Mejora de la eficiencia en el procesamiento de muestras en laboratorios clínicos

1. Introducción
El análisis clínico es una de las partes vitales dentro de la cadena de diagnóstico y tratamiento, en constante interacción con las consultas de hospitales y centros sanitarios. Según las cifras, los datos obtenidos de los laboratorios están implicados en el 65% de las decisiones críticas del sector, y suponen un 10% de los gastos de un centro médico.
A pesar de su importancia a veces se tiene la idea errónea de que los laboratorios de análisis clínico son procesos manuales, cuando en la industria son líneas de producción altamente automatizadas y de elevada complejidad operativa.
En estas líneas se reciben miles de muestras al día, se clasifican, se derivan y transportan a las pruebas pertinentes. Esta agrupación de procesos industriales suele estar dirigida por persona ajeno al mundo de la gestión de operaciones. Muchas veces en estos sistemas pasan desapercibidas la variabilidad y sus consecuencias.
Como resultado, se tienen líneas con una capacidad teórica que nunca se alcanza, problemas con los tiempos de entrega, y estrangulamientos. Y a veces, se achacan estos problemas a la falta de capacidad de procesamiento, pasando desapercibidas estas políticas de operación.
Por lo tanto, en este trabajo se realizará el modelado de un laboratorio de análisis clínico, semejante a los que existen actualmente en la industria médica, que actualmente presenta dificultades para alcanzar la productividad esperada.
Mediante la simulación se reproducirá la situación actual del sistema, con la intención de realizar un diagnóstico, detectando las causas de la baja productividad del sistema, así como se analizarán distintos escenarios implementando medidas para la mejora del funcionamiento del laboratorio, midiendo su impacto y viabilidad.
2. Metodología
Para el análisis del laboratorio en cuestión se utilizará un software de simulación llamado Rockwell Arena. Esta herramienta es apropiada por las características del sistema a simular, siendo este discreto, estocástico y dinámico.
Para el análisis completo de un sistema real, la metodología seguida es:
 Descripción del problema y del sistema en su totalidad, con su consiguiente recogida de información.
 Construcción de un modelo de simulación, desde la forma conceptual hasta el desarrollo completo en el software de simulación.
 Validación del modelo, con comportamientos dinámicos similares a los del sistema real.
 Diseño de los KPIs e indicadores para medir el desempeño del sistema en los distintos escenarios estudiados.
 Análisis de los resultados obtenidos, tras las distintas variaciones diseñadas. Evaluación e iteración de todo del proceso.

3. Resultados
Para el análisis se parte de un caso base de operación del laboratorio, este parte de una capacidad teórica de procesamiento de 12385 muestras a la semana. En el caso base, las muestras se procesan de manera equitativa entre las líneas, la carga de trabajo se reparte de forma homogénea.
En este primer caso, se introducen en el sistema 12000 muestras para ser procesadas, de las que procesa 10600, y el resto permanece como WIP que se procesaría durante el siguiente día. Se consigue una utilización elevada de las líneas y se detecta una interacción entre las líneas que puede provocar pérdidas de productividad.
Para probar el sistema en condiciones adversas, se introduce en el modelo la llegada de unas pruebas que solo se realizan una vez al día todas en la misma línea, es decir se aumenta la variabilidad en el sistema, saturando una de las líneas al introducir un lote de gran tamaño con prioridad sobre las muestras ordinarias. Se introducen 1050 muestras inter-día semanales.
Para compensar, se reduce el número de muestras ordinarias que llegan, el total de muestras que se introducen en el sistema se mantiene en 12000. Pero frente a esta perturbación, por el cambio en la distribución del tipo de muestras y de su llegada, la productividad se reduce en torno a un 20%, siendo capaz el sistema de procesar solo 8400 muestras. Este caso de estudio es el Escenario 0, que es comparado con distintas medidas que pretenden compensar esta caída de productividad.
El problema reside en el diseño del transporte del sistema, ya que, si una de las líneas se satura y se llena el buffer de inicio de las máquinas, el transporte se bloquea ya que las muestras con esa línea de destino se quedan esperando su sitio en el tramo común, cortando el flujo de muestras a las otras líneas, estrangulando el sistema.
Se analizan los siguientes escenarios:
 Escenario 1: Reducción del tamaño del lote inter-día introducido. En vez de introducir 150 muestras inter-día de golpe, se prueba a dividir este lote en partes más pequeñas, que el operario introduce poco a poco para reducir la variabilidad introducida en el sistema.
 Escenario 2: Vaciado de la línea previo a la introducción del lote de pruebas inter-día. Para evitar que la línea sature, se corta el flujo de muestras entrantes, para que pueda procesar el inventario y aceptar el lote entrante.
 Escenario 3: Combinación de los Escenarios 1 y 2
 Escenario 4: Modificación de la disposición del sistema de transporte. Se pasa del transporte con tramos comunes y separadores, a un transporte en estrella, que alimenta de forma independiente a las tres líneas de análisis.
 Escenario 5: Variación del tamaño de las bandejas de salida y los racks de muestras urgentes. Se modifica el tamaño de los diferentes lotes en el sistema, para estudiar su impacto sobre el sistema, si da mayor fluidez a las muestras.
 Escenario 6: Implantación de un sistema de control de inventario en las líneas. Finalmente se desarrolla una lógica previa al transporte que controla el inventario en las líneas de manera que se evita el bloqueo del transporte, se establece un nivel de inventario objetivo.

