Desarrollo de modelos predictivos basados en aprendizaje automático como solución a problemas en la gestión clínica y hospitalaria

Abstract

[ES] Introducción Los cambios demográficos y sociales están causando una transformación del modelo de asistencia en el Sistema Nacional de Salud, que ve aumentar la demanda de servicios progresivamente. Para garantizar la viabilidad del sistema hace falta plantear un nuevo paradigma, centrado en la cronicidad y la optimización de recursos. Objetivo Diseñar modelos predictivos basados en aprendizaje automático que sirvan de apoyo en algunos de los problemas de gestión más habituales. Metodología Se plantean para este estudio cuatro problemas actuales de la gestión clínica y hospitalaria: identificación de pacientes crónicos complejos, predicción de costes, estimación de la ocupación hospitalaria y predicción de reingresos. Se preparan distintos conjuntos de datos para cada uno de los problemas, incluyendo variables de tipo clínico, económico, de consumo de recursos, demográfico y social. Se diseña un algoritmo de aprendizaje automático del estado del arte (regresión logística, random forest o red neuronal) como solución a cada problema y se implementa en Matlab. Los problemas de clasificación son evaluados con el valor de área bajo la curva ROC, exactitud, sensibilidad, especificidad, valor predictivo positivo y negativo y estadístico-F. Para los problemas de regresión se calcula el coeficiente de correlación, la raíz del error cuadrático medio y los errores porcentuales medio y mediano. Resultados El sistema de identificación de pacientes crónicos complejos es capaz de detectar satisfactoriamente los casos de complejidad clínica, social y de dependencia. La predicción de costes alcanza valores altos para costes totales, pero menores en farmacia. La estimación de ocupación se realiza con un sistema sencillo con un elevado nivel de correlación y poco error. Se ha podido configurar un sistema con un elevado valor predictivo positivo para el caso de los reingresos. Conclusiones Los modelos predictivos basados en aprendizaje automático permiten aprovechar los registros de los sistemas de información, ofreciendo herramientas de ayuda para la gestión con resultados fiables.

[EN] Introduction Demographic and social changes are causing a transformation of the assistance model in the National Health System, which is witnessing a progressive increase in the demand for services. In order to guarantee the viability of the system, it is necessary to propose a new paradigm, focused on chronicity and optimization of resources. Objective Design predictive models based on machine learning to support some of the most common management problems. Methodology Four current problems of clinical and hospital management are considered for this study: identification of complex chronic patients, prediction of costs, estimation of hospital occupancy and prediction of readmissions. Different data sets are prepared for each of the problems, including clinical, economic, resource consumption, demographic and social variables. A state-of-the-art automatic learning algorithm (logistic regression, random forest or neural network) is designed as a solution to each problem and implemented in Matlab. Classification problems are evaluated with the area under the ROC curve value, accuracy, sensitivity, specificity, positive and negative predictive value and F-score. For regression problems, the correlation coefficient, the root of the quadratic mean error and the mean and median percentage errors are calculated. Results The complex chronic patient identification system is capable of properly detecting the cases of clinical, social and dependency complexity. The cost prediction reaches high values for total costs, but lower in pharmacy. Occupancy estimation is done with a simple system with a high level of correlation and low error. It has been possible to configure a system with a high positive predictive value in the case of readmissions. Conclusions Predictive models based on machine learning allow to take advantage of the records of the information systems, offering tools to help management with reliable results.