Aprendizaje automático para DSS
Diseño y desarrollo de métodos de predicción de la estancia hospitalaria centrados en técnicas de "machine learning"
En los últimos años, los establecimientos asistenciales buscan constantemente optimizar el funcionamiento de sus servicios garantizando al mismo tiempo la calidad de los mismos. La duración de la estancia hospitalaria (LOS) es un indicador para evaluar el rendimiento de los establecimientos de asistencia y la eficiencia del funcionamiento de los servicios hospitalarios.
El proyecto se llevó a cabo como parte de la tesis doctoral de la Sra. Racda Naïla MEKHALDI. Es el resultado de un trabajo de investigación realizado en el LAMIH de octubre de 2018 a enero de 2022. Esta investigación se basa en el conocimiento de campo proporcionado por ALICANTE, una empresa especializada en el desarrollo de herramientas dedicadas al entorno hospitalario.
Esta investigación se basa en el conocimiento de campo proporcionado por ALICANTE.
En los últimos años, los establecimientos sanitarios buscan constantemente optimizar el funcionamiento de sus servicios, garantizando al mismo tiempo la calidad de los mismos. La duración de la estancia hospitalaria (LOS, por sus siglas en inglés) es un indicador para evaluar el rendimiento de los establecimientos asistenciales y la eficiencia del funcionamiento de los servicios hospitalarios. Por ello, la estimación de la DDS de un paciente no sólo en el momento de su ingreso en un servicio, sino también a lo largo de todo su itinerario asistencial, ha sido objeto de varios estudios.
Duración de la estancia hospitalaria.
La predicción de la DDS ayuda a optimizar el uso de los recursos hospitalarios y a mejorar la organización de la asistencia mediante una mejor planificación de las actividades.
Se realizó una revisión bibliográfica para identificar los distintos modelos de DDS existentes en un entorno hospitalario. A continuación, dedujimos un modelo genérico que caracteriza el DDS en varias unidades médicas añadiendo nueva información definida en función de las necesidades diarias de los hospitales. El enfoque de predicción del DDS se basa principalmente en técnicas de aprendizaje automático y minería de datos. Se han propuesto dos modelos de predicción.
El primer modelo es estático. Su objetivo es determinar el DDS en cuanto un paciente ingresa en el hospital. Para ello, se explotaron los datos disponibles sobre ingresos previos y herramientas de "machine learning". El trabajo se centró, en parte, en formatear los datos, "limpiarlos", completarlos, normalizarlos, etc.
.
El segundo modelo es de naturaleza dinámica. Su objetivo es enriquecer el primer modelo con los datos que se adquieren durante la estancia del paciente. La dinamicidad del modelo es secuencial. El historial de DDS se ve como una serie de datos o eventos fechados que hay que relacionar de forma coherente.
El segundo modelo es de naturaleza dinámica.
La contribución de este proyecto no se refiere a la definición de nuevos algoritmos de aprendizaje automático sino sobre todo a su explotación en el ámbito hospitalario. En efecto, la complejidad de los datos médicos es una dificultad importante que hay que abordar. Esta complejidad se deriva de la gran variabilidad del origen de los datos y de su bajo nivel de formalismo (registros manuscritos libres). También se utilizaron datos del Programa de Medicalización de los Sistemas de Información (PMSI) para poner en práctica nuestras aportaciones.
Datos médicos.