La programación quirúrgica ORION apunta al retraso acumulado de Manitoba con planificación asistida por IA
El investigador de la Universidad de Manitoba, Dr. Jay Toor, está desarrollando la programación quirúrgica ORION para abordar los retrasos acumulados en ortopedia, aunque los incrementos de capacidad previstos aún esperan validación local. La iniciativa se dirige a un problema hospitalario práctico: ajustar la demanda quirúrgica al tiempo disponible en quirófano. Su pregunta central es cuánta atención adicional puede brindar una mejor planificación dentro de los límites de recursos existentes.
La universidad presentó el proyecto el 9 de octubre de 2026 y describió pruebas por etapas en el Health Sciences Centre de Winnipeg. Los investigadores prevén un aumento del 5 % al 8 % en la capacidad quirúrgica ortopédica y una reducción del 10 % al 15 % en los tiempos de espera. Estas cifras describen beneficios esperados, no mejoras medidas tras una implementación completada en Manitoba.
El trabajo relacionado en el Sunnybrook Health Sciences Centre de Toronto ofrece una referencia útil. Allí, los investigadores han estudiado la programación asistida por IA bajo el nombre SMART-S, junto con trabajos publicados que combinan predicciones y planificación matemática. En conjunto, estos proyectos examinan una propuesta concreta: mejores estimaciones y calendarios pueden recuperar capacidad utilizable. Los líderes hospitalarios aún necesitan pruebas de que esos beneficios se mantienen frente a limitaciones de personal, alteraciones diarias y prioridades clínicas.
La programación quirúrgica ORION avanza hacia la validación local
ORION significa Operating Room Intelligence and Optimization Network. Según el informe de la universidad sobre su investigación de programación quirúrgica, Toor lidera la iniciativa con el apoyo de una Research Manitoba Solutions Grant. La evaluación prevista comenzará con información histórica antes de pasar a pruebas prospectivas, que evalúan un sistema a medida que ocurren nuevos eventos.
El primer año examinará 10 años de datos de pacientes del Health Sciences Centre para evaluar predicciones sobre la demanda quirúrgica pasada. El segundo año está previsto que se centre en pruebas prospectivas en el hospital. El anuncio establece una secuencia de investigación; no establece que los calendarios generados por IA ya determinen las asignaciones habituales de pacientes.
El cambio inmediato es una evaluación local financiada de tecnología de programación, mientras los beneficios para los pacientes siguen siendo una hipótesis por comprobar.
Esta distinción afecta a cómo los lectores deben interpretar la ambición del proyecto. Una evaluación histórica pregunta si un modelo puede realizar predicciones útiles a partir de registros. Una evaluación en vivo pregunta si las personas pueden actuar sobre esas predicciones en condiciones reales de trabajo. El éxito en la etapa anterior respalda pruebas posteriores, pero no resuelve la cuestión siguiente.
Para los gestores hospitalarios, la distinción separa un instrumento de planificación prometedor de una infraestructura operativa fiable. Las recomendaciones deben llegar con suficiente antelación para influir en las decisiones. También deben reflejar los recursos que las personas pueden desplegar realmente, incluidas las limitaciones que cambian después de preparar un calendario.
Considere un día quirúrgico hipotético con una franja que parece lo bastante larga para otro procedimiento. Ocupar esa franja requiere más que identificar a un paciente. El equipo pertinente, el equipamiento, la preparación y los acuerdos de recuperación deben coincidir. Una previsión solo resulta útil cuando el hospital puede convertirla en una asignación viable.
Este ejemplo ilustra la cuestión de implementación sin afirmar que describa una asignación de ORION ya completada. El valor del proyecto depende de si una mejor información cambia estas decisiones. Una previsión más precisa que nunca influye en la programación seguiría siendo un resultado de investigación, en lugar de una mejora del acceso.
El contexto local importa por otra razón. Los registros hospitalarios describen prácticas pasadas, además de las necesidades de los pacientes. Una evaluación debe examinar qué patrones siguen siendo relevantes y cuáles reflejan condiciones anteriores. De lo contrario, un sistema corre el riesgo de aprender cómo se trabajaba antes sin respaldar adecuadamente cómo debe trabajarse después.
Por tanto, para la programación quirúrgica ORION, un hito inicial creíble combinaría resultados de predicción con una explicación clara del uso operativo previsto. Los lectores deberían fijarse en las decisiones que respalda cada resultado. Predecir la demanda, estimar la duración de un procedimiento y elegir asignaciones son tareas relacionadas, pero cada una requiere sus propias pruebas.
