores, cuadros eléctricos y otros dispositivos como transformadores, terminales y tableros de transformadores, interruptores y fusibles magnéticos, bancos capacitares, pares galvánicos, cables de salida de interruptores y bandas motrices. La periodicidad en la adquisición de datos predictivos es bimensual. Para ello, se dispone de un técnico encargado de la adquisición de datos, análisis y diagnóstico de los equipamientos. Las mediciones se realizan dentro de dos áreas diferentes del Hospital: electromedicina e instalaciones eléctricas y alumbrado. Cada área dispone de diferentes recursos humanos que deben acompañar al técnico para preparar los dispositivos para la adquisición de los datos y garantizar la seguridad del técnico. Esta diferencia de recursos humanos tiene una influencia importante en el tiempo de adquisición de los registros predictivos. Las primeras adquisiciones de datos predictivos se realizan de manera aleatoria, es decir, sin ningún criterio preestablecido. Posteriormente se introducen variaciones ya que es conveniente realizar termografías de todo elemento independientemente de sus condiciones (en muchos casos las máquinas, centros de transformación, baterías, etc. no están en funcionamiento y sólo se percibe la temperatura ambiente del lugar en el que están situados). Debido a esto, la identificación de las termografías es compleja por lo que cada termografía se acompaña de su correspondiente fotografía. Se han diseñados dos rutas para la adquisición de datos, una para las instalaciones de electromedicina y otra para las instalaciones eléctricas y de alumbrado. La periodicidad en la adquisición de registros se amplió a trimestral cuando se recopiló un archivo histórico superior a un año y medio y se confirmó el control de la técnica por parte del técnico. Cada grupo de mediciones se realiza en periodos de 5 días en los que, junto con la imagen termográfica, se realiza una fotográfica que sirve para corroborar situaciones de evidente deterioro, mal funcionamiento, suciedad, etc. Hasta el momento actual, se recopila una media superior a 1.600 archivos termográficos y fotográficos por grupo de mediciones. En algunos casos, el seguimiento de la ruta no se puede hacer de manera estricta, puesto que las mediciones están sujetas a cuestiones de seguridad del paciente. Se estipula no manipular ningún elemento durante intervenciones quirúrgicas u operaciones de riesgo por parte del personal sanitario, esperando a la finalización inmediata de éstas para la revisión del equipo o instalación. Estas precauciones también se tienen en cuenta cuando se trabaja con los equipos TAC y PET-TAC, ya que, aunque la criticidad de las pruebas no es tan alta como la de una intervención quirúrgica, los equipos tienen especial relevancia en el servicio asistencial proporcionado. De igual manera, se establecen otras condiciones de seguridad, esta vez en relación con el técnico, requiriéndose que las rutas predictivas se hagan en compañía de técnicos cualificados, que son los que se encargan de la apertura y cierre de elementos que tienen asociado riesgo eléctrico. Se está aplicando la norma ISO para la evaluación de los defectos encontrados en las rutas de inspección eléctrica. Por tanto, se emplea los siguientes niveles de prioridad para catalogar, según el nivel de importancia, los defectos encontrados y asignarles una orden de reparación. Para ello, se emplean los siguientes niveles de prioridad: Prioridad RI: componente > 35ºC con respecto a su adyacente. Reparación inmediata (en las próximas 48 horas). Prioridad RPP: componente > 10ºC y < 35ºC con respecto a su adyacente. Reparación de parada programada (en los próximos 3 meses). Prioridad S: componente < 10ºC con respecto a su adyacente. No es necesario reparar (se recomienda realizar un seguimiento de temperatura en el equipo). Para determinar la anormalidad de una temperatura para un motor, se aplica la clasificación de temperaturas en un sistema de aislamiento para un motor según la norma IEEE 117-2000 basada en una temperatura ambiente de 40 ºC. 3. RESULTADOS A continuación se muestran los resultados obtenidos del estudio de tiempos en una serie de elementos que se consideran especialmente interesantes, debido a que se encuentran localizados en los quirófanos y, por tanto, pueden tener influencia directa en la asistencia al paciente o bien debido a que son los elementos sobre los que se dedica mayor tiempo en la medición de registros predictivos. Estos elementos son: • Sistemas de alimentación ininterrumpida (SAI) de quirófanos. Se trata de un total de 12 SAIs bajo la responsabilidad del área de instalaciones eléctricas y alumbrado. De las figuras 1 a 12 se muestran los datos resultantes de la adquisición de datos predictivos y fotografías en cada SAI. Se puede apreciar que en la mayor parte de los SAIs de quirófano disminuye el tiempo destinado a la adquisición de datos predictivos y fotografías hasta la penúltima medición realizada en octubre de 2009. A partir de esta fecha, se decide incrementar el espacio de tiempo entre adquisiciones, apareciendo un ligero efecto de olvido como se puede apreciar en el último dato de las figuras 1, 2, 5, 8, 10, 11 y 12. Por tanto, el porcentaje de experiencia se ha calculado considerando los datos hasta octubre de 2009 en todos los SAIs. 70 60 50 TIEMPO (s) En la tabla 1 se muestran los resultados obtenidos al aplicar el modelo logarítmico. Se puede apreciar que las tasas de aprendizaje tienen valores comprendidos entre el 47 % y el 80 % y, por tanto, los resultados son muy positivos. Sólo en el caso de los registros de fotografía en los SAIs de los quirófanos 4 y 9 no se aprecia efecto aprendizaje. 40 TIEMPO DE FOTOGRAFÍA (s) TIEMPO DE TERMOGRAFÍA (s) TIEMPO TOTAL (s) 30 20 10 40 TIEMPO DE TERMOGRAFÍA (s) 30 TIEMPO TOTAL (s) 0 Figura 5. Tiempos de adquisición de datos en el SAI del quirófano 5. 20 10 100 90 80 FECHA m ay ju -08 nju 0 8 a g l -0 8 o se -0 p 8 o c -0 8 no t-0 v 8 d -0 8 enic-0 e- 8 fe 09 m b-0 a 9 abr-09 m r-0 ay 9 ju -09 nju 0 9 a g l -0 9 seo-0 p 9 o c -0 9 no t-0 v 9 d -0 9 enic-0 e- 9 fe 10 b10 0 FECHA ay ju -08 nju 0 8 a g l -0 8 o se -0 p 8 oc-08 no t-08 v d - 08 enic-0 e- 8 fe 09 m b-0 ar 9 ab -09 m r-0 ay 9 ju -09 nju 0 9 a g l -0 9 seo-0 p 9 oc-09 t no 0 v 9 d - 09 enic-0 e- 9 fe 10 b10 TIEMPO DE FOTOGRAFÍA (s) m 50 Figura 1. Tiempos de adquisición de datos en el SAI del quirófano 1. TIEMPO (s) TIEMPO (s) 60 70 60 50 TIEMPO DE FOTOGRAFÍA (s) TIEMPO DE TERMOGRAFÍA (s) TIEMPO TOTAL (s) 40 30 20 10 80 0 TIEMPO DE FOTOGRAFÍA (s) 50 TIEMPO DE TERMOGRAFÍA (s) 40 TIEMPO TOTAL (s) FECHA ay ju -08 nj u 08 ag l-0 8 o se -0 p 8 oc - 08 no t-08 v d - 08 enic-0 e- 8 fe 09 m b-0 ar 9 ab -09 m r-0 ay 9 ju -09 nj u 09 ag l-0 9 seo-0 p 9 oc - 09 t no -09 v di - 09 en c-0 e 9 fe -10 b10 TIEMPO (s) 60 m 70 Figura 6. Tiempos de adquisición de datos en el SAI del quirófano 6. 