D-CAT Group ↗ Contacto ENTRDEESAZ
12 preguntas Iniciar un piloto de 4 semanas
Iniciar un piloto de 4 semanas

Soluciones · por sector · proveedores sanitarios

Hospitales: la cama, el pagador y la línea de ingresos, leídos cada mañana

CIO / CMIO (los datos se quedan on-premise; alcance a nivel de fila; enmascarado de datos personales) · CFO (dinámica de ingresos, mix de pagadores, descuento, objetivo) · Director Médico (flujo y calidad) · COO / director de atención ambulatoria (acceso y capacidad). El comprador suele ser el CIO con el CFO; el lector diario es el director médico.

Cómo los tres agentes de esta página leen un mismo modelo semánticoA la izquierda, un modelo semántico; en el centro, tres agentes programados - Agente del Director Médico, Agente CFO del Hospital, Agente de Acceso Ambulatorio; cada uno publica a la derecha findings, recommendations y un brief.modelo semánticoimportado desde Axoria Data Studiopatient_countencounter_countprocedure_countgross_revenuenet_revenueAgente del DirectorMédicosemanal · lunes 05:30FfindingRrecomm.BbriefAgente CFO del Hospitalmensual el día 3 · 06:00FfindingRrecomm.BbriefAgente de AccesoAmbulatoriodiario · 06:00FfindingRrecomm.Bbriefcada cifra de un registro lleva una dirección de evidencia

Preguntas

Las tres preguntas que un consejo hospitalario hace cada mes

  • ¿Sube la ocupación porque ingresamos más o porque los pacientes se quedan más tiempo?
  • ¿Qué pagador sostiene el crecimiento de los ingresos, y cuánto costó en descuento?
  • ¿Dónde perdemos pacientes antes de verlos — en la puerta del ED o en la agenda de citas?

En conversación

Preguntas de ejemplo que la gente escribe en la conversación

vía de profundización — la evidencia del finding se lleva congelada; una cifra nueva necesita una consulta nueva, y el agente lo dice

  • "Desglose la deriva del ALOS de General Surgery por tipo de ingreso."
  • "¿Es la tasa de abandono del turno de noche la misma en los tres campus?"
  • "¿Qué pagador creció más rápido en agosto, IVA excluido?"
  • "Muestre las inasistencias de cardiología por canal de reserva."
  • "¿Hasta qué punto están actualizados los datos?"

Personas

Tres agentes de ejemplo

Los agentes que siguen son ejemplos para este sector, no un conjunto fijo: Agente del Director Médico · Agente CFO del Hospital · Agente de Acceso Ambulatorio. La ejecución programada de cada uno se muestra en los conjuntos de ejemplo que siguen.

Conjunto 1

Agente del Director Médico

Audiencia: el director médico, los responsables de planta, el jefe del ED.

Conjunto 2

Agente CFO del Hospital

Audiencia: CFO, consejo, directores de campus — personas que ya ven la cifra pero no lo que la produjo.

Conjunto 3

Agente de Acceso Ambulatorio

Audiencia: gerente de operaciones ambulatorias, coordinadores de consultas, jefe del centro de llamadas.

El nombre de un agente dice qué medidas lee y para quién. No tiene ninguna de las atribuciones del cargo: no decide, no aprueba ni actúa.

Agentes para los temas que usted elija

Un agente es una descripción de funciones, un modelo semántico vinculado y un calendario — no código —, de modo que los temas que vigila los fija usted: un pagador, una línea de servicio, una campaña, un proveedor. Los primeros los escribimos con usted.

Construya sus agentes con nosotros →

Conjuntos de ejemplo

Tres conjuntos de ejemplo, una ejecución cada uno

Cada conjunto es una persona de agente y la salida de una ejecución programada — el brief, las recommendations y los findings en los que se apoyan — en el sobre de registro propio del producto. El primer conjunto está abierto; los otros dos, plegados. El modelo y las medidas que asumen los conjuntos se enumeran al pie de la página.

IlustrativoConjunto 1Agente del Director Médico
Persona
Lee el flujo clínico y la calidad de un grupo hospitalario privado de 380 camas con tres campus en una misma área metropolitana; separa "más pacientes" de "estancias más largas", y "más llegadas" de "más abandonos". · Audiencia: el director médico, los responsables de planta, el jefe del ED. · Tono: directo, guiado por las cifras, sin adjetivos; donde los datos no pueden separar dos explicaciones, lo dice. · Idioma de salida: en
Señales que vigila
(1) Deriva de la duración de la estancia sin cambio de case mix — días-cama al alza mientras las altas bajan. (2) Abandonos del ED por turno — la tasa LWBS y los minutos puerta-facultativo lado a lado. (3) Línea de vigilancia de reingresos — reingresos a 30 días por línea de servicio frente a una línea de vigilancia del 8 %, solo meses completos. (4) Tiempo de quirófano — minutos usados frente a minutos disponibles, y cancelaciones el mismo día. (5) Composición de la ocupación — la variación de la ocupación dividida en variación de ingresos y variación de la duración de la estancia.
Umbrales que se le dieron
finding 15 % · critical 40 % · métricas de ratio (ALOS, tasas, cuotas) 8 % · cuota mínima 2 % de los días-cama de la red · línea de vigilancia de reingresos 8.00 % · regla de gravedad: medium cuando se cruza un umbral, high cuando una métrica de ratio se mueve más de 1.25× su umbral o una métrica de recuento más de 1.5× el umbral de finding, critical por encima del umbral crítico; un tema ongoing conserva la severity que se le dio