Más procedimientos no implican automáticamente esperas más cortas
La presión que enfrentan los líderes hospitalarios va más allá de recuperar minutos vacíos. Los pacientes necesitan un acceso que mejore de forma constante, mientras que el personal necesita calendarios que pueda ejecutar con seguridad. Un sistema de planificación debe conectar esos objetivos en vez de tratar el quirófano como un calendario aislado.
Los datos nacionales muestran por qué la actividad por sí sola es una medida incompleta. En sus hallazgos sobre procedimientos prioritarios, el Canadian Institute for Health Information informó de un aumento en el volumen de procedimientos junto con problemas persistentes de acceso. Canadá realizó un 26 % más de reemplazos de cadera y un 21 % más de reemplazos de rodilla en 2024 que en 2019. Sin embargo, el acceso oportuno siguió por debajo de los niveles previos a la pandemia para esos procedimientos.
En 2024, el 68 % de los pacientes de reemplazo de cadera y el 61 % de los pacientes de reemplazo de rodilla recibieron cirugía dentro de los seis meses recomendados. Estas cifras nacionales aportan contexto, no una referencia de Manitoba ni una predicción del rendimiento de ORION.
Las mejoras en la programación deben evaluarse por los avances en el acceso junto con el volumen quirúrgico, porque un servicio más ocupado aún puede dejar a pacientes esperando.
La cuestión analítica es la relación entre la demanda y la atención completada. Los procedimientos adicionales ayudan a reducir una cola cuando superan las nuevas incorporaciones, manteniendo constantes los demás factores. Si la demanda también aumenta, un hospital puede incrementar su actividad sin lograr una reducción comparable de la espera.
Esto significa que las proyecciones de capacidad y tiempo de espera del proyecto requieren evaluaciones separadas. Un aumento de capacidad describe trabajo adicional que el servicio puede realizar. Una reducción del tiempo de espera describe un cambio en la experiencia de los pacientes. La conexión entre ambos depende de quién entra en la cola, qué casos reciben prioridad y cómo cambia la cola.
Por consiguiente, los administradores hospitalarios afrontan un problema de medición además de uno de programación. Deben explicar qué significa una mejora. ¿Representa más operaciones completadas, menos cancelaciones, esperas más cortas, menos horas extra o una combinación? Cada resultado responde a una preocupación pública diferente.
La distinción también importa para los clínicos que deciden si respaldar un nuevo proceso. Un calendario más completo podría ayudar a que sus pacientes reciban tratamiento antes. También podría generar exigencias adicionales de coordinación. La evaluación debe hacer visibles esos efectos, en vez de permitir que una única medida de actividad represente el éxito general.
Para los pacientes, los promedios por sí solos ofrecerían una tranquilidad limitada. Un servicio puede mejorar su espera típica mientras deja a algunas personas esperando mucho más. Por ello, cualquier resultado futuro debería explicar cómo se distribuyen los beneficios, incluido si los pacientes con necesidades más complejas experimentan mejoras comparables.
La responsabilidad recae directamente sobre el liderazgo hospitalario para traducir un experimento técnico en un resultado de servicio comprensible. Los investigadores pueden informar sobre la precisión de las predicciones, pero los administradores deben decidir si el proceso resultante merece un uso sostenido. Esa decisión requiere pruebas que las personas fuera del equipo de modelado puedan interpretar.
La explicación pública más sólida conectaría cada etapa: una mejor previsión cambió una decisión de asignación, la asignación se convirtió en una operación completada y el acceso mejoró. Sin esa conexión, las afirmaciones sobre eficiencia corren el riesgo de detenerse antes del resultado que más importa a los pacientes.
Mejores estimaciones de tiempo cambian qué casos encajan
El precedente técnico es más específico que una afirmación general de que la IA puede mejorar la atención sanitaria. Un estudio revisado por pares publicado el 23 de enero de 2026 examinó la programación de artroplastias, cirugías que reemplazan o reconstruyen una articulación. Entre sus autores figuraban Toor e investigadores vinculados a Sunnybrook y a la Universidad de Toronto.
El estudio combinó aprendizaje automático, que aprende patrones predictivos a partir de datos, con optimización matemática, que selecciona disposiciones bajo restricciones definidas. Su estudio de programación comparó las duraciones previstas de los procedimientos y los calendarios generados con un enfoque que utilizaba tiempos medios móviles.
Los investigadores informaron de que los calendarios generados redujeron el tiempo no utilizado de quirófano en un 56,2 %, equivalente a 13,3 minutos al día. Las horas extra aumentaron un 17,2 %, equivalente a 3,6 minutos al día. Estos resultados pertenecen a la evaluación de ese estudio y no deben presentarse como resultados completados en Manitoba.