30 20 70 10 60 FECHA ay ju -08 nj u 08 ag l -0 8 o se -0 p 8 o c - 08 no t-08 v d -08 enic-0 e- 8 fe 09 m b- 0 a 9 abr-09 m r-0 ay 9 ju -09 nj u 09 ag l -0 9 seo-0 p 9 o c - 09 t no 09 v d -09 enic-0 e- 9 fe 10 b10 m 50 Figura 2. Tiempos de adquisición de datos en el SAI del quirófano 2. TIEMPO (s) 0 40 TIEMPO DE FOTOGRAFÍA (s) TIEMPO DE TERMOGRAFÍA (s) TIEMPO TOTAL (s) 30 20 50 25 20 TIEMPO DE TERMOGRAFÍA (s) 0 Figura 7. Tiempos de adquisición de datos en el SAI del quirófano 7. TIEMPO TOTAL (s) 15 10 5 80 70 FECHA Figura 3. Tiempos de adquisición de datos en el SAI del quirófano 3. 60 TIEMPO (s) m a ju y-0 n 8 j -0 agul-08 seo-0 8 p 8 o -0 noct-08 8 d v-0 enic-08 8 e fe -0 m b-09 ar 9 a -0 m br-09 a 9 ju y-0 n- 9 0 agjul- 9 0 seo-0 9 p- 9 oc 09 no t-0 v 9 d -0 enic-09 e fe -1 9 b- 0 10 0 FECHA ay ju -08 nju 0 8 a g l -0 8 o se -0 p- 8 oc 08 no t-0 v 8 d -0 8 enic-0 e- 8 fe 09 m b-0 ar 9 ab -09 m r-0 ay 9 ju -09 nju 0 9 a g l -0 o- 9 se 0 9 p oc-09 no t-0 v 9 d -0 9 enic-0 e- 9 fe 10 b10 TIEMPO (s) 40 35 30 10 TIEMPO DE FOTOGRAFÍA (s) m 45 TIEMPO DE FOTOGRAFÍA (s) 50 TIEMPO DE TERMOGRAFÍA (s) 40 TIEMPO TOTAL (s) 30 20 10 40 TIEMPO (s) 30 0 TIEMPO DE FOTOGRAFÍA (s) 25 TIEMPO DE TERMOGRAFÍA (s) 20 TIEMPO TOTAL (s) 15 10 5 FECHA m ay ju -08 nju 0 8 ag l -0 8 seo-0 p 8 o c - 08 no t-08 v di -08 en c-0 e- 8 fe 09 m b- 0 a 9 abr-09 m r-0 ay 9 ju -09 nju 0 9 ag l -0 9 seo-0 p 9 o c - 09 t no 09 v d -09 enic-0 e- 9 fe 10 b10 0 Figura 4. Tiempos de adquisición de datos en el SAI del quirófano 4. FECHA m ay ju -08 nju 0 8 ag l - 0 o 8 se -08 p oc-08 no t-08 v di -08 en c-0 e- 8 fe 09 m b- 0 ar 9 ab -09 m r-0 ay 9 ju -09 nju 0 9 ag l - 0 9 seo-0 p 9 oc-09 t no 09 v d -09 enic-0 e 9 fe -10 b10 35 Figura 8. Tiempos de adquisición de datos en el SAI del quirófano 8. TIEMPO (s) 30 25 TIEMPO DE FOTOGRAFÍA (s) 20 TIEMPO DE TERMOGRAFÍA (s) 15 TIEMPO TOTAL (s) 10 5 FECHA m ay ju -08 nj u 08 ag l-0 o- 8 se 0 8 p oc -0 8 n o t-0 8 v d - 08 enic-0 e- 8 fe 0 9 m b -0 ar 9 a b -09 m r-0 ay 9 ju -09 nj u 09 ag l-0 9 o se -0 p 9 oc -0 9 t n o -0 9 v di - 09 en c-0 e 9 fe -1 0 b10 0 Figura 9. Tiempos de adquisición de datos en el SAI del quirófano 9. TIEMPO (s) 60 50 TIEMPO DE FOTOGRAFÍA (s) 40 TIEMPO DE TERMOGRAFÍA (s) 30 TIEMPO TOTAL (s) 20 10 FECHA m ay j u -08 nj u 08 ag l-0 o 8 se -0 8 p oc - 08 n o t-0 v 8 di -0 8 en c-0 e- 8 fe 0 9 m b -0 ar 9 a b -09 m r-0 ay 9 j u -09 nj u 09 ag l-0 9 o se -0 p 9 oc - 09 t n o -09 v di -0 9 en c-0 e- 9 fe 1 0 b10 0 Figura 10. Tiempos de adquisición de datos en el SAI del quirófano 10. 80 TIEMPO (s) 70 60 TIEMPO DE FOTOGRAFÍA (s) 50 TIEMPO DE TERMOGRAFÍA (s) 40 TIEMPO TOTAL (s) 30 20 10 FECHA m ay ju -08 nj u 08 ag l-0 8 seo -0 p 8 o c-08 n o t-0 8 v d -0 8 enic-0 e- 8 fe 0 9 m b -0 a 9 a br-09 m r-0 ay 9 ju -09 nj u 09 ag l-0 o- 9 se 0 9 p o c-09 n o t-0 9 v d -0 9 enic-0 e 9 fe -1 0 b10 0 Figura 11. Tiempos de adquisición de datos en el SAI del quirófano 11. 40 TIEMPO (s) 35 Factor de aprendizaje (φ φ) (%) Registros de Registros de fotografía termografía SAI quirófano 01 59,66 57,28 SAI quirófano 02 52,65 52,46 SAI quirófano 03 76,48 61,59 SAI quirófano 04 63,59 SAI quirófano 05 79,10 54,95 SAI quirófano 06 66,34 62,77 SAI quirófano 07 47,11 63,91 SAI quirófano 08 73,07 46,16 SAI quirófano 09 73,71 SAI quirófano 10 65,38 49,11 SAI quirófano 11 52,08 47,11 SAI quirófano 12 79,66 64,35 Tabla 1. Resultados de las tasas de aprendizaje en los SAIs de quirófano. Dispositivo 30 TIEMPO DE FOTOGRAFÍA (s) 25 TIEMPO DE TERMOGRAFÍA (s) 20 TIEMPO TOTAL (s) • El cuadro del panel de neonatos. Este dispositivo se encuentra bajo la responsabilidad del área de electromedicina. En este caso se adquieren datos correspondientes a 75 elementos distribuidos de la siguiente manera: • Puerta 1: 10 elementos. • Puertas 2, 3, 4, 5 y 6: 13 elementos. En la figura 13 se muestran las curvas de experiencia para el cuadro del panel de neonatos. La forma irregular con respecto a las clásicas curvas de aprendizaje se debe a que existe un primer periodo de colaboración entre el técnico y el equipo encargado de la preparación de los dispositivos para la adquisición de datos. Posteriormente, el técnico se tuvo que encargar personalmente de la preparación de los dispositivos y a continuación realizar las mediciones, lo que ralentizaba el proceso. Finalmente, a partir de las mediciones de abril de 2009, se inicia de nuevo la colaboración con el equipo. Por tanto, considerando esta problemática, se ha considerado como valor inicial el de abril de 2009 calculándose el efecto aprendizaje a partir de los datos obtenidos en esa fecha. En la tabla 2 se muestran los factores de aprendizaje obtenidos aplicando el modelo logarítmico. Se puede apreciar que se encuentran próximos al 80%, resultando por tanto valores muy buenos, considerando la complejidad por el número de elementos incluidos en este cuadro. 15 10 m Figura 12. Tiempos de adquisición de datos en el SAI del quirófano 12. TIEMPO DE FOTOGRAFÍA (s) 5000 4000 3000 TIEMPO DE TERMOGRAFÍA (s) 2000 TIEMPO TOTAL (s) 1000 0 ju nj u 08 a g l -0 o 8 se -08 poc 08 no t-08 v d i -0 8 c e n -0 8 e fe -09 m b -0 ar 9 ab -09 m r-0 ay 9 ju -09 nj u 09 a g l -0 9 o se -0 p- 9 oc 09 no t-09 v d i -0 9 c09 FECHA ay ju -08 nju 0 8 a g l-0 o 8 s e -0 p- 8 oc 0 8 no t-0 v 8 di -08 e n c-0 e- 8 fe 09 m b- 0 ar 9 ab -09 m r-0 ay 9 ju -09 nju 0 9 a g l-0 o 9 s e -0 p 9 oc-0 9 no t-0 v 9 dic -09 e n -0 e 9 fe -10 b10 0 TIEMPO (s) 6000 5 FECHA Figura 13. Tiempos de adquisición de datos en el cuadro del panel de neonatos. Factor de aprendizaje (φ φ) (%) Registros de Registros de fotografía termografía Dispositivo Cuadro del panel de neonatos 81,12 75,35 6. REFERENCIAS [1] Tabla 2. Factores de aprendizaje correspondientes al cuadro del panel de neonatos. [2] Los factores técnicos han afectado decisivamente a los resultados del factor aprendizaje. Un aspecto fundamental es la ubicación de los cuadros eléctricos. Cuanto más alto están colocados, más difícil es obtener una medida fiable cuando no se dispone de una escalera de mano (esta incidencia suele ser muy recurrente en los quirófanos). Esto se debe a que si no se realiza la adquisición de datos a una determinada altura, el objetivo de la cámara termográfica se inclina y cuando la inclinación supera un ángulo de 45 grados, la calidad de los registro termográficos puede disminuir. En algunos cuadros de la zona de Urgencias del Hospital, se realizó un cambio de ubicación de los cuadros, bajándose de posición, lo que ayuda en el proceso de adquisición de datos y, por tanto, mejora el efecto aprendizaje. Aspectos como la colocación de cubos de basura, material sanitario o carritos con toallas delante de los cuadros eléctricos crea falta de espacio que influye en la acumulación de temperatura en determinadas áreas. Por tanto, la adquisición de datos predictivos debe realizarse eliminando los elementos que interfieren y realizar la adquisición de datos rápidamente a continuación; si se realizase la adquisición de datos con el procedimiento normal, se estaría favoreciendo la refrigeración de los cuadros y los valores predictivos no serían los que se corresponden con la situación habitual en la que se encuentran dichos cuadros eléctricos. Algo similar ocurre con los cuadros eléctricos situados en los sótanos. En ciertos puntos del techo hay sistemas de aire que refrigeran las superficies de los cuadros pero no su interior. Por tanto, las mediciones se realizan