Este artículo presenta un marco metodológico para la programación de cirugías electivas basado en la integración de Gemelos Digitales (DTs) específicos del paciente y aprendizaje por refuerzo (RL). El enfoque propuesto tiene como objetivo apoyar el desarrollo futuro de una plataforma de e-salud inteligente para la priorización dinámica y basada en datos de pacientes quirúrgicos. Generamos puntuaciones de priorización modelando variables clínicas, económicas, conductuales y sociales en tiempo real y optimizamos el acceso a través de un motor de aprendizaje por refuerzo diseñado para maximizar el rendimiento del sistema a largo plazo. La metodología está diseñada como una arquitectura de soporte de decisiones digitales modular, transparente e interoperable alineada con los objetivos de transformación organizacional y prestación equitativa de atención médica. Para validar su potencial, simulamos escenarios realistas de programación de cirugías utilizando datos de pacientes sintéticos. Los resultados muestran mejoras sustanciales en comparación con las estrategias tradicionales, incluida una reducción del 55,1% en el tiempo de espera promedio, una disminución del 41,9% en el riesgo clínico en la cirugía, un aumento del 16,1% en la utilización de quirófanos y un aumento significativo en la priorización de pacientes socialmente vulnerables. Estos hallazgos destacan el valor del marco propuesto como base para futuras plataformas de salud inteligentes que respalden la toma de decisiones transparente, adaptativa y éticamente alineada en la programación de cirugías.