02 de febrero de 2026
Inteligencia de datos en la atención postoperatoria de lipedema: visualización aplicada y apoyo a la decisión
Caio Santos Ferarezi; Fernando Celso de Campos
Resumen elaborado por la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
El objetivo de este trabajo es desarrollar un panel gerencial interactivo para consolidar y visualizar datos históricos de atenciones postoperatorias de pacientes con lipedema, evidenciando tendencias y patrones para proporcionar insights estratégicos a la gestión de una empresa del segmento. La investigación busca transformar datos operacionales fragmentados en un activo estratégico, permitiendo el monitoreo de performance, la anticipación de demandas estacionales y la identificación de oportunidades de optimización. La aplicación de inteligencia de negocios busca llenar una laguna gerencial; la ausencia de una visión consolidada de los datos limitaba la planificación, sustituyendo procesos manuales por una cultura orientada por datos.
El contexto de la investigación es el crecimiento del mercado de cirugías plásticas en Brasil, uno de los líderes mundiales en procedimientos (ISAPS, 2022). En este escenario, la cirugía para el tratamiento del lipedema cobra protagonismo. El lipedema es una condición crónica de acumulación desproporcionada de tejido adiposo, principalmente en los miembros inferiores, que afecta mayoritariamente a mujeres, causando dolor, limitación funcional e impacto en la calidad de vida (Kruppa et al., 2020). Frecuentemente confundido con obesidad, su tratamiento puede implicar liposucción tumescente, que exige un seguimiento postoperatorio especializado para garantizar la recuperación y los resultados (Forner-Cordero et al., 2021).
La creciente demanda de este procedimiento impulsa la demanda de servicios de rehabilitación postoperatoria, creando un nicho de mercado competitivo. Para las empresas del sector, la capacidad de comprender tendencias, optimizar la asignación de profesionales y gestionar el volumen de atenciones es un diferencial competitivo. La gestión basada en datos se vuelve fundamental, permitiendo que las decisiones se basen en evidencias extraídas de las operaciones. El uso sistemático de datos para guiar la estrategia aumenta la previsibilidad de los resultados y fortalece la competitividad del negocio (Davenport, 2006).
La gestión basada en datos se materializa en paneles gerenciales, o dashboards, herramientas de visualización que presentan indicadores clave de rendimiento (KPIs) de forma clara e interactiva. Estos paneles traducen grandes volúmenes de datos en representaciones visuales, como gráficos y tablas, que facilitan el seguimiento de métricas, la identificación de tendencias y la detección de anomalías (Kumar & Belwal, 2017). Al centralizar información crítica, los dashboards optimizan el tiempo de análisis y capacitan a los gerentes para comprender el comportamiento histórico del negocio, aumentando la asertividad de las decisiones.
Entre las plataformas de Business Intelligence (BI), Microsoft Power BI se destaca por su robustez, integración con fuentes de datos y capacidad de promover el “data storytelling”, la construcción de narrativas a partir de los datos (Becker & Gould, 2019). La herramienta permite la creación de visualizaciones interactivas, posibilitando que los usuarios exploren los datos bajo diferentes perspectivas. La combinación de datos, elementos visuales y narrativa potencia la generación de insights accionables y alinea los resultados analíticos a las metas organizacionales, democratizando el acceso a la información (Echeverria et al., 2021; Town & Thabtah, 2019).
El enfoque metodológico se estructuró en cuatro etapas para transformar datos brutos en un panel gerencial estratégico. La investigación, de naturaleza aplicada y exploratorio-descriptiva, utilizó un conjunto de datos históricos de una empresa especializada, teniendo como fuente primaria los registros financieros de transferencias a las empleadas. El proceso involucró técnicas de extracción, transformación y carga (ETL), modelado dimensional y visualización de datos para subsidiar la toma de decisiones.
La primera etapa consistió en la recopilación de requisitos y el mapeo de procesos para alinear la solución a las necesidades del negocio. Entrevistas con gerentes y partes interesadas ayudaron a comprender los flujos de trabajo e identificar las métricas de mayor relevancia y los cuellos de botella informacionales, como la falta de estandarización y la descentralización de datos. Este mapeo, según Harmon (2019), fue esencial para definir el alcance del proyecto y garantizar que el panel respondiera a las preguntas críticas del negocio.
Las segundas y terceras etapas, integradas, abarcaron la comprensión técnica, la extracción y el tratamiento de los datos. Inicialmente, se evaluó Power Query para extraer datos de cientos de archivos PDF, pero la herramienta presentó limitaciones para automatizar la lectura recursiva. Se optó por el lenguaje Python, que ofreció mayor flexibilidad y control. Se desarrolló un script para leer los archivos, extraer campos como nombre del paciente, fecha, tipo de atención y valores, y consolidar todo en una base de datos tabular. A continuación, se aplicó un riguroso proceso de tratamiento, que incluyó limpieza de datos, tratamiento de valores ausentes y duplicados para garantizar la consistencia (Redman, 2001), estandarización de variables y creación de agregaciones. Una etapa fundamental fue la anonimización de los datos sensibles de pacientes y empleadas, sustituyendo nombres por identificadores únicos para proteger la privacidad.
