Predicción de readmisiones clínicas en pacientes con diabetes

Abstract

RESUMEN : La monografía aborda el problema de readmisiones clínicas en pacientes con diabetes mellitus. Este tipo de problema, en el contexto de EE. UU y que se encuentra mayormente en la literatura, comprende tres diferentes categorías (readmisión mayor a 30 días, readmisión menor a 30 días, sin readmisión). Actualmente, las predicciones de readmisiones clínicas u hospitalarias tienen como finalidad mejorar los tratamientos sobre los pacientes y reducir los costos asociados a la readmisión de estos.

La mayoría de los registros y características de los conjuntos de datos de readmisiones médicas coinciden en la información demográfica de las personas como lo son raza, sexo, edad, etc. También se presentan datos asociados a los diagnósticos hechos por los médicos tratantes y la medicación suministrada durante su estancia en el centro clínico o unidad de cuidados intensivos. El caso particular de la información usada en la monografía no dista de esto. Es válido mencionar que la información usada es multicentro, lo cual implica que no se posee el sesgo de una región u hospital especifico que es uno de los retos actuales de este dominio.

Las iteraciones para la obtención del modelo se abordaron en dos instancias. La primera de ellas tenía como propósito generar un modelo que sirviera de línea base para comprender que tan acertada puede ser la clasificación vista desde una perspectiva binaria, es decir paciente readmitido o no. En un segundo momento se extendió el problema a una clasificación multiclase en la cual pretendió darle especificidad al problema según como está en la literatura encontrada, además se usaron nuevos algoritmos para explorar que tan buenas son las predicciones (para este tipo de problemas) cuando se usan algoritmos más potentes a los normalmente conocidos.

Los resultados obtenidos en las dos fases de modelado fueron alentadores, todos los modelos obtenidos entregaron una precisión superior al 70%, siendo el XGboost el mejor modelo obtenido y el seleccionado con un 72% de precisión en el problema multiclase.