Data mining como herramienta de predicción y toma de decisiones en entornos clínicos y hospitalarios

Obtenido de: https://fondoeditorial.itm.edu.co/gesta.html

DATA MINING COMO HERRAMIENTA DE PREDICCIÓN Y TOMA DE DECISIONES EN ENTORNOS CLINICOS Y HOSPITALARIOS

Stefany Paola Tirado De Stefano

Estudiante De Ingeniería Industrial UPB

Leonardo Andrés Palacios Córdoba 

Estudiante De Ingeniería Industrial UPB

Julián Alberto Uribe Gómez

Docente Facultad De Ciencias Económicas Y Administrativas ITM

Colombia a lo largo de los últimos años ha venido presentando un preocupante aumento en el déficit de recursos hospitalarios. Esta crisis pudo haberse generado debido a una ineficiente estructura administrativa en la salud, ocasionando que miles de colombianos no tengan la posibilidad de recibir la atención adecuada producto de una sobrecapacidad del sistema. Según estándares internacionales se recomienda tener 2.6 camas hospitalarias por cada mil habitantes, sin embargo, en Colombia se incumple con el estándar, ya que solo cuenta con 1.7 camas hospitalarias por cada mil habitantes (Vivas, 2018). La saturación del sistema ocasiona usuarios insatisfechos, congestión en las instalaciones, sobrecarga laboral sobre el personal asistencia y pérdidas de vidas humanas. Originado por factores internos y externos al servicio; siendo los factores externos los más difíciles de controlar por la organización, de esta manera los factores internos se convierten en el foco principal de control por parte de los administradores del sistema. Teniendo en cuenta esta problemática, las técnicas analíticas de inteligencia artificial, en especial la minería de datos se convierten en una herramienta útil para proporcionar estrategias favorables en el sector de la salud, debido a que puede contribuir a través de la predicción de los recursos necesarios para atender la demanda de los usuarios. (Restrepo, Jaén, Piedrahita, & Zapata, 2018). 

La administración del servicio es la responsable de gestionar, administrar y controlar los recursos necesarios, garantizando la satisfacción del cliente. Sin embargo, todos los sistemas se enfrentan continuamente a procesos de incertidumbre, por lo que es complejo para la dirección predecir el número de pacientes que solicitaran el servicio. De esta manera, es de vital importancia contar con un adecuado aprovisionamiento de la cadena, que va desde la atención al cliente hasta la disposición de insumos. Para la unidad hospitalaria analizada, el número de camas requeridas es un factor determinante para la dirección, dado que de ello depende la atención del sistema. De modo que, la unidad hospitalaria busca aprovechar los registros previos de su operación para la optimización de su servicio, haciendo uso de las variables que influyen mayormente en el servicio como: porcentaje de ocupación de la cama, veces que se ocupa una cama por pacientes, egresos, tiempo de estancia del paciente y número de camas. 

Para intervenir dicha problemática se utilizó la minería de datos (Data mining) sirviendo así al servicio en la toma de decisiones estrategias, proporcionando información oportuna y confiable para mejorar el servicio. Con base en esto, se busca explorar esta técnica estadística de aprendizaje de máquina sobre la operación de una unidad hospitalaria.

Como antecedentes se puede decir que esta técnica se ha venido implementando para obtener información especializada de los pacientes como la asociación de síntomas, clasificación de patologías; estudios de factores de riesgos y segmentación de pacientes con la finalidad de brindar una atención más inteligente (Aznielles , Wong, & Rosete , 2008). Sin embargo, muy poco sea investigado entorno a la predicción de recursos hospitalarios. Una predicción de dicho valor permitiría a la administración estimar costos, evitar la inactividad del recurso, mejorar la satisfacción del cliente y reconocer picos de demanda. En la actualidad la intuición y la experticia del administrador son la única herramienta para llegar a una estimación, sin embargo, este no es capaz de organizar, recolectar y procesar datos durante mucho tiempo, por lo que no puede proporcionar información precisa sobre eventos futuros. Por consiguiente, la minería de datos a través de un análisis predictivo permitirá conocer un pronóstico más acertado del número de camillas, debido a que fue posible detectar patrones de comportamiento y estimar a través de ellos una respuesta. Con el fin de otorgar orden al análisis se utilizará la metodología CRISP-DM, cuyo objetivo se dividen en 6 fases el procesamiento de los datos de la siguiente manera: 

1. Comprensión del negocio: Intereses del negocio de la unidad hospitalaria, alcances y objetivos.

2. Comprensión de los datos: Tipología de los datos, relaciones, en este caso se encontró que los egresos y el número de camas tienen una fuerte relación. En este caso se cuentan con 5 variables de recolección mensual desde 2008 hasta 2018.