Cabecera de la ejecución

  • Programado semanalmente, lunes 05:30, Europe/Istanbul
  • Periodo: agosto de 2026 (mes completo, 31 días, 21 días laborables) frente a agosto de 2025 (31 días, 21 días laborables); reingresos sobre las altas índice de julio de 2026 (la ventana de 30 días debe estar cerrada)
  • Datos completos hasta 2026-09-19, medido mediante max(DISCHARGE_DATE), hace 6 horas
  • Alcance: este modelo de datos tiene reglas de acceso a nivel de fila; el agente se ejecuta bajo el alcance de operaciones clínicas (todos los campus, sin importes de pagadores)
  • Modelo: el modelo aprobado del espacio de trabajo, escrito en la ejecución
  • Coste: registrado en la ejecución
Brief

Agosto de 2026: días-cama de General Surgery al alza con menos ingresos y estancias más largas — abandonos del ED en el turno de noche al 5.89 %, los reingresos de Internal Medicine siguen en curso

Franja de supuestos

No indicó un periodo; se asumió el último mes completo (agosto de 2026). Los reingresos se midieron sobre las altas índice de julio de 2026 para que la ventana de 30 días esté cerrada. Los importes de pagadores están fuera del alcance de este agente y no aparecen.

La ocupación de la red en agosto, del 79.90 % (9,412 de 11,780 días-cama), vino con estancias menos numerosas y más largas en General Surgery: la planta ingresó un 1.96 % menos de pacientes y dio de alta un 3.16 % menos que un año antes, pero usó un 7.79 % más de días-cama, lo que llevó su estancia media de 4.86 a 5.41 días (+11.30 %) y la ocupación de la planta al 84.89 %. En la puerta de urgencias la imagen es la inversa — más llegadas (+4.60 %) y más personas que se van antes de ser atendidas: la tasa de abandono subió del 2.14 % al 3.47 %, y la subida se sitúa en el turno de noche, donde el 5.89 % de 3,412 visitas terminaron sin contacto con un facultativo y el tiempo medio puerta-facultativo fue de 61 minutos. La tasa de reingresos a 30 días de Internal Medicine se mantuvo por encima de la línea de vigilancia del 8.00 % en el 8.85 %, el tercer mes consecutivo; la tasa de la red es del 6.10 %. El eje de quirófano no se actualizó en esta ejecución.

covers: Finding 1, Finding 2, Finding 3

— Ejecución: semanal, el modelo aprobado del espacio de trabajo, datos completos hasta 2026-09-19. Guard Ledger: held 1 — candidato f-05 (utilización de quirófano), motivo numeric_provenance: el token 71 % no se resolvió a ningún sobre en esta ejecución; not_selected 0; duplicate 0.

Recommendation 1

Divida los días-cama de General Surgery por tipo de ingreso y grupo quirúrgico para agosto frente a su propio agosto de 2025 — la deriva está en tres grupos de cinco

based_on: Finding 1 · responsable: Jefe de Cirugía, con planificación de altas

La deriva de la duración de la estancia es un hecho a nivel de planta, todavía no una causa. Si la subida del ALOS se limita a los ingresos urgentes, cambió la gravedad en la puerta de entrada; si se sitúa en los ingresos programados, el proceso de alta es adonde va la siguiente medición. Ambos cortes están en este modelo y cuestan una consulta cada uno. Un índice de case mix no está en este modelo; si los grupos quirúrgicos no lo zanjan, esa es la métrica que hay que añadir antes de la revisión del próximo trimestre.

Los findings en los que se apoya

Finding 1

Deriva de la duración de la estancia: ALOS de General Surgery 4.86 → 5.41 días (+11.30 %) mientras las altas −3.16 % — días-cama +7.79 % con menos ingresos

severity highdirection upnovelty newtrust Adesglose SERVICE_LINE = General Surgery