La cuarta etapa fue el desarrollo del panel gerencial en Microsoft Power BI. Con la base de datos tratada, se inició el modelado dimensional (Kimball & Ross, 2013), creando una tabla de hechos (tbatendimentos) y una dimensión calendario (dcalendario) para análisis temporales. El diseño del dashboard siguió las mejores prácticas de visualización de datos, priorizando claridad y objetividad (Few, 2004; Tufte, 2001). Se implementaron gráficos interactivos, tablas y KPIs. Medidas analíticas, como cálculos de crecimiento homólogo (Year-over-Year), fueron desarrolladas con el lenguaje DAX (Data Analysis Expressions), esencial para inteligencia temporal (Ferrari & Russo, 2019). La interactividad fue garantizada por filtros y segmentadores, permitiendo la exploración flexible de la información (Shneiderman, 1996). El panel fue validado con los stakeholders para garantizar su adherencia a las necesidades y usabilidad, considerando que la percepción estética influye en la aceptación de la herramienta (Cawthon & Moere, 2007).
Los resultados obtenidos con el panel gerencial en Power BI revelaron valiosos insights estratégicos. El panel fue diseñado en una vista de página única, organizada en tres secciones que ofrecen una visión holística del desempeño operativo y financiero. La interactividad permite a los gerentes filtrar los datos por múltiples criterios, transformando el dashboard en una herramienta dinámica de exploración. La consolidación de los datos, antes dispersos, en una única interfaz visual representa el primer resultado tangible del proyecto.
La primera sección, “Big Numbers”, presenta los indicadores agregados más importantes a través de tarjetas visuales. Esta sección ofrece una fotografía de la operación, consolidando datos de enero de 2021 a abril de 2025. Los resultados apuntan a 30 empleadas activas, 3.363 pacientes distintos y 26.042 atenciones. Financieramente, la transferencia total a las profesionales sumó R$ 2,33 millones, con un valor medio por atención de R$ 89,00. Estos números cuantifican el volumen de la empresa y sirven como línea de base para el monitoreo de desempeño y el establecimiento de metas.
La segunda sección, de Análisis Histórico, utiliza un gráfico de líneas para visualizar la evolución del volumen de atenciones y de las transferencias financieras, con funcionalidad de “drill-down” para alternar la granularidad (mes, trimestre, año). El análisis reveló un patrón de estacionalidad claro: un pico de actividad en el tercer trimestre (julio a septiembre), con crecimientos como el del 79,8% en el tercer trimestre de 2022 en relación al segundo. En contrapartida, el cuarto trimestre (octubre a diciembre) presenta una caída en la demanda, como la reducción del 31,2% en el cuarto trimestre de 2024. Este insight sugiere que la demanda está ligada a períodos de mayor realización de cirugías, permitiendo a la empresa planificar la asignación de personal, la gestión de caja y acciones de marketing.
La tercera sección se centra en el Análisis de Empleadas y Servicios. Un gráfico de barras horizontales evidenció una fuerte concentración de ingresos en pocas profesionales. Las cinco principales empleadas fueron responsables de más del 40% del valor total pagado, destacando la “Empleada 011”, que acumuló R$ 305 mil en transferencias. Este hallazgo apunta a una dependencia de profesionales clave, lo que representa tanto un reconocimiento del rendimiento como un riesgo operativo a gestionar con programas de retención y desarrollo.
El análisis por tipo de servicio reveló una concentración aún mayor. El procedimiento de “Drenaje de Linfedema” fue responsable de más de R$ 1,3 millones en pagos, seguido por “Drenaje + Taping”, con R$ 377 mil. Juntos, representaron más del 70% de la facturación. Este dato confirma la especialización de la empresa, pero expone una vulnerabilidad asociada a la baja diversificación del portafolio. La gerencia puede usar esta información para explorar servicios complementarios o reforzar su liderazgo en los servicios actuales.
Para profundizar el análisis de rendimiento, un gráfico de dispersión dinámico cruza métricas como cantidad de atenciones, pacientes y transferencias. Líneas de promedio dividen el gráfico en cuatro cuadrantes de rendimiento, facilitando la identificación de perfiles. El análisis reveló que los fisioterapeutas se destacaron por transferencias más elevadas, asociadas a una mayor variedad de atenciones, mientras que las enfermeras, aunque atendían a muchos pacientes, registraron un valor promedio de transferencia inferior. Esta segmentación permite a la gestión desarrollar estrategias dirigidas de capacitación y remuneración.
La discusión de los resultados evidencia el éxito del proyecto en transformar datos brutos en una herramienta analítica de alto impacto. El panel en Power BI centralizó y volvió la información accionable. La identificación de patrones de estacionalidad proporciona una base empírica para la planificación de recursos, sustituyendo la intuición por un enfoque proactivo. La cuantificación de la concentración de ingresos en pocos profesionales y servicios ilumina riesgos estratégicos que pueden ser mitigados. El feedback positivo de la empresa asociada valida la relevancia de la solución.
