Modelo computacional basado en datos para el mantenimiento predictivo con soporte preventivo de ambulancias médicas urbanas tipo II en Lima Metropolitana

Abstract

El estudio aborda la inoperatividad de las ambulancias médicas urbanas Tipo II como una limitación para la capacidad de respuesta del sistema prehospitalario en Lima Metropolitana y propone un modelo computacional para apoyar la planificación del mantenimiento preventivo. Se desarrolló un modelo de clasificación binaria supervisada orientado a estimar la probabilidad de inoperatividad de las ambulancias en un horizonte de 14 días, utilizando un conjunto de datos sintético de 3102 observaciones correspondientes a una flota simulada de 33 ambulancias durante el periodo 2024-2025. La simulación fue calibrada con información documentada sobre la flota SAMU de Lima Metropolitana, las características de las ambulancias urbanas Tipo II, la normativa nacional y literatura técnica sobre mantenimiento predictivo. Se evaluaron los algoritmos de Regresión Logística, Árboles de Decisión, Random Forest y Gradient Boosting mediante validación retrospectiva temporal. Los resultados evidenciaron que Random Forest presentó el mejor desempeño relativo para la priorización preventiva, alcanzando una sensibilidad de 91,86 %, frente al 30,52 % obtenido mediante el esquema preventivo tradicional. A partir de estos resultados se establecieron lineamientos técnicos, criterios de alerta temprana y una plantilla semanal institucional para apoyar la toma de decisiones relacionadas con el mantenimiento de las ambulancias.