En agosto de 2026 General Surgery dio de alta a 399 pacientes frente a 412 en agosto de 2025 (−3.16 %), y sin embargo sus días-cama subieron de 2,002 a 2,158 (+7.79 %). La estancia media (bed_days / discharges) pasó de 4.86 a 5.41 días (+11.30 %), 1.41× el umbral de ratio del 8 % — severity high. Los ingresos en la misma ventana fueron 401 frente a 409 (−1.96 %), por debajo de cualquier umbral, de modo que los días-cama adicionales no vinieron de más pacientes entrando. General Surgery tiene el 22.93 % de los 9,412 días-cama de la red en agosto, de modo que la deriva es visible a nivel de red: la ocupación de la planta quirúrgica (días-cama ocupados / disponibles) se sitúa en el 84.89 % (2,158 de 2,542) frente al 78.76 % (2,002 de 2,542) un año antes; la ocupación de la red es del 79.90 % (9,412 de 11,780). La deriva no es uniforme: tres de los cinco grupos quirúrgicos la muestran, dos están planos. Estos datos no pueden separar un cambio en la complejidad de los casos de un retraso en el proceso de alta — el modelo no contiene ningún índice de case mix; el desglose por grupo quirúrgico es el corte más cercano y no zanja la cuestión.

Recommendation 2

Ponga la tasa de abandono del turno de noche en una vigilancia semanal por campus, con los minutos puerta-facultativo al lado

based_on: Finding 2 · responsable: jefe del ED y director de enfermería

La tasa de abandono del mes completo oculta una tasa del turno de noche casi tres veces la del turno de día. Una vigilancia semanal por campus mostrará si un campus sostiene la subida o lo hacen los tres; el agente sellará el tema como ongoing en lugar de alertar una tercera vez. El cuadrante de personal no está en este modelo — el director de enfermería lo lee junto al registro.

Los findings en los que se apoya

Finding 2

Abandonos en el turno de noche: pacientes del ED que se fueron sin ser atendidos 2.14 % → 3.47 % de las visitas (+62.08 %) mientras las visitas al ED +4.60 % — la subida se sitúa en el turno de 20:00–08:00 al 5.89 %

severity criticaldirection upnovelty newtrust Adesglose SHIFT = Night

Las visitas al ED alcanzaron 9,638 en agosto de 2026 frente a 9,214 un año antes (+4.60 %). Los pacientes que se fueron antes de ver a un facultativo subieron de 197 a 334, de modo que la tasa de abandono pasó del 2.14 % al 3.47 % — una variación del +62.08 % en una métrica de ratio, por encima del umbral crítico del 40 %. La subida no está repartida a lo largo del día: el turno de noche sostuvo 3,412 visitas (el 35.40 % del mes) y 201 abandonos (5.89 %), mientras que la tasa del turno de día es del 2.14 % (133 de 6,226) — la misma que la cifra del mes completo del año pasado. El tiempo medio puerta-facultativo en el turno de noche es de 61 minutos frente a 34 en el turno de día. El modelo contiene llegadas y salidas por turno pero ningún cuadrante de personal; si el turno de noche estuvo falto de personal no puede leerse de estos datos.

Publicado también en esta ejecución, sin ninguna recommendation que se apoye en él

Finding 3

Línea de vigilancia de reingresos: reingresos a 30 días de Internal Medicine al 8.85 % por tercer mes consecutivo por encima del 8.00 % — red 6.10 %

severity mediumdirection upnovelty ongoingtrust Adesglose SERVICE_LINE = Internal Medicine

De 486 pacientes de Internal Medicine dados de alta en julio de 2026, 43 reingresaron en un plazo de 30 días (8.85 %). Junio se situó en el 8.60 % (41 de 477) y mayo en el 8.42 % (39 de 463); la línea lleva por encima de la línea de vigilancia del 8.00 % desde mayo y el agente lo informó en cada una de las dos últimas ejecuciones. La tasa de la red para las altas de julio es del 6.10 % (134 de 2,198). La cuota de Internal Medicine en las altas de julio de la red es del 22.11 %. Estos datos no pueden decir si los reingresos son los mismos grupos diagnósticos cada mes — el desglose por grupo diagnóstico está en el modelo pero no se abrió en esta ejecución porque el presupuesto de consultas se gastó en el eje del ED.

Lo que esta ejecución no pudo ver.

Las consultas de tiempo de quirófano no se ejecutaron — el presupuesto se gastó en el eje del ED después de que apareciera la señal de abandonos, y el agente lo dijo en lugar de escribir la frase de quirófano de memoria (la que escribió se retuvo). Un índice de case mix y el cuadrante de personal no están en este modelo. Las métricas de mortalidad fueron excluidas del alcance de este agente por el administrador del espacio de trabajo.