A pesar de los avances, el estudio tiene limitaciones. El análisis se basó en datos de una sola empresa, lo que impide la generalización de los resultados. La calidad de los datos, dependiente de registros manuales, puede contener imprecisiones. El estudio no incorporó variables externas, como el contexto macroeconómico, ni métricas de calidad, como la satisfacción del paciente. La continuidad del uso de la herramienta dependerá del compromiso del equipo interno para realizar las actualizaciones periódicas.
El presente estudio demostró cómo la aplicación de técnicas de análisis y visualización de datos con Microsoft Power BI puede generar valor para la gestión de una empresa en el sector de la salud. La solución permitió la estructuración de datos históricos, posibilitando la identificación de patrones como la estacionalidad de la demanda, la concentración de transferencias y los perfiles de desempeño. Estos hallazgos proporcionan subsidios para la optimización de recursos, la planificación estratégica y la promoción de una cultura orientada por datos, reforzando el potencial de la inteligencia de negocios para aumentar la eficiencia en el sector.
Las limitaciones del estudio abren caminos para futuras investigaciones. Se recomienda la expansión de la base de datos para incluir múltiples empresas, permitiendo análisis comparativos. La integración de indicadores clínicos y de métricas de satisfacción proporcionaría una visión más completa del desempeño. Adicionalmente, la aplicación de técnicas de modelado predictivo podría ser explorada para predecir futuras demandas con mayor precisión. Se concluye que el objetivo fue alcanzado: se demostró que el desarrollo de un panel gerencial interactivo es una herramienta eficaz para extraer insights estratégicos a partir de datos históricos de atenciones, apoyando la gestión de una empresa de postoperatorio de lipedema.
Referencias:
Becker, L. T.; Gould, E. M. 2019. Microsoft Power BI: Extending Excel to manipulate, analyze, and visualize diverse data. Serials Review.
Cawthon, N.; Moere, A. 2007. The effect of aesthetic on the usability of data visualization. IEEE Transactions on Visualization and Computer Graphics 13(6): 1121–1128.
Davenport, T. H. 2006. Competing on analytics. Harvard Business Review 84(1): 98–107.
Echeverria, V.; Lawrence, L.; Tsai, Y. S.; Singh, S.; Martinez-Maldonado, R.; Fernandez-Nieto, G. 2021. A tutorial on data storytelling techniques for learning analytics dashboards. Companion Proceedings of the 11th International Conference on Learning Analytics & Knowledge.
Few, S. 2004. Show Me the Numbers: Designing Tables and Graphs to Enlighten. Analytics Press, Burlingame, CA, USA.
Forner-Cordero, I.; Forner-Cordero, A.; Szolnoky, G. 2021. Update in the management of lipedema. International Angiology 40(0): 1–11.
Harmon, P. 2019. Business Process Change: A Business Process Management Guide for Managers and Process Professionals. 4ed. Morgan Kaufmann, Cambridge, MA, USA.
International Society of Aesthetic Plastic Surgery [ISAPS]. 2022. International Study on Aesthetic/Cosmetic Procedures Performed in 2022.
Kimball, R.; Ross, M. 2013. The Data Warehouse Toolkit: The Definitive Guide to Dimensional Modeling. 3ed. John Wiley & Sons, Indianapolis, IN, USA.
Kruppa, P.; Georgiou, I.; Biermann, N.; Prantl, L.; Klein-Weigel, P.; Ghods, M. 2020. Lipedema—pathogenesis, diagnosis and treatment options. Deutsches Ärzteblatt International 117(25): 396–403.
Microsoft. 2025. Power BI Documentation.
Paolacci, S.; Precone, V.; Acquaviva, F.; Chiurazzi, P.; Fulcheri, E.; Pinelli, M.; Buffelli, F.; Michelini, S.; Herbst, K. L.; Unfer, V.; Bertelli, M. 2019. Genetics of lipedema: new perspectives on genetic research and molecular diagnoses. European Review for Medical and Pharmacological Sciences 23(12): 5581–5594.
Redman, T. C. 2001. Data Quality: The Field Guide. Digital Press, Burlington, MA, USA.
Russo, M.; Ferrari, A. 2019. Chapter 8 – Time intelligence calculations. In: The Definitive Guide to DAX: Business Intelligence for Microsoft Power BI, SQL Server Analysis Services, and Excel. Microsoft Press, Redmond, WA, USA.
Shneiderman, B. 1996. The eyes have it: a task by data type taxonomy for information visualization. Proceedings of the IEEE Symposium on Visual Languages 5(3): 336–343.
Town, P.; Thabtah, F. 2019. Data analytics tools: A user perspective. Journal of Information & Knowledge Management 18(1): 1950002.
Tufte, E. R. 2001. The Visual Display of Quantitative Information. 2ed. Graphics Press, Cheshire, CT, USA.
Resumen ejecutivo del Trabajo de Conclusión de Curso de Especialización en Data Science y Analytics del MBA USP/Esalq
Más información sobre el curso; haga clic aquí: