Análisis del reingreso hospitalario en pacientes hospitalizados: un caso de estudio

Abstract

RESUMEN : Los reingresos hospitalarios representan un desafío significativo para los sistemas de salud, con impactos negativos en la salud del paciente y en los costos hospitalarios. Este trabajo aborda el problema mediante el uso de técnicas de aprendizaje automático para predecir el riesgo de reingreso hospitalario en pacientes en una institución de salud en Medellín. Se analizaron 31,095 registros de egresos hospitalarios entre 2020 y 2023, utilizando modelos como Gaussian Naive Bayes, Regresión Logística, Random Forest y Máquina de Soporte Vectorial. Los resultados muestran que los modelos de Random Forest, especialmente después de la optimización con submuestro, presentan una precisión destacada en la predicción de reingresos hospitalarios, con valores de precisión por encima del 94%. Estos modelos tienen un gran potencial para ser implementados en entornos clínicos reales para identificar pacientes en riesgo de reingreso y tomar medidas preventivas adecuadas.

ABSTRACT : Hospital readmissions represent a significant challenge for healthcare systems, with negative impacts on patient health and hospital costs. This study addresses the problem of using machine learning techniques to predict the risk of hospital readmission in patients at a healthcare institution in Medellín. 31,095 hospital discharge records between 2020 and 2023 were analyzed, using models such as Gaussian Naive Bayes, Logistic Regression, Random Forest, and Support Vector Machine. The results show that Random Forest models, especially after optimization with subsampling, exhibit outstanding accuracy in predicting hospital readmissions, with precision values above 94%. These models have great potential to be implemented in real clinical settings to identify patients at risk of readmission and take appropriate preventive measures.