IlustrativoConjunto 2Agente CFO del Hospital
Persona
Produce el informe de rendimiento de ingresos para el CFO y el consejo; separa el recuento de pacientes, la intensidad de procedimientos, el mix de pagadores y el mix de servicios que hay detrás de la línea de ingresos; explica las desviaciones con métricas gestionadas y una cadena de evidencia. · Audiencia: CFO, consejo, directores de campus — personas que ya ven la cifra pero no lo que la produjo. · Tono: formal, mesurado, lenguaje de resumen ejecutivo; frases cortas y exactas. · Idioma de salida: en
Señales que vigila
(1) Tijeras ingresos–volumen — ingresos al alza mientras los pacientes o los procedimientos bajan. (2) Variación de los ingresos por paciente — un movimiento real de precio o un cambio de mix hacia servicios más costosos; lo decide el desglose, y el agente no dice "subieron los precios" antes de haber separado los dos. (3) Mix de pagadores — cuotas de pago directo frente a asegurado sobre la base sin IVA; un cambio de mix cambia el calendario de caja sin cambiar los ingresos. (4) Crecimiento del descuento — que discount_amount crezca más rápido que los ingresos significa que los mismos ingresos se compran con más descuento. (5) Desviación frente al objetivo — real frente a objetivo, solo meses completos, con el origen de la brecha (qué campus, qué pagador). (6) Concentración — dependencia de un único pagador institucional.
Umbrales que se le dieron
finding 15 % · critical 40 % · tijeras 10 puntos · métricas de ratio 8 % · cuota mínima 1 % de los ingresos brutos · regla de gravedad: medium cuando se cruza un umbral, high cuando una métrica de ratio se mueve más de 1.25× su umbral o una métrica de recuento más de 1.5× el umbral de finding, critical por encima del umbral crítico; un tema ongoing conserva la severity que se le dio

Cabecera de la ejecución

  • Programado mensualmente el día 3, 06:00, Europe/Istanbul
  • Periodo: agosto de 2026 (mes completo) frente a agosto de 2025 — mismos días de calendario
  • Datos completos hasta 2026-09-20, medido mediante max(ENCOUNTER_DATE) (fecha del episodio, no fecha de contabilización; los cargos contabilizados con retraso quedan fuera de la frontera), hace 9 horas
  • Alcance: ninguna regla a nivel de fila está vinculada a este agente — la ejecución se produjo sobre todas las filas
  • Modelo: el modelo aprobado del espacio de trabajo, escrito en la ejecución
  • Coste: registrado en la ejecución
Brief

Agosto de 2026: ingresos +14.53 % por precio y mix mientras los pacientes −3.32 % — cuota de pago directo baja al 55.44 %, ratio de descuento 6.20 % → 8.25 %, Campus B −12.38 % frente al objetivo

Franja de supuestos

No indicó un periodo; se asumió el último mes completo (agosto de 2026). Las cuotas por pagador se calculan sobre la base sin IVA y se etiquetan así; la frase de ingresos totales usa la métrica con IVA incluido. Ninguna regla a nivel de fila está vinculada a este agente; la ejecución se produjo sobre todas las filas.

Los ingresos de agosto, de 11.27 M €, estuvieron un 14.53 % por encima de agosto de 2025, pero los produjeron un 3.32 % menos de pacientes y un 2.28 % menos de procedimientos: los ingresos por paciente subieron un 18.47 %; con estos recuentos el crecimiento no está impulsado por el volumen, y el modelo no separa la tarifa de la intensidad o del mix. El mix se movió hacia los pagadores asegurados — el pago directo cayó del 61.78 % al 55.44 % de los ingresos sin IVA mientras el seguro público subió del 24.09 % al 29.74 % — y el importe de descuento creció un 52.46 %, llevando el ratio de descuento del 6.20 % al 8.25 %. Frente al objetivo la red se sitúa en −5.29 %, y Campus B por sí solo (−12.38 %) sostiene el 80.00 % del déficit combinado de los dos campus por debajo del objetivo. El lado de los costes no pudo informarse en esta ejecución.

covers: Finding 1, Finding 2, Finding 3

— Ejecución: mensual, el modelo aprobado del espacio de trabajo, datos completos hasta 2026-09-20. Guard Ledger: held 2 — candidatos f-06 y r-03 (lado de los costes), motivo source_execution_error en la métrica protocol_cost (sobre e7 vacío); duplicate 1 — candidato f-04 (cuota por pagador reformulada por campus) fusionado en Finding 2 por coincidencia de huella (métrica + periodo + celda); not_selected 0.

Recommendation 1

Desglose los ingresos de agosto de Campus B por tipo de pagador frente a su propio objetivo, y ponga su recuento de pacientes al lado — el campus sostiene el 80.00 % del déficit combinado de los dos campus

based_on: Finding 3, Finding 1 · responsable: CFO con el director de Campus B

El déficit de la red es el déficit de Campus B. Si el recuento de pacientes de Campus B cayó en línea con sus ingresos, la brecha es de volumen y la pregunta pertenece al acceso de pacientes; si su recuento de pacientes se mantuvo mientras los ingresos cayeron, la brecha es de mix de pagadores o de servicios. Ambos cortes están en este modelo. El método del objetivo no lo está — el equipo financiero debería confirmar que los tres objetivos de campus se fijaron sobre la misma base antes de que el consejo lea este registro.