El hallazgo publicado respalda un mecanismo de programación al tiempo que expone su contrapartida: menos tiempo no utilizado implicó horas extra adicionales.
La predicción y la programación contribuyen de forma diferente a ese mecanismo. Una predicción estima cuánto durará un caso. Un proceso de programación decide después cómo deben encajar los casos. Incluso una estimación útil no especifica qué paciente debe recibir una franja concreta ni cuánta incertidumbre debe aceptar el personal.
Un ejemplo hipotético hace concreta la distinción. Suponga que una estimación existente deja un hueco que parece demasiado pequeño para otro caso. Una estimación más precisa podría revelar una asignación viable. Como alternativa, podría mostrar que el calendario original ya era demasiado ambicioso y debería contener menos casos.
Ambos resultados pueden representar una mejor planificación. El valor consiste en tomar decisiones que correspondan a las condiciones reales, en lugar de producir siempre un calendario más completo. Una evaluación centrada únicamente en asignaciones adicionales podría pasar por alto mejoras que evitan compromisos poco realistas.
El resultado de las horas extra merece la misma atención que la reducción del tiempo no utilizado. Los porcentajes relativos describen cambios respecto a una referencia, mientras que los minutos muestran su magnitud absoluta. Los lectores necesitan ambos para comprender la relevancia operativa. Ninguna cifra por sí sola determina si la contrapartida sería aceptable en otro lugar.
Un hospital podría aceptar horas extra adicionales en algunas circunstancias y rechazarlas en otras. Esa elección depende de las prioridades y limitaciones locales. Debe mantenerse explícita, especialmente cuando un algoritmo puede producir diferentes calendarios según los objetivos que reciba.
Por tanto, la cuestión práctica para la programación quirúrgica ORION es cómo equilibrarán sus recomendaciones demandas contrapuestas. Ocupar el tiempo, limitar los excesos, atender la urgencia clínica y mantener calendarios viables no siempre apuntan hacia la misma disposición.
El estudio ofrece una razón para investigar ese equilibrio, no una respuesta universal. Sus hallazgos respaldan la propuesta de que mejores estimaciones pueden mejorar las decisiones de programación. No establecen que todos los hospitales obtendrán la misma capacidad utilizable ni que cada minuto recuperado se convierta en otro procedimiento completado.
Sunnybrook ofrece una comparación, no un resultado de Manitoba
Sunnybrook ofrece una comparación institucional relevante porque sus investigadores persiguen un trabajo de programación estrechamente relacionado. Su informe de programa de 2026 describe SMART-S como un sistema que predice los tiempos de procedimientos ortopédicos electivos y utiliza esas estimaciones para respaldar la programación.
La actualización del programa SMART-S de la fundación del hospital indica que un equipo dirigido por la Dra. Cari Whyne está comparando el rendimiento con el proceso manual existente. El informe también identifica como objetivo la previsión de los volúmenes de casos de trauma y urgencias. Esto sitúa el trabajo dentro de un programa de evaluación continuo.
La comparación útil se refiere a cómo distintos centros validan la planificación asistida por IA, no a qué proyecto hace la promesa más ambiciosa.
La programación manual proporciona una referencia esencial, ya que un sistema nuevo debe mejorar el proceso que las personas ya utilizan. Esa comparación debe ser justa. Un modelo evaluado frente a una descripción excesivamente simplificada de la práctica actual aportaría evidencia menos útil que uno probado frente a decisiones operativas reales.
Para los compradores hospitalarios, la distinción cambia la conversación de contratación. Una demostración pulida puede mostrar que el software genera calendarios. No puede establecer que esos calendarios superen a coordinadores experimentados que trabajan con la misma información. Eso requiere una comparación diseñada en torno al servicio real.
La relación entre SMART-S y ORION también exige una cobertura cuidadosa. Los intereses de investigación compartidos y los colaboradores coincidentes aportan contexto relevante. No justifican asumir que los sistemas cuentan con software, datos de entrada, acuerdos de implementación o resultados idénticos.
Una evaluación local debe explicar qué componentes se trasladan y cuáles requieren adaptación. Parte del valor transferible podría provenir de métodos o aprendizajes, en lugar de un modelo sin cambios. Eso seguiría representando un avance útil, siempre que el informe deje claros los límites.
La lección tecnológica más amplia es que la IA operativa necesita un papel definido. Los hospitales deberían poder indicar si el software estima duraciones, propone horarios, pronostica la demanda entrante o respalda otra decisión. Describir todas esas funciones simplemente como IA oculta el trabajo necesario para evaluar cada una.
