Uno de los objetivos más importantes en la provisión de servicios médicos de emergencia es reducir los tiempos de respuesta. En centros urbanos, la congestión de tráfico es un obstáculo para garantizar la respuesta oportuna de las ambulancias. Por eso, entender la dinámica espacio temporal de la congestión es clave para tomar decisiones estratégicas de gestión, que ayuden a reducir el tiempo de acceso a los centros de salud.
Los estándares internacionales establecen que el tiempo de respuesta a emergencias de salud debe ser menor a ocho minutos (JEMS, 2005).
Sin embargo, estudios en países en desarrollo han indicado que los tiempos de respuesta en condiciones de congestión pueden ser hasta 30 minutos superiores, en comparación al escenario sin congestión (Fraser et al., 2020). Por su parte, la demanda de servicios de emergencia en países en desarrollo es mayor que en países desarrollados, mientras que su accesibilidad es menor (Mould-Millman et al., 2017; Chang et al., 2016). La precaria infraestructura, el incremento en las tasas de motorización y la falta de monitoreo vial son factores determinantes del exceso de tráfico y, en consecuencia, del mayor tiempo de respuesta de las ambulancias.
En este contexto, nos preguntamos cómo es en general la situación de la congestión alrededor de centros asistenciales en las ciudades de América Latina y el Caribe. El uso de datos crowdsourcing (big data) permite responder a esta pregunta. Como ejemplo, usamos datos masivos provenientes de la plataforma Waze para visualizar la congestión de tráfico alrededor de los principales centros asistenciales en cuatro ciudades latinoamericanas: Ciudad de México, Lima, Montevideo y Río de Janeiro. Utilizamos datos de 2019, previos a la pandemia de COVID-19, a fin de comprender las tendencias generales del tráfico urbano, sin shocks como el pandémico.
La Figura 1 ilustra la distribución espacial de la congestión y la Tabla 1 reporta los resultados generales. Mientras que el área seleccionada para Lima es la que reporta los mayores niveles de congestión agregada, el área en análisis de la Ciudad de México registra los mayores niveles de retraso relativo, alcanzando 3,12 horas perdidas por y 0,17 horas perdidas por residente.
La zona presentada en Río de Janeiro se caracteriza por abarcar cuatro hospitales entre los que se encuentran dos de los más grandes en el Estado de Río de Janeiro: el Hospital Pedro Ernesto y Quinta D’Or.
Controlando por la población que reside en esta área, el nivel de congestión es un 70% superior al nivel de congestión del resto de la ciudad. Las principales vías de conexión de esta área con el resto de la ciudad son la Avenida Radial Oeste y el Elevado Engenheiro, avenidas que se posicionan entre dos de las vías que reportan mayores niveles de congestión en la ciudad. Es relevante destacar que las vías de entrada al hospital Pedro Ernesto son considerablemente afectadas por la congestión dificultando el acceso en los últimos metros.
En Ciudad de México, se presenta la congestión aledaña al Hospital General de México, el hospital que más recibe emergencias diarias en el país. El nivel de congestión en esta área es 3,5 veces mayor que el resto de la ciudad. Allí resalta que los principales canales de acceso -el Viaducto Presidente Miguel Alemán y Avenida Cuauthémoc- terminan siendo un cuello de botella para la conexión del centro de salud con las demás áreas de la ciudad.
Montevideo es la ciudad que presenta el mejor comportamiento relativo entre las analizadas. Aun así, el área nororiental de la capital uruguaya, donde se localizan los hospitales Británico y Dr. Manuel Quintela, reporta más de un 30% de congestión que el resto del área metropolitana.
Finalmente, el caso más agudo es Lima.
La Figura 1 muestra la congestión alrededor del Hospital Nacional Guillermo Almenara Irigoyen, el más importante en atención de emergencias en Perú, y donde también se localizan otros centros asistenciales de relevancia para la ciudad. Relativo al resto del área metropolitana, esta zona reporta una congestión 4,4 veces superior, especialmente en la Avenida Miguel Grau.
a) Lima 
b) Ciudad de México 
c) Río de Janeiro 
d) Montevideo
| Ciudad | Retraso (millones de horas) | Área (km2) | Población (miles) | Nivel relativo de congestión |
|---|---|---|---|---|
| Ciudad de México | 44.6 | 14.3 | 257.5 | 3.5 |
| Lima | 48.8 | 19.0 | 423.6 | 4.4 |
| Montevideo | 14.4 | 11.1 | 133.0 | 1.3 |
| Río de Janeiro | 15.4 | 9.9 | 271.8 | 1.7 |
Nota: el nivel relativo de congestión es calculado como la relación entre el retraso del área aledaña a centros asistenciales con respecto al retraso del área metropolitana, controlando por la población.
El aumento en riesgo para la salud, asociado a las demoras en el tiempo de respuesta ante emergencias ocasionados por la congestión en ALC, no debe pasar desapercibido. Tomar mejores decisiones de gestión vial en espacios urbanos es una necesidad inminente y, para ello, se requiere tener más y mejor información acerca del comportamiento del tráfico en las zonas incumbentes, a fin de poder identificar las acciones efectivas para su mitigación.
Este y otros temas serán abordados en el Reporte Insignia del BID sobre Congestión. ¿Cómo identificar las zonas congestionadas más críticas de la ciudad? ¿en qué zona será conveniente aplicar una medida de mitigación de la congestión? y ¿en qué período será oportuno aplicarlo? son preguntas que ahora podemos responder a partir de la ciencia de datos para apoyar a la gestión y planificación urbana, a fin de mejorar de la calidad de vida de los habitantes de América Latina y el Caribe.
Existe una nueva ingeniería de tráfico vehicular, sus conceptos, ecuaciones y aplicación son totalmente novedosos y, como ejemplo de ello es la creación de los 6 electro-car-diagramas del conductor (6 ECD). Me gustaría compartir con vosotros esta información. Muchas gracias.
https://wavedriving.online/wd_data/emails/common/assets/docs/WAVEDRIVING_TEACHER_v01_ES_public.ppsx