3. Preparación de los datos: Transformación y limpieza. Chequeo de faltantes o repetidos.

4. Modelado: Análisis del comportamiento, se utilizan dos técnicas:

• Regresión lineal (RL): Evalúa la relación entre una variable dependiente con respecto a otras variables independientes (cómo se comporta la variable de interés tras el cambio de las demás).

• K- nearest neighbor: El método de los k vecinos más cercanos consiste en comparar cada nuevo dato con respecto a los vecinos ya creados, según el parecido que tenga con respecto a alguno de ellos, será asignado un número de camas determinado. Para este caso se determinaron 6 vecinos a utilizar. 

En la figura 1, se presenta la estructura visual y el plan trazado de la data mining para el negocio, donde se presentan 3 momentos: Predicción con RL, vecino más cercano y análisis descriptivo.

Figura 1. Procesamiento de los datos. Elaboración: autores.

5. Evaluación: En este paso se evalúan los resultados con respecto a las técnicas utilizadas; se compara el modelo obtenido de predicción con los objetivos de negocio, es decir, se compara el valor real del número de camas para un mes en específico con respecto a la predicción realizada por el modelo. 

Al comparar ambos modelos de predicción (Ver figura 2) podemos identificar que la regresión lineal obtuvo una predicción más cercana al valor real del número de camas requeridas, por lo que se considera es el mejor modelo. Sin embargo, el método de los k vecinos al depender mucho del parecido entre el dato vecino y el nuevo dato deja de tener en cuenta mucha información porque se asigna la clase más probable a sus similares, siendo muy dependiente del ajuste. 

Figura 2. a) Predicción con RL.  b) Predicción con K- nearest neighbor. Elaboración: autores.

Conclusiones

Tras la investigación anterior se puede concluir que la data mining como herramienta para la toma de decisiones en diferentes disciplinas toma cada vez mayor fuerza, llegando a ser de gran utilidad para la administración de cualquier tipo de empresa, negocio o industria, ya que facilita la evaluación de la relación costo-beneficio, ayuda a procesar y analizar grandes volúmenes de datos, además permite detectar relaciones entre los datos recogidos durante la operación y sirve a la toma de decisiones más objetivas en la empresa. A partir del modelamiento anterior se logró comprender cuál de los dos modelos empleados en el estudio describía mejor los datos y cual es de mayor utilidad. Adicional a esto, esta técnica de aprendizaje supervisado se puede complementar con aplicaciones de simulación, para generar escenarios aleatorios de demanda real para pronosticar periodos más extensos de tiempo, apoyando así labores presupuestales o prospectivas. Por lo tanto, la minería de datos o data mining son modelos entrenables y ajustables a las necesidades que conllevan siempre a procesos de recombinación y de mejora continua. 

REFERENCIAS

Aznielles , Y., Wong, D., & Rosete , A. (2008). Minería de Datos aplicada a la Gestión Hospitalaria . CUJAE.

ehCOS. (s.f.). ESALUD BLOG. Obtenido de ¿Qué esperan médicos y personal de enfermería del big data y la analítica predictiva UCI? : https://www.ehcos.com/esperan-medicos-personal-enfermeria-del-big-data-la-analitica-predictiva-las-uci/

Restrepo, J., Jaén, J., Piedrahita, J., & Zapata, P. (2018). Saturación en los servicios de urgencias: Análisis de cuatro hospitales de Medellín y simulación de estrategias. Revista Gerencia y Políticas de Salud.

Vivas, J. (30 de Julio de 2018). Colombia, con apenas 1,7 camas hospitalarias por cada mil habitantes. EL TIEMPO.