Para los desarrolladores, la interfaz exigente se encuentra entre una recomendación y la persona que debe actuar en función de ella. Los resultados útiles necesitan suficiente explicación para que el personal evalúe su viabilidad. También necesitan una forma de registrar por qué una recomendación aparentemente razonable no era adecuada.
Esa retroalimentación puede orientar el desarrollo futuro sin tratar cada desacuerdo como resistencia del usuario. Un coordinador puede conocer una restricción ausente de los datos. Como alternativa, una recomendación puede revelar un supuesto que conviene reconsiderar. La implementación debe dejar espacio para ambas posibilidades.
Por tanto, la comparación continua de Sunnybrook ofrece a Manitoba un punto de referencia significativo sin adelantar un veredicto. La evidencia más sólida mostraría cómo cambia cada flujo de trabajo local, qué resultados mejoran y dónde la tecnología sigue sin poder ayudar.
La adopción del personal y el acceso equitativo deben formar parte de la evaluación
La evidencia sobre la implementación aporta una perspectiva distinta del rendimiento del modelo. Un estudio cualitativo de julio de 2026 examinó los preparativos para la programación habilitada por aprendizaje automático en un centro ortopédico canadiense. Sus participantes incluyeron a 17 personas en funciones clínicas, administrativas y de liderazgo.
El estudio sobre la implementación de la programación identificó preocupaciones sobre la información fragmentada, los procesos existentes y las limitaciones de recursos. Los participantes expresaron distintos niveles de apoyo a la tecnología propuesta, al tiempo que subrayaban la adecuación al flujo de trabajo, la formación, un diseño utilizable y una implementación gradual. Estos hallazgos describen percepciones previas a la implementación, no beneficios medidos para los pacientes.
La aceptación del personal forma parte del rendimiento operativo, y un sistema que añade trabajo puede socavar sus propias mejoras en la programación.
Se trata de una cuestión práctica, no de un referéndum sobre si a los clínicos les gusta la IA. El personal debe entender cuándo consultar una recomendación, quién puede modificarla y cómo llegan los cambios a todas las personas afectadas. La ambigüedad en esos puntos puede generar trabajo adicional de coordinación.
Los hallazgos del estudio respaldan examinar estas cuestiones desde el principio. No demuestran que ORION haya encontrado las mismas barreras. Para Manitoba, la inferencia adecuada es que la implementación merece una evaluación explícita, en vez de asumir que predicciones útiles pasarán automáticamente a la práctica habitual.
El acceso equitativo introduce otra cuestión de diseño. Un objetivo de programación expresa lo que el sistema intenta mejorar. Si ese objetivo pone el énfasis en los casos completados, los evaluadores deberían examinar si crea incentivos que entren en conflicto con las prioridades clínicas. Este es un riesgo que se debe probar, no un hallazgo establecido sobre ORION.
Por ejemplo, una evaluación podría examinar si los pacientes que necesitan procedimientos más largos se benefician del nuevo proceso. También podría hacer seguimiento de los casos reprogramados repetidamente cuando cambian los horarios. Estas comprobaciones ayudarían a distinguir un servicio que mejora de forma amplia de otro cuyas ganancias principales ocultan efectos desiguales.
El juicio clínico necesita un lugar claro en ese proceso. Una recomendación no debería ser más difícil de cuestionar simplemente porque la generó un software. El personal debería disponer de una vía práctica para anular sugerencias inadecuadas y registrar la razón operativa o clínica.
Los registros resultantes podrían convertirse en material útil de evaluación. Las anulaciones frecuentes podrían indicar información ausente, objetivos mal elegidos o restricciones que cambian más rápido de lo que el sistema puede adaptarse. Las anulaciones ocasionales podrían simplemente reflejar la responsabilidad humana adecuada ante situaciones inusuales.
Las cuestiones de privacidad también siguen siendo relevantes porque la evaluación histórica prevista implica información de pacientes. Las descripciones públicas deberían explicar cómo los investigadores gobiernan el acceso y el uso. El anuncio disponible no aporta suficiente detalle para evaluar todas las salvaguardas técnicas u organizativas.
Un conjunto de datos históricos es una oportunidad para el análisis, pero su tamaño no resuelve si la información respalda las decisiones previstas. Los evaluadores deberían examinar la integridad, la coherencia y la relevancia. Más registros no pueden compensar una restricción importante que nunca se registró.
Por tanto, la postura escéptica más sólida es específica: la precisión predictiva por sí sola no es evidencia suficiente de una mejora del servicio. ORION necesita evaluación en términos de usabilidad, decisiones viables, acceso de los pacientes y carga de trabajo del personal. Ese estándar permite reconocer resultados prometedores, al tiempo que mantiene claramente identificados los beneficios no comprobados.