Tabla 1. Resumen de los resultados obtenidos
Con las distintas medidas propuestas se consigue mejorar el desempeño del sistema, paliando la caída de productividad que se tenía en caso base. Al reducir el tamaño de los lotes la saturación es menor, por lo que se procesan más muestras. Combinado con el vaciado previo de la línea la pérdida de capacidad se reduce a la mitad.
Sin embargo, el problema no es solucionado de raíz, son medidas que ayudan, pero no cambian el funcionamiento del sistema frente a la perturbación. Es al cambiar la distribución del transporte, o al implantar el sistema de control de inventario cuando se consigue que la productividad sea la misma que antes de la introducción de las muestras inter-día.
Con las dos medidas se consigue elevar el cuello de botella del sistema que es la interrelación de las líneas, que se estrangulan entre sí. La mejora que se obtiene es de pasar a trabajar a un 75% de la capacidad teórica del sistema, a en torno a un 90%.
4. Conclusiones
El análisis de la situación inicial del laboratorio y de los diferentes escenarios analizados y presentados, permiten extraer dos cosas: Un diagnóstico del problema inicial que se tiene en la operación de este sistema, y una propuesta de solución que surge entre las analizadas como la solución más razonable y de mayor impacto.
Existe una fuerte interrelación entre las líneas, debido al transporte que queda bloqueado cuando alguna de ellas satura. Al bloquearse el transporte se produce un estrangulamiento de las líneas que no estaban saturadas, para las que queda interrumpido el flujo de muestras y se pierde productividad.
Además, debido a medidas como la de introducir un lote completo de muestras inter-día en el sistema para ser procesadas, saturando una línea directamente, se produce una perturbación para la que el sistema no tiene respuesta posible. Si se opera al máximo nivel de inventario en la línea cualquier anomalía provoca bloqueos.
Se recomienda como solución óptima, modificar el software del sistema, introduciendo el programa necesario para realizar un control de inventario en curso de las líneas, y una asignación en función de la ocupación.
Esta medida, resulta económicamente ventajosa, ya que la inversión es limitada, el desarrollo del software no es excesivamente complejo, y no habría que tocar la disposición física del laboratorio. No implica cambios en el comportamiento de los operarios, y el laboratorio no tendría que detener su operación por lo que no se deja de satisfacer a la demanda existente.
Se produce un incremento de la producción importante, aumentando el número de muestras procesadas por encima del 20%. Un incremento así consigue que se alcance la productividad que se esperaba, por tanto, cesen las reclamaciones de los clientes al respecto, y un importante aumento de los ingresos del laboratorio.
Con el nuevo sistema el tiempo de las muestras en el sistema es inferior a las 24 horas, así que el laboratorio permanece competitivo para satisfacer las exigencias de los servicios de urgencias de los hospitales.
En los escenarios simulados, se muestra el efecto de la variabilidad sobre un sistema dinámico. Se ha comprobado que un sistema que funciona manteniendo niveles de inventario en curso controlados, reduciendo los tiempos sin valor añadido y elevando los cuellos de botella, absorben mejor esta variabilidad, reaccionan antes y están preparados para operar en condiciones más desfavorables.
Finalmente, se ha visto la importancia del diseño y del rediseño en un sistema productivo, la búsqueda constante de mejoras hace que se detecten problemas de diseño y se mejore la productividad, lo que supone una ventaja competitiva.

1. Introduction
Clinical analysis is one of the vital steps of the diagnosis and treatment cycle, in constant interaction with hospitals and health centers consultations. According to the figures, data obtained from the laboratories are involved in 65% of the critical decisions in the sector, and clinical analysis accounts for 10% of the budget of a medical center.
Despite its importance, there is a common and mistaken image that pictures clinical laboratories as manual processes, when in fact, they are highly automated production lines involving substantial operative complexity.
These lines receive thousands of samples every day, they are classified, processed and transported to be tested. This set of industrial processes are usually run by professionals from outside the world of operations management. Often in these systems the effects of variability go unnoticed.
As a result, there is a facility with diverse production lines where the theoretical capacity is never reached, delays on delivery and suffocations in the system. And sometimes, the lack of capacity or the reduced number of machines is blamed as responsible, when operative measures are the ones that should be blamed.
Therefore, in this project a clinical analysis laboratory will be modelled, a system based on real industrial laboratories, that currently suffer from productivity losses and fail to meet demand.
By using simulation, the current situation of the system will be reproduced, with the intention of conducting a diagnosis, identifying the causes for low productivity and different scenarios will be analyzed, implementing measures to boost performance in the laboratory, measuring their impact and viability.
2. Methodology
To analyze the laboratory mentioned before, the software created by Rockwell called Arena is the tool chosen. This tool is appropriate due to the system characteristics, it is a discrete, stochastic and dynamic system.
For the complete analysis of a real system, the methodology is the following:
 Full description of the problem and the system, for which data collection is the first step.
 Development of a simulation model, from the conceptual form to the full model in the simulation software.
 Validation of the model, comparing dynamic behaviors with those of the real system.
 Design the KPIs to measure the performance of the system and their variation among different scenarios.
 Analysis of the results obtained of the different scenarios and improvement measures. Evaluate and iterate the whole process.

3. Results
The analysis starts by establishing a base case of the operation of the laboratory. In this case the theoretical capacity rises to 12385 samples a week. The samples are processed equally by the three lines, the workload is homogeneously distributed.
In this base case, the system introduces 12000 samples to be processed, of which 10600 comes as output, and the rest remains as WIP which will be process the next week. The level of utilization in the lines, and there is a strong interaction between lines that could cause productivity losses.
In order to test the system in adverse conditions, a new arrival is introduced to the model. There are some samples which must be processed in some specific tests that are only conducted once a day, in the same line. The variability in the system increases, saturating one of the lines introducing 150 special samples a week.
To test the effect in a compensated manner, the number of normal samples that arrives is reduced, so that the total entering the system remains at 12000. But as a response to this change in the distribution of the samples and their type, productivity falls around a 20%, being capable only to process 8400 samples a week. This case is called Scenario 0, and it is the case with which different scenarios are compared, to try measures to compensate this productivity fall.
The problem lies in the design of the transport system, due to this design, if one of the lines collapses, and the buffer before it is full, then the transport is blocked by samples that waits their place in the line standing in the common segment, interrupting the sample flow to the other lines.
The following scenarios are analyzed:
 Scenario 1: Reduction of the batch size of the special simples introduced in the system. Instead of introducing 150 special samples at once, the batch is divided in smaller batches before being introduced by the operator, to reduce the variability introduced in the system.
 Scenario 2: Vaciado de la línea previo a la introducción del lote de pruebas inter-día. To avoid the overflow of the line caused by the arrive of the batch of special samples, the flow of samples heading the line is interrupted, so that the queue is processes and the line is able to accept the incoming batch.
 Scenario 3: Combining Scenarios 1 and 2
 Scenario 4: Modification of the layout of the transport system. The transport changes from a sequential distribution with shared segments, to a star distribution which feeds the three lines independently.
 Scenario 5: Changes in the size of the output and urgent samples batches. The size of the batches in the system is modified, to study its impact in the system.
 Scenario 6: Inventory control system. A software that controls the stock level in the production lines avoids the overflow and the transport system avoids the blockage.
In every scenario proposed, the performance of the system improves, reducing the productivity fall that was noticed in the Scenario 0. Reducing the size of the batches introduced the overflow last for a shorter period of time, increasing the number of samples processed. Combining the reduction of the batch with the order to empty the line before the arrival of the special samples, the capacity loss is reduced by a half.
However, the root cause of the problem has not been tackled, these measures help but they do not change the behavior of the system when facing a disruption. It is changing the transport layout or using the inventory control system when productivity is restored to the level of the base case.
With the two measures the bottleneck of the system, which was the codependence between the different lines, is relieved. The improvement obtained goes from working at a 75% of the theoretical capacity to working around 90%.
4. Conclusions
The analysis of the initial situation of the laboratory and of the different scenarios presented, allows to extract two different outputs: Firstly, a diagnosis of the initial problem regarding the operation of the system, and also, the proposal of a solution that rise among all the analysed as the most convenient, the one with greater effect.
The diagnosis: There is a strong relation between the lines. This dependence is caused by the transport system which blocks right after one of the lines gets overflowed. When the transport is blocked, the adjacent queues are left without input to process and productivity is lost.
In addition, due to operative measures as introducing a complete batch of special samples to be processed, a line gets overflowed. There is a disruption for which the system has no possible contingency. If it operates at the highest inventory level allowed, in any line, a small change can cause a blockage.
As the optimum solution, it is recommended to modify the software of the system, introducing a program necessary to establish an inventory control system, which limits the size of the queues in the lines and reassigns the destination line regarding current utilization.
This measure requires limited investment, as software development is not excessively complex, and the physical distribution of the facility wouldn’t need to be modified. It doesn’t imply changes in the behaviour of the operators and the laboratory wouldn’t have to stop its normal operations.
There is a significant increase in productivity, rising the number of processed samples over 20%. Such an increase achieves the target productivity, so that clients’ complains cease, and the total revenue of the laboratory increases.
With the changes in the system, the total time that the samples are in the system is below 24 hours, so the laboratory remains competitive to satisfy the demands of the hospitals’ emergency services.
In the simulated scenarios, the effect of variability in a dynamic system is highlighted. It has been proved that a system that operates around specific and controlled inventory levels, have reduced non-value-added time and absorb better variability, being able to respond faster and better to unfavorable working conditions.
Finally, it has been noticed the importance of correct design and continuous redesign in a productive system. The continuous search of improvements finds hidden problems and increases productivity, obtaining a competitive advantage.