Los findings en los que se apoya

Finding 3

Desviación frente al objetivo concentrada en un campus: red −5.29 % frente al objetivo de agosto mientras Campus B −12.38 %, Campus C −5.00 %, Campus A +0.39 %

severity highdirection downnovelty newtrust Adesglose CAMPUS = B

Frente a un objetivo de agosto de 2026 de 11.90 M €, los ingresos brutos alcanzaron 11.27 M € (−5.29 %). Campus A entregó 5.12 M € frente a 5.10 M € (+0.39 %); Campus B 3.68 M € frente a 4.20 M € (−12.38 %); Campus C 2.47 M € frente a 2.60 M € (−5.00 %). La desviación de Campus B es 1.55× el umbral de ratio del 8 % para el cumplimiento del objetivo — severity high; la cifra de la red (−5.29 %) está por debajo del umbral y se informa como marco, no como finding propio. Campus B representa el 80.00 % del déficit combinado de los dos campus (0.52 M € de 0.65 M €). La comparación se hace solo sobre un mes completo, como exigen las reglas del agente; septiembre es parcial y no se compara. Si el objetivo de Campus B se fijó sobre una base distinta de la de los demás no puede leerse de estos datos — la métrica de objetivo no lleva ninguna nota sobre su propio método.

Finding 1

Tijeras ingresos–volumen: ingresos brutos +14.53 % interanual mientras los pacientes −3.32 % y los procedimientos −2.28 % — brecha de 17.85 puntos; ingresos por paciente +18.47 %

severity highdirection upnovelty newtrust Adesglose — (red)

Los ingresos brutos de agosto de 2026 fueron 11.27 M € frente a 9.84 M € en agosto de 2025 (+14.53 %). En el mismo mes el recuento de pacientes cayó de 41,230 a 39,860 (−3.32 %) y el recuento de procedimientos de 188,400 a 184,100 (−2.28 %). La brecha entre la variación de los ingresos y la variación del recuento de pacientes es de 17.85 puntos porcentuales, 1.79× el umbral de tijeras de 10 puntos — severity high. Los ingresos por paciente pasaron de 238.66 € a 282.74 € (+18.47 %). Con los recuentos mostrados, el crecimiento no está impulsado por el volumen; si lo produjo un cambio de tarifa, una mayor intensidad de servicio por paciente o un desplazamiento hacia líneas de servicio más costosas no lo separa este registro — el desglose por línea de servicio de este modelo asigna el 80 % de los ingresos a un miembro "subtipo sin asignar", de modo que el corte que lo zanjaría no es fiable aquí.

Recommendation 2

Ponga el ratio descuento/ingresos en una vigilancia mensual, y pida que la métrica de descuento se desglose por pagador en la próxima versión del modelo

based_on: Finding 2 · responsable: jefe de precios y contratos, con el responsable del modelo de datos

El descuento creció cuatro veces más rápido que los ingresos en agosto. El ratio es la métrica que hay que vigilar mensualmente; un desglose del descuento por pagador es lo que diría si el crecimiento es contractual (seguro público) o comercial (campañas de pago directo). Ese desglose no está hoy en este modelo; añadirlo es un cambio en Data Studio, no un cambio en el agente.

Los findings en los que se apoya

Finding 2

Cambio de mix de pagadores con crecimiento del descuento: cuota de pago directo 61.78 % → 55.44 % de los ingresos sin IVA mientras la cuota de seguro público 24.09 % → 29.74 % — importe de descuento +52.46 %, ratio de descuento 6.20 % → 8.25 %

severity criticaldirection downnovelty newtrust Adesglose PAYER_TYPE = Out-of-pocket

Sobre la base sin IVA, los ingresos de pago directo fueron 5.91 M € de 10.66 M € en agosto de 2026 (55.44 %) frente a 5.77 M € de 9.34 M € un año antes (61.78 %) — una pérdida de cuota de 6.34 puntos mientras el importe absoluto aún creció. Los ingresos de seguro público subieron de 2.25 M € (24.09 %) a 3.17 M € (29.74 %); los de seguro privado de 1.32 M € (14.13 %) a 1.58 M € (14.82 %). En el mismo mes el importe de descuento creció de 0.61 M € a 0.93 M € (+52.46 %), por encima del umbral crítico del 40 %, llevando el ratio descuento/ingresos brutos del 6.20 % al 8.25 %. Los dos hechos están lado a lado y este registro no los vincula: el segmento asegurado sostuvo el crecimiento de los ingresos, y el importe de descuento creció más rápido que los ingresos. Qué pagador recibió el descuento no puede leerse aquí — la métrica de descuento no está desglosada por pagador en este modelo.

Lo que esta ejecución no pudo ver.

Las métricas de coste y margen de este modelo devuelven un error de ejecución en origen y están marcadas como rotas en la nota del modelo; cada frase de coste que redactó el agente se retuvo. El descuento no está desglosado por pagador. El lado de citas del modelo devuelve vacío, de modo que aquí no puede construirse una comparación de ingresos con cita frente a sin cita — eso es una laguna del modelo, no un finding.

