Desarrollo de técnicas de mejora de calidad de información en sistemas de localización a tiempo real para creación de modelos de predicción en entornos hospitalarios

Abstract

[ES] Los hospitales son entornos de una alta complejidad en los cuales se llevan a cabo diariamente cientos de procesos en los que se ven implicados tanto pacientes como profesionales sanitarios.

El control y seguimiento de estos procesos de manera manual resulta en grandes pérdidas de tiempo por parte de los profesionales que no se ven reflejadas en una mejora directa de la salud de los pacientes. Es por esto por lo que surgen los sistemas de localización a tiempo real (RTLS) los cuales permiten registrar los procesos realizados en el hospital.

Para el aprovechamiento de estos datos serán de gran utilidad las técnicas del Big Data, en concreto, la minería de procesos, gracias a la cual se podrán observar los distintos procedimientos que suceden en el hospital. Sin embargo, en ocasiones, la información recopilada por los RTLS contiene datos corruptos que pueden empeorar los resultados de la minería de procesos.

Por ello, en este trabajo se van a identificar los errores existentes en los datos de los RTLS y a desarrollar técnicas interactivas para la corrección de estos, pudiendo utilizar los datos corregidos para la generación de modelos de predicción en entornos hospitalarios.

[EN] Hospitals are highly complex environments where hundreds of processes are performed daily, being implicated both patients and healthcare professionals.

Controlling and tracing these processes manually results in a great waste of time for professionals that is not directly involved on patients health. Due to that, Real Time Location Systems (RTLS) appear allowing record every process executed in hospitals.

To take advantage of this data, Big Data techniques will be very useful specifically, process mining, thanks to which observe different procedures in hospitals will be possible. However, sometimes, information recorded by RTLS contains corrupt data which could worsen process mining results.

Hence, in this paper it will be identified errors present in RTLS data and interactive techniques for its correction will be developed, using the corrected data to generate prediction models in hospital environment.