RESUMO Objetivo Avaliar um modelo de p-medianas para acessibilidade de serviços de saúde com base na descentralização e na alocação ideal de Unidades Básicas de Saúde no estado de São Paulo, Brasil. Métodos Por meio de dados geográficos das Unidades Básica de Saúde do estado de São Paulo, possíveis alocações de suporte e suprimento foram simuladas em uma abordagem randomizada. Em seguida, uma série de restrições foi imposta ao sistema, simulando possíveis cenários, e os resultados foram verificados por disposição geográfica. Resultados Dado um número de instalações desejadas, dez como restrição, a abordagem p-mediana alocou três nas proximidades da capital, área de maior concertação de Unidades Básica de Saúde, e as demais foram distribuídas a oeste. Uma segunda rodada de testes avaliou exclusivamente a influência dos custos fixos, variando de 71 posições ótimas, com custo fixo unitário, até seis unidades, para um custo 300 vezes maior. Isso foi relevante no processo de tomada de decisão, pois abrangeu cenários em que apenas o número de instalações finais era conhecido e em que apenas o orçamento estava especificado. Um terceiro conjunto de simulações contemplou uma mistura dos casos anteriores. Conclusão A abordagem p-mediana foi capaz de otimizar uma ampla gama de cenários, com média de tempo de execução abaixo de 2 horas e 30 minutos, considerando um conjunto de dados com mais de 4.000 posições. Apesar de suas deficiências, considerando distâncias euclidianas, o método é simples, mas poderoso para ser considerado como uma ferramenta para o tomador de decisão em relação à distribuição de recursos e de instalações em grandes áreas e alto número de locais considerados.
ABSTRACT Objective To evaluate a p-median model for health care services accessibility based on decentralization and optimal allocation of Primary Health Care Units in the State of São Paulo, Brazil. Methods Using geographical data of Primary Health Care Units located in the State of São Paulo, potential support and supply facility allocations were simulated by means of a random approach. Several constraints were then imposed on the system to simulate different scenarios. Results were assessed according to geographic disposition. Results Using a fixed number of supply facilities, ten as a constraint, the p-median approach allocated three facilities near the state capital (the area with the highest concentration of Primary Health Care Units), while remaining facilities were spread throughout the west of the state. A second round of tests assessed the impact of fixed costs alone on optimization, ranging from 71 optimal locations with a fixed unit cost to six optimal locations at a cost 300-fold higher. This finding was relevant to decision-making, since it encompassed scenarios in which only the final number of facilities or only the budget was known. A third set of simulations contemplates an intermediate scenario. Conclusion The p-median approach was capable of optimizing a wide range of scenarios with an average running time of less than 2 hours and 30 minutes while considering a large dataset of more than 4,000 locations. In spite of some shortcomings, such as estimation of Euclidean distances, the method is simple yet powerful enough to be considered a useful tool to assist decision makers in the distribution of resources, and facilities across large areas with high number of locations to be supplied.