Un modelo de optimización bi-objetivo para la selección de tecnología y asignación de donantes en la cadena de suministro de sangre

Autores/as

  • Andrés Felipe Osorio Muriel Universidad Icesi
  • Sally Brailsford University of Southampton
  • Honora Smith University of Southampton,

DOI:

https://doi.org/10.18046/syt.v12i30.1854

Palabras clave:

Cadena de suministro de sangre, optimización multi-objetivo, Épsilon restricciones, fraccionamiento de sangre, aféresis.

Resumen

Los procesos de toma de decisiones suponen frecuentemente más de un objetivo. En el caso de la selección de tecnologías en procesos de captación de productos sanguíneos, están en conflicto los costos de recolección asociados a la tecnología utilizada y la cantidad de donantes requeridos para la satisfacción de la demanda. De igual forma, en la cadena de suministro de sangre  este tipo de decisiones se tornan más complejas cuando se consideran las características propias del sistema, como proporcionalidad de tipos de sangre y compatibilidad entre productos. Para dar solución a este problema se propone un modelo de programación lineal entera que contiene como objetivos la minimización del costo total y del número de donantes. Este modelo está sujeto a restricciones de capacidad, proporcionalidad de tipos de sangre y satisfacción de demanda entre otras. Para la solución del modelo se utilizó Open Solver 2.1 y para la generación de las soluciones eficientes que conforman el frente de Pareto se implementó en VBA el algoritmo épsilon restricciones aumentado.

Biografía del autor/a

  • Andrés Felipe Osorio Muriel, Universidad Icesi

    Ingeniero Industrial con Especialización en Logística y Maestría en Ingeniería Industrial de la Universidad del Valle (Cali, Colombia); es profesor de tiempo completo del Departamento de Ingeniería Industrial de la Universidad Icesi. Actualmente adelanta estudios de doctorado en la Universidad de Southampton (Reino Unido). Sus áreas de interés profesional son la investigación de operaciones y la optimización de cadenas de suministro.

  • Sally Brailsford, University of Southampton

    Matemática del King's College de la Universidad de Londres, con Maestría en Investigación de Operaciones y Doctorado en Matemáticas, de la Universidad de Southampton (Reino Unido). Fue Decana Asociada (Investigación & Emprendimiento) para la Facultad de Negocios y Leyes (2010-2013) y Vicepresidente de la UK Operational Research Society. Actualmente preside el EURO Working Group on OR Applied to Health Services [ORAHS] y es profesora de Management Sciences en la University of Southampton.

  • Honora Smith, University of Southampton,

    Maestra en Investigación operativa, Matemáticas y Ciencias Administrativas en Southampton Management School.  Forma parte del cluster de investigación en Healthcare en LANCS Initiative. Luego de su primer grado en Cambridge University, (una combinación de Matemáticas y Administracion), trabajó en los campos de Investigación de Operaciones y Tecnologías de la Información y las Comunicaciones, ganando experiencia en la industria manufacturera, la planeación de transporte, el Servicio Nacional de Salud y la industria farmacéutica. Obtuvo una Maestría y un Doctorado en Investigación de Operaciones, en University of Southampton.

Referencias

Alfonso, E., Xie, X.L., Augusto, V., Garraud, O. (2012). Modeling and simulation of blood collection systems. Health Care Management Science, 15(1), 63-78.

Alfonso, E., Xie, X.L., Augusto, V., Garraud, O. (2013). Modelling and simulation of blood collection systems: Improvement of human resources allocation for better cost-effectiveness and reduction of candidate donor abandonment. Vox Sanguinis, 104(3), 225-233.

Baesler, F., Martinez, C., Yaksic, E., & Herrera, C. (2011). Logistic and production process in a regional blood center: modeling and analysis. Revista Medica de Chile, 139(9), 1150-1156.

Baesler, F., Nemeth, M., Martínez, C., & Bastías, A. (2013). Analysis of inventory strategies for blood components in a regional blood center using process simulation. Transfusion, 54(2), 323-330.

Beltran, M., Ayala, M., & Jara, J. (1999). Frecuencia de grupos sanguíneos y factor Rh en donantes de sangre, Colombia , 1996, Biomédica, 19(1), 39-44.

Boppana, R.V. & Chalasani, S. Analytical models to determine desirable blood acquisition rates. In 2007 IEEE International Conference on System of Systems Engineering, San Antonio, TX, 2007. Piscataway, NJ: IEEE.

Chazan, D. & Gal, S. (1977). A Markovian model for a perishable product inventory. Management Science, 23(5), 512-521.

Cohen, M.A. (1976). Analysis of single critical number ordering policies for perishable inventories. Operations Research, 24(4), 726-741.

Cumming, P.D., Kendall, K.E., Pegels, C.C., Seagle, J.P., & Shubsda, J.F. (1976). A collections planning model for regional blood suppliers: description and validation. Management Science, 22(9), 962-971.

Decreto 2423 de 1996. (1997, enero 31). Diario Oficial No. 42.961. Bogotá, Colombia: Imprenta Nacional

Ehrgott, M. & Ruzika, S. (2005). An improved Epsilon-Constraint method for multiobjective programming. [on line]. Retrieved from file:///C:/Users/Jos%C3%A9Ignacio/Downloads/nr96.pdf

Glynn, S.A., et al. (2003). Effect of a national disaster on blood supply and safety: The September 11 experience. JAMA, 289(17), 2246-2253.

Haimes, Y., Lasdon, L. Wismer,D. (1971). On a bicriterion formulation of the problems of integrated system identification and system optimization. IEEE Transactions on Systems, Man and Cybernetics,SMC-1(3), 296-297.

Instituto Nacional de Salud [INS]. (2012). Informe nacional de indicadores. Bogotá, Colombia: INS.

Jagannathan, R. & Sen, T. (1991). Storing crossmatched blood: a perishable inventory model with prior allocation. Management Science, 37(3), 251-266.

Lowalekar, H. & Ravichandran, N. (2010). Model for blood collections management. Transfusion, 50(12-pt2), 2778-2784.

Madden, E., Murphy, E.L., Custer, B. (2007). Modeling red cell procurement with both double-red-cell and whole-blood collection and the impact of European travel deferral on units available for transfusion. Transfusion, 47(11), 2025-2037.

Marler, R.T. & Arora, J.S. (2004). Survey of multi-objective optimization methods for engineering. Structural and Multidisciplinary Optimization, 26, 369-395.

Mavrotas, G. (2009). Effective implementation of the ε-constraint method in Multi-Objective Mathematical Programming problems. Applied Mathematics and Computation, 213(2),455-465.

Melnyk, S.A., Pagell, M., Jorae, G., & Sharpe, A.S. (1995). Applying survival analysis to operations management: Analyzing the differences in donor classes in the blood donation process. Journal of Operations Management, 13(4), 339-356.

Nahmias, S. & Pierskalla, W.P. (1976). A two-product perishable/nonperishable inventory problem. SIAM Journal on Applied Mathematics, 30(3), 483-500.

Pierskalla, W.P. & Roach, C.D. (1972). Optimal issuing policies for perishable inventory. Management Science, 18(11), 603-614.

Rytilä, J.S. & Spens, K.M. (2006). Using simulation to increase efficiency in blood supply chains. Management Research News, 29(12), 801-819.

Seifried, E., et al. (2011). How much blood is needed? Vox Sanguinis, 100(1), 10-21.

Simonetti, A., Forshee, R.A., Anderson, S.A., & Walderhaug, M. (2013). A stock-and-flow simulation model of the US blood supply. Transfusion54(3), 828-838.

Sonmezoglu, M., et al. (2005). Effects of a major earthquake on blood donor types and infectious diseases marker rates. Transfusion Medicine, 15(2), 93-97.

Descargas

Publicado

2014-09-30

Número

Vol. 12 Núm. 30 (2014)

Sección

Investigación científica y tecnológica

Licencia

Esta publicación está licenciada bajo los términos de la licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/deed.es)