Modelos de aprendizaje automático para la optimización de la gestión farmacéutica

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.

This document addresses the implementation of a machine learning model for the optimization of pharmaceutical management. The objective of this model is to strengthen the prevention and promotion of healthy lifestyles, as well as to prevent complications associated with existing diseases in a timely manner. The aim is to improve the quality of medical care, ensure the safety and efficacy in drug prescription, and optimize the use of health resources. The project focuses on 19,362 diabetic patients from the cardiovascular cohort of a health promotion entity. The purpose is to formulate an alternative to improve the clinical outcomes of these patients through the optimization of pharmaceutical management. The goal is to create an analytical and functional solution that allows maintaining good health outcomes in patients, while achieving operational efficiency in service and budgetary control of medical treatments. The project used the CRISP-DM (Cross-Industry Standard Process for Data Mining) methodology. This methodology has been standardized, especially in the industry sector for data mining projects (Wirth, 2000) and continues to be widely used in analytical projects due to its versatility. Furthermore, the XGBoost (Extreme Gradient Boosting) algorithm was used to iterate different architectures and variable transformations, in addition to variable engineering which included, among others, the number of patients. Among the main results, it was observed that variables such as age, sex, overweight, obesity, body mass index, and glycated hemoglobin (HbA1c) are closely related to diabetes and could be included in the forecasting model. Forecasts were made for the quantity of doses of 5 medicines that are part of the cohort's treatment prescription. It is concluded that machine learning is an effective tool for optimizing pharmaceutical management, by predicting the quantity of drug doses in diabetic patients of the cardiovascular cohort. The results indicate that the XGBoost algorithm performed best compared to other evaluated algorithms, such as LSTM and LightgBM.