IlustrativoConjunto 3Agente de Acceso Ambulatorio
Persona
Lee la agenda de citas y la puerta de atención ambulatoria: inasistencias, cancelaciones tardías, tiempos de espera, cuota de visitas sin cita y carga de las consultas; distingue "los pacientes no vinieron" de "los pacientes no pudieron entrar". · Audiencia: gerente de operaciones ambulatorias, coordinadores de consultas, jefe del centro de llamadas. · Tono: llano y operativo. · Idioma de salida: en
Señales que vigila
(1) Tasa de inasistencia por consulta y canal de reserva, mes a mes y frente al mismo mes del año anterior. (2) Tiempo de espera — días desde la reserva hasta la cita — colocado junto a la tasa de inasistencia de la misma consulta, sin afirmación causal. (3) Cancelaciones tardías (dentro de las 24 horas) como línea separada de las inasistencias. (4) Cuota de visitas sin cita sobre todas las visitas ambulatorias. (5) Utilización de huecos de consulta donde exista la métrica de huecos.
Umbrales que se le dieron
finding 15 % · critical 40 % · métricas de ratio 8 % · cuota mínima 2 % de las citas reservadas · regla de gravedad: medium cuando se cruza un umbral, high cuando una métrica de ratio se mueve más de 1.25× su umbral o una métrica de recuento más de 1.5× el umbral de finding, critical por encima del umbral crítico; un tema ongoing conserva la severity que se le dio

Cabecera de la ejecución

  • Programado diariamente, 06:00, Europe/Istanbul
  • Periodo: agosto de 2026 frente a julio de 2026 (mes a mes — agosto tiene 21 días de consulta, julio 23; las tasas son por cita reservada, de modo que el número de días no las sesga), con agosto de 2025 como segunda comparación donde la métrica exista
  • Datos completos hasta 2026-09-21, medido mediante max(APPOINTMENT_DATE), hace 5 horas
  • Alcance: el agente se ejecuta bajo el alcance ambulatorio (tres campus, sin métricas de ingresos)
  • Modelo: el modelo aprobado del espacio de trabajo
  • Coste: registrado en la ejecución
Brief

Agosto de 2026: inasistencias 8.98 % → 10.51 % de las citas reservadas, Cardiology al 14.20 % con un tiempo de espera de 11.4 días — las visitas sin cita ya son el 31.20 % de las visitas

Franja de supuestos

Se usó la comparación mes a mes (agosto frente a julio de 2026) porque las métricas de citas empiezan en 2026-01 y no tienen valor del año anterior. La métrica de tercera siguiente disponible no devolvió filas para dos campus; esto se registra como un data state, no como un finding.

Una de cada diez citas reservadas en agosto no fue atendida ni cancelada: 6,140 de 58,420 (10.51 %), frente al 8.98 % de julio, con las cancelaciones tardías sin cambios en el 5.41 %. Cardiology destaca con el 14.20 % y sostiene también la espera más larga desde la reserva hasta la cita, 11.4 días frente a una media de la red de 4.8; las dos líneas se mueven juntas este mes, y los datos no dicen cuál impulsa a cuál. Mientras tanto la puerta de atención ambulatoria sostuvo más carga: las visitas sin cita fueron el 31.20 % de 71,400 visitas, frente al 28.79 %, mientras las citas atendidas se mantuvieron planas. La cifra que el agente escribió para "visitas perdidas por inasistencias" se retuvo — no tenía ninguna consulta detrás.

covers: Finding 1, Finding 2

— Ejecución: diaria, el modelo aprobado del espacio de trabajo, datos completos hasta 2026-09-21. Guard Ledger: held 1 — candidato f-03, motivo numeric_provenance: el token unas 900 (visitas perdidas) no tiene dirección ni operación; descarte estructural 1 — el candidato r-03 no llevaba ningún enlace based_on (gate 0); data state 1 — third_next_available devolvió 0 filas para dos campus; duplicate 0.

Recommendation 1

Desglose las inasistencias de agosto por canal de reserva (centro de llamadas · app · derivación) para Cardiology y Dermatology lado a lado

based_on: Finding 1 · responsable: gerente de operaciones ambulatorias, con el jefe del centro de llamadas

Si la tasa de inasistencia de cardiología es uniforme entre canales, el lugar donde mirar es el tiempo de espera; si se concentra en un canal, lo es el paso de confirmación de ese canal. La dimensión de canal de reserva está en este modelo. El indicador de recordatorio enviado no lo está — hasta que lo esté, "se olvidó" y "desistió" no pueden distinguirse a partir de estos datos.