inmediatamente al abrir el cuadro eléctrico, ya que en caso contrario el aire alcanza el interior del dispositivo, disminuyendo su temperatura. Otros aspectos técnicos muy comunes que pueden incrementar el tiempo de adquisición de datos predictivos son los reflejos, especialmente en cuadros eléctricos en los que existen muchos componentes metálicos. Se tiene que buscar el ángulo adecuado de medición para evitar reflejos; también el enfoque tiene que ser regulado en cada adquisición de datos predictivos. También debe considerarse que la adquisición de datos se realiza bimensualmente por lo que existe un cierto efecto de olvido, que se pone de manifiesto en los cuadros con un mayor número de elementos por medir, sobre todo, cuando el técnico se tiene que encargar de nuevas actividades como la apertura de los dispositivos, aspecto sobre el que no tiene ninguna experiencia. [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] 5. AGRADECIMIENTOS Los autores agradecen a la Junta de Comunidades de CastillaLa Mancha por su financiación para la realización del proyecto PCI08-0042-6312. J. A. Domínguez, Mª J.Álvarez, M A. Domínguez, Dirección de Operaciones, aspectos estratégicos en la producción y los servicios, McGraw-Hill, Madrid, 1995. J. R. Dorroh, T. R. Gulledge, N. K. A Womer, “Generalization of the learning curve”, European Journal of Operational Research, Vol. 26, 1986, pp. 205-216 E. Fernández, L. Avella, M. Fernández, Estrategia de producción, McGraw-Hill, Madrid, 2003. R. J. Gagnon, C. Sheu, “The impact of learning, forgetting and capacity profiles on the acquisition of advanced technology”, Omega, Vol. 28, 2000, pp. 5176. N. Gaither, G. Frazier, Administración de producción y operaciones, International Thomson Editores, México, 2000. J. Heizer, B. Render, Dirección de la Producción, Prentice-Hall, 2001. M.Y. Jaber, A. L. Guiffrida, “Learning curves for processes generating defects requiring reworks”, European Journal of Operational Research, Vol. 159, No. 3, 2004, pp. 663-672. M. Y. Jaber, A. Guiffrida, “Learning curves for imperfect production processes with reworks and process restoration interruptions”, European Journal of Operational Research, Vol. 189, 2008, pp. 93-104. W. J. Kennedy, “Modeling in-house vs. contract maintenance, with fixed costs and learning effects”, International Journal of Production Economics, Vol. 32, 1993, pp. 277-283. G. Mosheiov, J. B. Sidney, “Scheduling with general job-dependent learning curves”, European Journal of Operational Research, Vol. 147, 2003, pp. 665–670. M. Plaza, K. Rohlf, “Learning and performance in ERP implementation projects: A learning-curve model for analyzing and managing consulting costs”, International Journal of Production Economics, Vol. 115, 2008, pp. 72- 85. M. Plaza, O. K. Ngwenyama, K. Rohlf, “A comparative analysis of learning curves: Implications for new technology implementation management”, European Journal of Operational REsearch, Vol. 200, 2010, pp. 518–528. S. P. Saraswat, J. T. Gorgone, “Organizational learning curve in software installation: An empirical investigation”, Information & Management, Vol. 19, 1990, pp. 53-59. H. Tarakci, K. Tang, S. Teyarachakul, “Learning effects on maintenance outsourcing”, European Journal of Operational Research, Vol. 192, 2009, pp. 138–150. F. K. Wang, W. Lee, “Learning curve analysis in total productive maintenance”, Omega, Vol. 29, 2001, pp. 491-499. L. E. Yelle, “Industrial life cycles and learning curves: Interaction of marketing and production”, Industrial Marketing Management, Vol. 9, No. 4, 1980, pp. 311– 318.