Publicación:
Ajuste de modelos de Machine Learning para pronosticar el ausentismo de usuarios en una IPS

Vista sencilla de ítem
dc.audience
dc.contributor.advisorMorales Rivera, Mario Alfonso
dc.contributor.authorPadilla Avila, Estefani Esther
dc.contributor.authorCochet Tirado, Brayan Said
dc.contributor.juryPerez Cantero, Kevin Luis
dc.contributor.juryCaicedo Castro, Isaac Bernardo
dc.contributor.projectmemberCorrea Vanegas, Emelis
dc.contributor.projectmemberRuiz Sárez, Juan Camilo
dc.date.accessioned2024-07-12T22:06:37Z
dc.date.available2024-07-12T22:06:37Z
dc.date.issued2024-07-10
dc.description.abstractLa falta de asistencia a citas médicas programadas se refiere a la situación en la que los usuarios de una empresa de servicios de salud no se presentan a su cita acordada. Esta problemática puede estar influenciada por diversos factores, tales como la edad del paciente, el tipo de cita, el perfil socioeconómico, el lugar de residencia entre otros El ausentismo a las consultas médicas tiene importantes implicaciones para la entidad prestadora del servicio, tanto en términos de costos como de eficiencia. Por lo tanto, es crucial poder estimar la probabilidad de que los usuarios de una institución prestadora de salud (IPS) no se presenten a la cita previamente programada, para proponer soluciones efectivas basadas en esta información. En esta ponencia se presentarán los resultados del entrenamiento de modelos de Machine Learning (ML) para clasificar a los usuarios de la IPS según el riesgo de no asistir a una cita médica previamente programada, considerando algunas características tanto del paciente como de la cita. Además, explica una estrategia de sobre agendamiento de citas basadas en las predicciones hechas por los modelos, que brinde confianza a la IPS para administrar de manera más eficiente la programación de la agenda de los médicos, lo que a su vez contribuirá a la reducción de costos y aumento de la eficiencia de la organización. Esta aplicación de los modelos de ML proporciona una oportunidad para que la empresa optimice la asignación de citas, reduciendo el ausentismo y lo cual se vería reflejado en una atención más oportuna para los afiliados a esta entidad, con tiempos de espera más cortos al solicitar los servicios.spa
dc.description.abstractThe lack of attendance at scheduled medical appointments refers to the situation where users of a healthcare service provider fail to show up for their agreed appointment. This issue can be influenced by various factors, such as the patient’s age, the type of appointment, socioeconomic profile, place of residence, among others. Absenteeism at medical consultations has significant implications for the service provider, both in terms of costs and efficiency. Therefore, it is crucial to estimate the probability that users of a healthcare provider (IPS) will not attend their previously scheduled appointment to propose effective solutions based on this information. In this presentation, the results of training Machine Learning (ML) models to classify IPS users according to the risk of not attending a previously scheduled medical appointment will be presented, considering certain characteristics of both the patient and the appointment. Additionally, it explains an overbooking strategy based on the predictions made by the models, providing the IPS with confidence to manage the doctors’ schedules more efficiently, which will, in turn, contribute to cost reduction and increased organizational efficiency. This application of ML models offers an opportunity for the company to optimize appointment allocation, reduce absenteeism, and consequently, ensure more timely care for the entity’s members, with shorter wait times when requesting services.eng
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsResumenspa
dc.description.tableofcontentsAbstracteng
dc.description.tableofcontentsIntroducciónspa
dc.description.tableofcontentsDescripción del problema y justificaciónspa
dc.description.tableofcontentsObjetivosspa
