2023-06-22, Botero, Bertha G., Botero, Susan L., Sosa, Anibal, Aristizabal, Andres A., Sosa Aguirre, Anibal, Aristizabal Pinzón, Andres Alberto

Este documento aborda la implementación de un modelo de aprendizaje automático para la optimización de la gestión farmacéutica. El objetivo de este modelo es fortalecer la prevención y la promoción de estilos de vida saludables, así como prevenir oportunamente las complicaciones asociadas a enfermedades existentes. Se busca mejorar la calidad de la atención médica, garantizar la seguridad y eficacia en la prescripción de medicamentos y optimizar el uso de los recursos sanitarios. El proyecto se centra en 19.362 pacientes diabéticos de la cohorte cardiovascular de una entidad promotora de salud. El objetivo es formular una alternativa para mejorar los resultados clínicos de estos pacientes mediante la optimización de la gestión farmacéutica. El objetivo es crear una solución analítica y funcional que permita mantener buenos resultados de salud en los pacientes, a la vez que se logra la eficiencia operativa en el servicio y el control presupuestario de los tratamientos médicos. El proyecto utilizó la metodología CRISP-DM (Proceso Estándar Intersectorial para Minería de Datos). Esta metodología ha sido estandarizada, especialmente en el sector industrial para proyectos de minería de datos (Wirth, 2000), y continúa siendo ampliamente utilizada en proyectos analíticos debido a su versatilidad. Además, se utilizó el algoritmo XGBoost (Extreme Gradient Boosting) para iterar diferentes arquitecturas y transformaciones de variables, además de la ingeniería de variables que incluyó, entre otros, el número de pacientes. Entre los principales resultados, se observó que variables como la edad, el sexo, el sobrepeso, la obesidad, el índice de masa corporal y la hemoglobina glucosilada (HbA1c) están estrechamente relacionadas con la diabetes y podrían incluirse en el modelo de pronóstico. Se realizaron pronósticos para la cantidad de dosis de 5 medicamentos que forman parte de la prescripción del tratamiento de la cohorte. Se concluye que el aprendizaje automático es una herramienta eficaz para optimizar la gestión farmacéutica, al predecir la cantidad de dosis de medicamentos en pacientes diabéticos de la cohorte cardiovascular. Los resultados indican que el algoritmo XGBoost tuvo el mejor rendimiento en comparación con otros algoritmos evaluados, como LSTM y LightgBM.

2023-07-15, Osorio Prada, James, Rodas Suazo, Fernando, Agudelo Burbano, Diego Fernando

En este trabajo se formuló una propuesta para abordar los altos niveles de inventario en una empresa de cintas y adhesivos , donde se manifiesta que dichos niveles han sido producto de una baja efectividad de los modelos tradicionales de pronóstico de ventas , generando un sobrestimado de pronóstico en comparación con la demanda real, donde posteriormente se ha utilizado este pronóstico para calcular el reaprovisionamiento de inventario con anticipación según su tiempo de producción, pero al no cumplirse dicho estimado se generaron excesos de inventario y costos adicionales para su almacenamiento. Para desarrollarlo se propuso la metodología CRISP-DM, que considera iniciar con una comprensión del negocio y preparación de los datos, definir un protocolo de evaluación que permita estimar el desempeño de los modelos seleccionados, evaluación de modelos, generar resultados, identificar los modelos que pueden ser utilizados para pronosticar la demanda de las ventas en periodos mensuales y realizar la validación de los modelos. Se propone la evaluación de cuatro modelos de pronóstico: Promedio móvil, suavización exponencial triple (Holt-Winters), ARIMA y Prophet. Los cuales han sido seleccionados debido a su efectividad en la predicción de series de tiempo. A través de esta evaluación, se espera identificar el modelo que mejor se adapte a las características de la demanda de productos, lo que permitirá una mejor planificación de la cadena de suministro y de forma indirecta una reducción en los niveles de inventarios. Finalmente, después de todo el trabajo desarrollado y de la validación realizada se puede afirmar que el enfoque de solución propuesto y la metodología empleada para obtenerla resultan apropiados.

2023-07-14, Castro Saldarriaga, Mario Germán, Urcuqui López, Christian Camilo

Este proyecto se llevó a cabo con el objetivo de implementar un modelo predictivo para mejorar la morbilidad hospitalaria en una IPS de mediana complejidad de la ciudad de Buga, buscando identificar estrategias para mejorar la atención médica, planificar y gestionar eficientemente los recursos, y lograr una atención oportuna al paciente. Para lograr el objetivo, se utilizó el modelo CRISP-DM, el cual cuenta con seis fases para el desarrollo de proyectos de minería de datos, entre las cuales se realizó primero la recolección, limpieza y preparación de datos. Con los datos obtenidos, se construyó el modelo predictivo de series de tiempo ARIMA y Holt-Winters, el cual arrojó un MAPE del 10,32% y una capacidad predictiva del 89,68% para el total de pacientes ingresados ​​en la institución, lo cual es muy bueno. Por otro lado, al analizar cada una de las patologías, se obtuvieron resultados entre 22,4% y 39,99% para MAPE y una capacidad predictiva entre 60% y 77,5%, lo que demuestra que para ciertas patologías, el modelo necesita ajustarse con otras técnicas. Entre las conclusiones, se detalla la necesidad de implementar el modelo para la planificación y atención de pacientes, lo que impacta en indicadores clave como la puntualidad de la atención y la minimización de costos hospitalarios. Como trabajo futuro, se propone utilizar técnicas de aprendizaje automático, como redes neuronales, y extender el estudio a más patologías clínicas.

2023-07-10, Castro Salamanca, Larry Farid, López, Juan Esteban, Ordóñez, José Armando

Este trabajo de grado desarrolla un modelo de aprendizaje supervisado para la detección temprana de Diabetes Mellitus Tipo 2 en poblaciones vulnerables del suroccidente colombiano. Utilizando la metodología CRISP-DM, se analizaron datos no clínicos (sociales y ambientales) de una EPS del régimen subsidiado. Debido al fuerte desbalance de clases (6.3% de prevalencia), se aplicaron técnicas de muestreo como SMOTE y Undersampling, priorizando la sensibilidad (recall) como métrica principal. Los resultados demuestran que algoritmos como Naive Bayes y XGBoost (con técnicas de muestreo) logran un equilibrio entre exactitud y sensibilidad, ofreciendo una alternativa eficiente y de bajo costo para la gestión del riesgo en zonas rurales de difícil acceso.