Los findings en los que se apoya

Finding 1

Tasa de inasistencia 8.98 % → 10.51 % de las citas reservadas (+1.53 puntos, +17.03 %) — Cardiology al 14.20 % con un tiempo medio de espera de 11.4 días frente a una media de la red de 4.8 días

severity highdirection upnovelty newtrust Ainterpretivedesglose CLINIC = Cardiology

De 58,420 citas reservadas para agosto de 2026, 6,140 no fueron atendidas ni canceladas (10.51 %), frente a 5,110 de 56,900 en julio (8.98 %); el ratio se movió +17.03 %, 2.13× el umbral de ratio del 8 % — severity high. Las cancelaciones tardías son una línea separada y se mantuvieron en el 5.41 % (3,160). Cardiology sostiene la tasa más alta — 612 inasistencias de 4,310 reservas (14.20 %) — y el tiempo medio de espera más largo desde la reserva hasta la cita, 11.4 días frente a una media de la red de 4.8. Dermatology, con un tiempo de espera de 3.1 días, se sitúa en el 6.90 % (297 de 4,304). De las nueve consultas, las cuatro con un tiempo medio de espera superior a 7 días tienen todas tasas de inasistencia por encima del 12.00 % y las cinco por debajo de 5 días están todas por debajo del 9.00 % — el resultado a nivel de consulta está en la ejecución. Que las dos líneas se muevan juntas es una lectura interpretativa y se marca con insignia como tal; estos datos no muestran que una cause la otra, y el indicador de recordatorio enviado que separaría "se olvidó" de "desistió de esperar" no está en este modelo.

Recommendation 2

Ponga el tiempo de espera de cardiología y la tasa de inasistencia de cardiología en una única vigilancia semanal, y deje de leer cualquiera de los dos por separado

based_on: Finding 1, Finding 2 · responsable: coordinador de consulta, Cardiology

Las dos líneas se movieron juntas en agosto; una vigilancia semanal mostrará si siguen haciéndolo cuando cambie el tiempo de espera. El agente sellará el tema como ongoing en las ejecuciones posteriores en lugar de plantearlo como nuevo cada semana.

Los findings en los que se apoya

Finding 2

Cuota de visitas sin cita 28.79 % → 31.20 % de las visitas ambulatorias (+8.37 %): visitas sin cita +11.68 % mientras las citas atendidas −0.47 %

severity mediumdirection upnovelty newtrust Ainterpretivedesglose VISIT_TYPE = Walk-in

Las visitas ambulatorias sumaron 71,400 en agosto de 2026: 49,120 citas atendidas y 22,280 visitas sin cita (31.20 %). En julio la cuota de visitas sin cita fue del 28.79 % (19,950 de 69,300). Las citas atendidas pasaron de 49,350 a 49,120 (−0.47 %), por debajo de cualquier umbral, de modo que el crecimiento de las visitas es solo la línea de visitas sin cita (+11.68 %); la cuota se movió +8.37 % en una métrica de ratio, justo por encima del umbral del 8 % — severity medium. Leído junto al Finding 1, el patrón sugiere que los pacientes que no consiguen una cita cercana están acudiendo a la puerta en su lugar — esa frase es interpretativa y se marca con insignia como tal; el modelo no tiene ningún vínculo a nivel de paciente entre una cita perdida y una visita sin cita posterior, y el agente no lo afirma.

Data state

Data state (no un finding): la métrica de tercera siguiente cita disponible no devolvió filas para Campus B y Campus C en agosto. Sin gravedad, ninguna recommendation se apoya en él; se notifica al responsable del modelo.

Lo que esta ejecución no pudo ver.

El indicador de recordatorio enviado y el vínculo a nivel de paciente entre una cita perdida y una visita sin cita posterior no están en este modelo. La métrica de tercera siguiente disponible está vacía para dos campus. Los ingresos están fuera del alcance de este agente por diseño — eso lo lee el agente CFO.

Cada cifra lleva una dirección

En el producto cada cifra se vincula a una dirección de evidencia — sobre, fila, celda, dígito de control — y una cifra sin ella se retiene, no se publica. La anatomía de un registro →

Las cifras derivadas muestran su operación

Una variación, una cuota o una brecha la calcula el engine y lleva sus operandos; el modelo nunca divide. Cómo se demuestra cada cifra →

La gobernanza de IA es la capa de publicación

Ocho gates deterministas, el nivel de trust, la interpretación marcada con insignia, una franja de supuestos que no se puede desactivar y el Guard Ledger. Dónde puede llegar el modelo y dónde no →

Preguntas frecuentes

Cuatro preguntas que suelen hacerle a esta página

01¿Ve el agente los nombres de los pacientes?

No. El nombre del paciente y el barrio están marcados como personales en el modelo; el agente no puede desglosar por ellos, y las etiquetas se reducen a iniciales por regla.

02¿Salen los datos del hospital?

No. El runtime se instala junto a su warehouse; los gateways son de solo lectura; las credenciales se quedan en sus servidores. El modelo recibe resultados de consulta sellados, nunca las tablas.

03¿Puede leer juntos nuestro sistema de quirófano y nuestro HIS?

Solo lo que une el modelo semántico importado. Si los dos son estrellas separadas sin puente, el agente lo dice y construye la comparación en la frase, nunca con un join sustitutivo.

04¿Y si una métrica está rota en nuestro warehouse?

