Árboles de Modelos GAMLSS para la predicción de tiempo de estancia hospitalaria

Abstract

RESUMEN: El tiempo de estancia hospitalario conocido en la literatura como length of stay (LOS) es una variable fundamental en la administración hospitalaria debido a su impacto en la eficiencia de los recursos. Es por esto que su modelado y predicción han sido temas de interés de investigadores durante las últimas décadas. Adicionalmente, las características de su distribución, sesgada y de valores positivos, se reflejan en diferentes fenómenos, razón por la cual los trabajos desarrollados sobre la predicción de esta variable pueden ser replicable en diversos problemas. Aunque se han utilizado diferentes técnicas para la predicción de LOS, sigue existiendo una falencia en la exploración de técnicas que tengan en cuenta las características anteriormente mencionadas. Dado este escenario, en el presente trabajo se desarrolló la metodología de Arboles de Modelos GAMLSS (AMG), en la cual se utilizan los modelos aditivos generalizados de localización, forma y escala (GAMLSS) y se incorpora un procedimiento de selección de modelos dentro de varios candidatos que se generan. La metodología se aplica en tres casos de estudio con diferentes características, comparándola, con otras técnicas que fueron seleccionadas de acuerdo a la revisión de la literatura, posteriormente se realiza una validación de la metodología con base en la simulación de dos escenarios planteados. Dentro de los principales logros de la investigación se encuentran: el diseño e implementación en software de una metodología que facilita la generación y selección de modelos de predicción de variables continuas, la inclusión del criterio de información de Akaike (AIC) como métrica para comparar y seleccionar modelos, lo que permite dar un enfoque basado en la bondad de ajuste y no solo en la disminución de residuales como la mayoría de las técnicas actuales; otro logro es la mejora encontrada en algunas de las métricas con la que se miden los modelos generados, con respecto a otras técnicas con las que se comparó. Finalmente, se destaca la creación de una estructura de modelos nuevos que se basa en un árbol de decisión y un modelo GAMLSS en cada nodo, que permite modelar fenómenos en los que se puede encontrar subgrupos de observaciones provenientes de distribuciones diferentes.