Observe el diseño de la evaluación antes de esperar resultados sobre las listas de espera
Los próximos avances significativos se refieren a cómo los investigadores definen el éxito y avanzan hacia las pruebas. Durante los próximos meses, los lectores deberían distinguir los anuncios sobre métodos de la evidencia sobre resultados para los pacientes. El plan gradual de la universidad no justifica esperar de inmediato una evaluación completada de los tiempos de espera.
La primera señal que conviene observar es un diseño de evaluación más claro. La información útil incluiría la referencia de partida, las decisiones que ORION respalda y los resultados que los investigadores pretenden medir. Un diseño específico facilitaría evaluar las afirmaciones posteriores y reduciría la ambigüedad sobre los beneficios proyectados.
Esa información también debería distinguir las pruebas históricas del uso en vivo. Un resultado retrospectivo, producido a partir de registros anteriores, puede reforzar el argumento a favor de una evaluación prospectiva. No puede establecer de forma independiente cómo responden el personal y los pacientes cuando las recomendaciones influyen en la programación real.
La segunda señal es evidencia de integración operativa. Los lectores deberían buscar una explicación de quién recibe las recomendaciones, cuándo llegan y cómo las revisa el personal. Un flujo de trabajo definido reforzaría la propuesta de que los resultados de las predicciones pueden influir en la prestación de atención.
Por el contrario, una presentación limitada a la precisión del modelo dejaría abierta la cuestión de la implementación. Eso no haría que la investigación careciera de valor. Significaría que la evidencia disponible aborda una afirmación más limitada que la mejora de la capacidad hospitalaria.
La tercera señal es una presentación equilibrada de los resultados y las contrapartidas. Cuando estén disponibles los resultados en vivo, los procedimientos completados y los tiempos de espera deberían aparecer junto con las cancelaciones, las horas extra y las medidas relevantes de acceso. Las ganancias acompañadas de nuevas cargas deben entenderse en conjunto.
El contexto independiente ayuda a explicar por qué importa ese equilibrio. El indicador de reemplazos articulares de CIHI mide la proporción de reemplazos planificados completados dentro de las 26 semanas, o 182 días, desde la preparación para el tratamiento. Una medida claramente definida hace que las comparaciones sean interpretables.
Esa definición también ilustra una obligación de informar para cualquier resultado futuro de Manitoba. Los investigadores deberían identificar cuándo comienza un periodo de espera y qué pacientes entran en el cálculo. Cambiar la definición puede modificar el resultado aparente sin cambiar la experiencia de un paciente.
La evidencia será más persuasiva cuando mejores predicciones generen horarios viables y mejoras medibles en el acceso sin ocultar los costes operativos.
Estas señales reforzarían el caso del proyecto de forma secuencial. Un diseño transparente aclararía la afirmación. Un proceso funcional demostraría que las personas pueden utilizar el sistema. Unos resultados equilibrados establecerían si ese uso aporta beneficios que vale la pena sostener.
Lo contrario también sería informativo. Unas referencias de partida poco claras debilitarían las comparaciones, los problemas persistentes de flujo de trabajo limitarían la utilidad y los resultados desiguales requerirían cambios en el enfoque. Informar de esos hallazgos aportaría más que tratar cada avance como una confirmación.
Para los desarrolladores de IA y los compradores empresariales, la programación quirúrgica de ORION ofrece un ejemplo práctico de lo que debe contener la evidencia operativa. La cuestión relevante va más allá de si un modelo predice con precisión. Incluye si la organización puede convertir esa predicción en una decisión mejor y verificar las consecuencias.
Siga los hitos de evaluación del proyecto antes de considerar las reducciones proyectadas de los tiempos de espera como beneficios establecidos. Pregunte qué decisiones cambiaron, qué pacientes accedieron antes y qué ocurrió con las cancelaciones y la carga de trabajo del personal. Cuando aparezcan resultados, compare las definiciones y la referencia de partida antes de comparar los porcentajes principales. Mantenga las pruebas históricas separadas de los hallazgos prospectivos y examine cómo los investigadores explican los casos en los que se rechazaron las recomendaciones. La iniciativa de Manitoba merece atención porque aborda un problema concreto de servicio con un enfoque comprobable. Su contribución quedará más clara mediante informes transparentes sobre ganancias útiles, límites prácticos y ajustes necesarios. ¿Qué evidencia convencería a los pacientes y al personal hospitalario de que el nuevo proceso de programación hace que la atención sea más accesible?
