Nuestro alumno del Máster, Claudio Cardenas Mansilla, ha desarrollado un modelo predictivo de demanda de atención de urgencia pediátrica por causa respiratoria. El objetivo de este modelo es predecir la cantidad de pacientes que necesitarán atención médica en urgencias por problemas respiratorios en un determinado para los próximos años. Este modelo utiliza técnicas de aprendizaje automático para analizar datos históricos de los establecimientos hospitalarios del Servicio de Salud de Chiloé, Chile. Con esta información, el modelo puede predecir con precisión la cantidad de pacientes que necesitarán atención médica en un futuro cercano.
¡Te contamos todos los detalles en este post!
La importancia de predecir la demanda de atención de urgencia pediátrica por causa respiratoria
Las enfermedades respiratorias en los niños/as son la causa más frecuente de consulta médica. Una situación que en invierno tiene su pico más alto, y que hoy, en un escenario de pandemia, resulta inquietante para padres que buscan una orientación médica sobre los posibles diagnósticos que pudieran tener sus hijos.
La importancia de este modelo radica en su capacidad para ayudar a los hospitales a planificar y asignar recursos de manera más eficiente. Con una mejor comprensión de la demanda futura de atención médica, los hospitales pueden prepararse adecuadamente y asegurarse de que tienen suficientes recursos para satisfacer las necesidades de los pacientes.
Además, este modelo también puede ayudar a los médicos y otros profesionales de la salud a tomar decisiones más informadas sobre el tratamiento de pacientes con problemas respiratorios. Al conocer de antemano la cantidad de pacientes que pueden necesitar atención médica, los profesionales de la salud pueden prepararse mejor y garantizar que los pacientes reciban el tratamiento adecuado.
En resumen, el modelo predictivo de demanda de atención de urgencia pediátrica por causa respiratoria es una herramienta valiosa que puede mejorar la calidad de la atención médica y la planificación de recursos en hospitales y centros de atención médica. Los investigadores detrás de este modelo están emocionados de ver cómo puede impactar positivamente en la atención médica y la calidad de vida de los pacientes.
Cómo utilizar el Machine Learning y el análisis de series temporales para la predicción
En el presente Trabajo Fin de Máster se ha procedido a la generación de modelos de predicción de Series Temporales, a través de algoritmos de Machine Learning, con el objetivo de seleccionar los mejores modelos en función de métricas de precisión(RMSE, MAE y MAPE)análisis gráficosdel ajuste de los modelos calculados_datos de test (validación)._ y , sobre el conjunto de
Para el modelado, se han utilizado los paquetes forecastnnfor, los cuales, Machine Learning y generan modelos de para la predicción de Series Temporales de diversos tipos, para el caso específico de este trabajo se utilizaron modelos Autorregresivo Integrado de Media Móvil (ARIMA)Autorregresión de Redes Neuronales (NNAR)Red Neuronal Multilayer Perceptron (MLP)Red Neuronal Extreme Learning Machines (EML)., , y
Todo el ejercicio se ha realizado en R Software,conteo de consultas de urgencia respiratoria infantil mensuales, desde enero del año 2011 y hasta noviembre del año 2022 y para el mismo se utilizó una serie temporal que contiene información acerca de , extraídos del DEIS (Departamento de Estadísticas e Información en Salud).
No te pierdas nuestros cursos:
¡Tú también puedes innovar en investigación!
¡QUIERO COMENZAR EL MÁSTER DE MACHINE LEARNING HOY MISMO!
Toma decisiones inteligentes basadas en la experiencia de los datos
¿Cómo afrontar el reto de los datos para el período de COVID?
Considerando que, durante todo el periodo vivido bajo pandemia Covid-19 en Chiloé, la demanda por consultas de urgencia fue “prácticamente nula”imputación de Kalmanmodelos ARIMA de espacio de estados, como consecuencia del pánico generalizado en la población y que los hospitales modificaron sus procesos clínicos y asistenciales significativamente, en función de la contingencia sanitaria. Se obtuvieron sus estimaciones mediante el método de con , ya que estos modelos en el espacio de estados pueden entre otras muchas cosas estimar observaciones perdidas.
Conclusiones
Finalmente, el análisis gráfico del ajuste de las predicciones de los modelos estimadosindicadores de precisión, calculados ambos sobre el conjunto de testel algoritmo que presenta el mejor rendimientoModelo de Red NeuronalExtreme Learning Machinesel mejor desempeño en MAE (99.46 consultas) MAPE (13.15 %)segundo mejor en RMSE (138.92 consultas)modelo SARIMA(EML). y los resultados obtenidos mediante los , sugieren que , prediciendo la demanda mensual de consultas de urgencia respiratoria pediátrica, es el Presentando y, y el , por debajo del , siendo este último, el segundo mejor evaluado.
Si te gustó conocer esta aplicación del Machine Learning aplicada al mundo de la investigación médica, comenta y comparte la publicación. ¡Nos encantaría conocer tu opinión!
Puedes descargar el TFM de Claudio Cardenas Mansilla debajo.
