Paulo Villarroel

Notas técnicas

Cinco lecturas del problema que cambian el diseño del sistema

Cada una de estas posiciones existe porque la lectura habitual del problema es común, cara y equivocada, y porque decidir distinto cambió algo concreto en un sistema que está corriendo. Al final de cada una está el sistema donde esa decisión se sostiene.

Una lista de espera es una cohorte censurada, no un inventario

Contar a quienes siguen esperando describe a los sobrevivientes del proceso, no a la demanda.

La lista de espera solo contiene a quien todavía está en ella. Quienes egresaron —por atención, por resolución en otro punto de la red, por desistimiento o por fallecimiento— desaparecen del corte. Medir el tiempo de espera promedio sobre esa foto es medir a los que aún no salen, que es precisamente el subgrupo con esperas más largas.

El tratamiento correcto es de análisis de supervivencia: el egreso es el evento, la permanencia es el tiempo a evento, y quien sigue esperando al cierre del periodo está censurado por la derecha, no ausente. Sin esa corrección, las series temporales de espera parecen mejorar cuando en realidad solo cambió la composición de la cohorte.

La consecuencia práctica es presupuestaria: la demanda real y la demanda visible no coinciden, y las decisiones de asignación se toman sobre la segunda.

Dónde se sostieneProyector y simulador de listas de espera

Interoperabilidad no es pasar un JSON

El transporte es la parte fácil. Lo difícil es que las dos partes signifiquen lo mismo.

Intercambiar mensajes entre dos sistemas es un problema resuelto hace décadas. Que el mensaje sea interpretable es otra cosa: exige terminologías mapeadas, unidades declaradas, vocabularios controlados y una definición compartida de qué cuenta como un diagnóstico, una atención o un episodio.

A eso se suma la identidad. Si el mismo paciente resuelve a dos llaves distintas en cada extremo, un intercambio perfectamente formado produce dos historias clínicas paralelas para una sola persona. La vinculación de identidades es un prerrequisito de la interoperabilidad, no un detalle posterior.

Un JSON bien formado con semántica ambigua transporta datos que no se pueden agregar, comparar ni auditar. La interoperabilidad se mide en si dos instituciones pueden sumar sus cifras sin negociarlas, no en si sus endpoints responden 200.

Dónde se sostieneDeduplicación probabilística y vinculación de registros

La Ley 21.719 es un requisito de arquitectura, no de papeleo

Tratar el dato de salud como dato sensible cambia el diseño del pipeline, no solo el anexo legal.

La nueva ley chilena de protección de datos personales sitúa los datos de salud en la categoría de datos sensibles, con exigencias reforzadas de base de licitud, finalidad determinada, minimización y trazabilidad del tratamiento. Institucionalmente se suele leer como un asunto de consentimientos y formularios.

Técnicamente implica otra cosa: pseudoanonimización dentro del pipeline y no al final, separación entre las llaves identificatorias y los atributos clínicos, control de acceso por rol sobre las tablas intermedias, y un registro auditable de qué consulta tocó qué dato y con qué justificación.

Diseñar eso desde el principio es barato. Retrofitearlo sobre un almacén analítico que ya mezcló identificadores con variables clínicas es caro, y en la práctica suele terminar en la restricción del acceso a los propios equipos que necesitan el dato para gestionar.

Dónde se sostieneAnonimización con k-anonimidad y l-diversidad

Un modelo que prioriza no puede desestimar

Si el algoritmo puede sacar a alguien de la lista sin que un médico lo mire, el error deja de ser recuperable.

Un clasificador clínico comete dos errores que no cuestan lo mismo. Un falso positivo gasta tiempo de auditoría médica, que es caro pero acotado. Un falso negativo devuelve a un paciente con cáncer a la cola general, donde nadie va a volver a mirarlo, y el coste lo paga una persona.

Por eso el sistema etiqueta tres estados y no dos. Sospechoso e indeterminado se derivan de forma obligatoria a revisión médica; el algoritmo nunca cierra un caso por su cuenta. La categoría intermedia no es una debilidad del modelo: es el lugar donde se deposita explícitamente lo que el modelo no sabe.

La consecuencia de diseño es que el umbral no se optimiza para exactitud global. Se calibra para que el error caro sea el que el sistema comete menos, aceptando de entrada más trabajo de auditoría. Esa es una decisión clínica antes que estadística, y por lo tanto no la puede tomar el modelo.

Dónde se sostieneClasificador oncológico de la lista de espera quirúrgica

Una cifra de política pública sin pipeline detrás es una opinión

Si el número no se puede reproducir, la decisión que se tomó con él no se puede defender.

Las cifras de lista de espera sostienen asignación presupuestaria, metas sanitarias y compromisos con la red asistencial. Cuando salen de una planilla que alguien armó a mano, no hay forma de explicar por qué el dato de marzo no cuadra con el de febrero, ni de distinguir un cambio real de un cambio de criterio.

La solución no es documentar más. Es que detrás de cada cifra haya un pipeline versionado, con la fecha de corte como parámetro explícito, pruebas de calidad sobre las capas del almacén, y un repositorio donde cada cambio de criterio quede fechado y atribuido a alguien.

Eso convierte la reproducibilidad en un mecanismo de rendición de cuentas y no en una virtud metodológica. Cuando alguien pregunta de dónde salió el número, la respuesta deja de ser una explicación y pasa a ser un commit.

Dónde se sostieneArquitectura analítica sobre tecnologías abiertas