Análisis predictivo de la morbilidad hospitalaria, buscando definir estrategias para el mejoramiento de la eficiencia en la atención en salud de una IPS de mediana complejidad de la ciudad de Buga

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.

This project was carried out with the aim of implementing a predictive model to improve hospital morbidity in a medium-complexity IPS in the city of Buga, seeking to identify strategies for improving healthcare, efficiently planning and managing resources, and achieving timely patient care. To achieve the objective, the CRISP-DM model was used, which has six phases for the development of data mining projects, among which data collection, cleaning, and preparation were carried out first. With the obtained data, the ARIMA and Holt-Winters time series predictive model was constructed, which yielded a MAPE of 10.32% and a predictive capacity of 89.68% for the total number of patients admitted to the institution, which is very good. Conversely, when analyzing each of the pathologies, results between 22.4% and 39.99% for MAPE and a predictive capacity between 60% and 77.5% were obtained, which shows that for certain pathologies, the model needs to be adjusted with other techniques. Among the conclusions, the need to implement the model for patient planning and care is detailed, impacting key indicators such as timeliness of care and minimization of hospital costs. As future work, it is proposed to use Machine Learning techniques such as neural networks and to extend the study to more clinical pathologies.