La nota del modelo la marca como rota; el agente nunca la consulta; cada frase que la habría usado se retiene con su motivo, de forma visible.

Estudio gratuito de descubrimiento de datos

Vea cuáles de estas señales puede sostener su propio warehouse.

Envíenos el nombre de su plataforma de datos y el área de negocio sobre la que más discuten. Leemos su modelo semántico con usted y respondemos por escrito: cuáles de las señales de esta página sostiene hoy su modelo, cuáles necesitan un cambio en Axoria Data Studio y qué mediría un piloto de cuatro semanas. Sin coste, sin secuencia — una persona responde en dos días laborables.

Solicite un estudio gratuito de descubrimiento de datos → Iniciar un piloto de 4 semanas

Lo que asumen los ejemplos

Los datos, el modelo y las medidas detrás de los tres conjuntos

Nada en un conjunto se apoya en una fuente ajena al modelo descrito aquí. Abra lo que quiera conciliar.

01Fuentes de datos asumidas — datos que un hospital ya tiene

Episodios del sistema de información hospitalaria / EHR (ingresos, altas, traslados, llegadas y salidas del ED), facturación y ciclo de ingresos (cargos, pagador, descuentos, objetivos, reclamaciones y denegaciones donde exista un sistema de ciclo de ingresos), programación de quirófanos, agenda de citas ambulatorias, peticiones de laboratorio e imagen, cuadrante de RR. HH. (plantilla por turno, nunca por persona en el modelo). Nivel de detalle típico del warehouse: una fila por episodio o por línea de cargo, diario.

02Modelo semántico asumido — el mínimo para las tres personas
Medidas
patient_count · encounter_count · procedure_count · gross_revenue · net_revenue (sin IVA) · discount_amount · target_revenue · componentes de ingresos por pagador (pago directo, seguro público, seguro privado, internacional) · revenue_per_patient (ratio derivado por el engine) · bed_days · available_bed_days · admissions · discharges · alos (derivado por el engine: bed_days / discharges) · ed_visits · ed_left_without_being_seen · ed_door_to_provider_minutes (media) · readmissions_30d · theatre_cases · theatre_minutes_used · theatre_minutes_available · appointments_booked · appointments_attended · no_shows · late_cancellations · walk_in_visits · appointment_lead_time_days (media).
Dimensiones
fecha (ingreso / alta / episodio) · campus · departamento / consulta · línea de servicio / grupo quirúrgico · tipo de pagador · tipo de ingreso (programado / urgente) · turno (día / noche) · nacionalidad (nacional / internacional) · franja de edad · sexo · grupo diagnóstico · canal de reserva. Marcados como personales y nunca desglosados por ellos: nombre del paciente, barrio, nombre del médico (use el grupo de médicos si hace falta).
Frontera de datos
medida por el engine mediante max(discharge_date) o max(encounter_date); el modelo declara cuál.
03KPI asumidos — lo que siguen los directivos hospitalarios
KPIDefiniciónUnidadBanda típicaDesglose habitual
Ocupación de camasdías-cama ocupados / días-cama disponibles%75–85 %campus · planta · línea de servicio
Estancia media (ALOS)días-cama / altasdías4–6 en agudos, varía según el serviciolínea de servicio · tipo de ingreso
Tasa de pacientes del ED que se van sin ser atendidossalidas del ED antes del contacto con un facultativo / visitas al ED%< 2 % objetivo; 2–5 % habitualcampus · turno
Tiempo puerta-facultativo del EDminutos, mediana o media, desde la llegada hasta el primer contacto con un facultativomin20–40 minturno · campus
Tasa de reingresos a 30 díasreingresos en un plazo de 30 días / altas índice%6–15 % según el case mix y la definiciónlínea de servicio · grupo diagnóstico
Utilización de quirófanominutos usados / minutos disponibles (en sesión)%70–80 %quirófano · grupo quirúrgico
Tasa de cancelación de cirugía el mismo díacanceladas el mismo día / programadas%2–8 %grupo quirúrgico · motivo
Tasa de inasistencia ambulatoriainasistencias / citas reservadas%5–12 %consulta · canal de reserva
Tiempo de espera hasta la citadías desde la reserva hasta la cita (media o tercera siguiente disponible)díasespecífico de cada consultaconsulta
Ingresos por paciente / por episodioingresos netos / pacientesmonedaespecífico del modelopagador · línea de servicio
Mix de pagadorescuota de ingresos netos por tipo de pagador%específico de cada paíspagador · campus
Ratio de descuento sobre ingresosdiscount_amount / gross_revenue%específico de cada modelo; la dirección importa más que el nivelpagador · línea de servicio
Cumplimiento del objetivoingresos reales / ingresos objetivo, solo meses completos%—campus · línea de servicio
Cuota del turno de nocheatenciones en turno de noche / todas las atenciones%25–40 %campus · departamento

Relacionado

Adónde llevan estas páginas

Los departamentos a los que pertenecen estos perfiles

En este sitio