Análisis de reingresos de pacientes adultos utilizando redes neuronales recurrentes: caso de estudio en un hospital de tercer nivel de la ciudad de Medellín

Abstract

RESUMEN : La readmisión hospitalaria de pacientes es un fenómeno muy común a nivel nacional, es costoso y puede conllevar a procesos en los cuales la evaluación en la calidad de los servicios de salud por parte de los centros que lo prestan se puede ver altamente comprometida, debido a que esto es un índice de la calidad de servicio prestado al paciente durante su estancia. Por lo anterior es indispensable mitigar este tipo de impactos, ya que al predecir con anticipación las readmisiones puede aumentar la calidad de la atención hospitalaria y reducir los abultados costos a largo plazo. En el presente artículo se usarán dos técnicas de clasificación basadas en árboles: Árbol de Decisión y Bosques Aleatorios, y la técnica de aprendizaje profundo denominada Redes Neuronales Recurrentes con el objetivo de predecir la ventana de readmisión de un paciente a 3, 28 o más de 28 días desde una base de datos otorgada por un hospital de tercer nivel de la ciudad de Medellín. Los resultados muestran que no existe una correlación marcada entre las diferentes bases de datos por lo cual al aplicar el método de Bosques Aleatorios y Redes Neuronales Recurrentes, no se encuentra una mejora significativa de predicción con respecto al Árbol de Decisión.

ABSTRACT : Hospital readmission of patients is a very common phenomenon nationwide, it is costly, and can lead to processes in which the assessment of the quality of healthcare services provided by the centers can be highly compromised, as this is an index of the quality of service provided to the patient during their stay. Therefore, it is essential to mitigate these types of impacts, as predicting readmissions in advance can increase the quality of hospital care and reduce long-term hefty costs. In this article, two classification techniques based on trees will be used: Decision Tree and Random Forests, and the deep learning technique called Recurrent Neural Networks with the aim of predicting the readmission window of a patient at 3, 28, or more than 28 days from a database provided by a tertiary hospital in the city of Medellín. The results show that there is no marked correlation between the different databases, therefore, when applying the Random Forests and Recurrent Neural Networks method, there is no significant improvement in prediction compared to the Decision Tree.