dc.description.tableofcontents1. Estado del artespa
dc.description.tableofcontents1.1. Antecedentesspa
dc.description.tableofcontents1.2. Marco teóricospa
dc.description.tableofcontents1.2.1. Modelos de Machine Learning (ML)spa
dc.description.tableofcontents1.2.2. Matriz de confusiónspa
dc.description.tableofcontents1.2.3. Validación Crusada (Cross Validations)spa
dc.description.tableofcontents1.2.4. Curvas ROCspa
dc.description.tableofcontents2. Metodologíaspa
dc.description.tableofcontents3. Resultadosspa
dc.description.tableofcontents3.1. Características usadasspa
dc.description.tableofcontents3.1.1. Medicina generalspa
dc.description.tableofcontents3.1.2. Medicina especializadaspa
dc.description.tableofcontents3.2. Análisis descriptivospa
dc.description.tableofcontents3.2.1. Medicina generalspa
dc.description.tableofcontents3.2.2. Medicina especializadaspa
dc.description.tableofcontents3.3. Entrenamiento de los modelosspa
dc.description.tableofcontents3.3.1. Modelo de regresiónlogísticaspa
dc.description.tableofcontents3.3.2. Modelo K vecinos más cercanos (KNN)spa
dc.description.tableofcontents3.3.3. Modelo Random Forest Classifier (RFC)spa
dc.description.tableofcontents3.3.4. Modelo máquina de soportevectorial (SVM)spa
dc.description.tableofcontents3.3.5. Modelo de Red Neuronal (Perceptron)spa
dc.description.tableofcontents3.4. Ensamblespa
dc.description.tableofcontents3.4.1. Ajuste de la métrica F1 de los modelosspa
dc.description.tableofcontents3.4.2. Ajustes curvas ROC de los modelosspa
dc.description.tableofcontents3.5. Implementación de los modelosspa
dc.description.tableofcontents3.5.1. Un ejemplo con nuevos datosspa
dc.description.tableofcontents4. Estrategia de Sobreagendamiento (Overbooking)spa
dc.description.tableofcontents4.1. Ejemplo para medicina generalspa
dc.description.tableofcontents4.2. Ejemplo para medicina especializadaspa
dc.description.tableofcontents5. Discusiónspa
dc.description.tableofcontents6. Conclusionesspa
dc.description.tableofcontentsBibliografíaspa
dc.description.tableofcontentsAnexosspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8387
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.programEstadística
dc.relation.referencesAbdollahifard, S., Farrokhi, A., Mowla, A., y Liebeskind, D. S. (2024). Performance metrics, algorithms, and applications of artificial in telligence in vascular and interventional neurology: A review of basic elements. Neurologic Clinics, 42(3), 633-650. Descargado de https://www.sciencedirect.com/science/article/pii/S0733861924000148 (Current Advances and Future Trends in Vascular Neurology) doi: https://doi.org/10.1016/j.ncl.2024.03.001
dc.relation.referencesAlmutairi, T. H., y Olatunji, S. O. (2024). The utiliza tion of ai in healthcare to predict no-shows for dental ap pointments: A case study conducted in saudi arabia. In formatics in Medicine Unlocked, 46, 101472. Descargado de https://www.sciencedirect.com/science/article/pii/S2352914824000285 doi: https://doi.org/10.1016/j.imu.2024.101472
dc.relation.referencesAracena, C., Villena, F., Arias, F., y Dunstan, J. (2022). Aplicaciones de aprendizaje automático en salud. Revista M´edica Clínica Las Condes, 33(6), 568–575.
dc.relation.referencesBiau, G. (2012). Analysis of a random forests model. The Journal of Machine Learning Research, 13(1), 1063–1095.
dc.relation.referencesCortes, C., y Vapnik, V. (1995). Support Vector Networks. Machine Lear ning, 20, 273-297.
dc.relation.referencesDagnino, J., y cols. (2014). Datos faltantes (missing values). Rev Chil Anest, 43, 332–4.
dc.relation.referencesDelgado, K., Ledesma, S., y Rostro, H. (2019). Electroencephalogram analy sis using artificial neural networks. Acta universitaria, 29.
dc.relation.referencesEstrada Vélez, V. E., Sanmartín Laverde, V., y Barragán Díaz, A. M. (2010). Motivos de inasistencia al programa de crecimiento y desarrollo de la ese hospital san vicente de paúl caldas-antioquia año 2009-2010.
dc.relation.referencesFlavio Barboza, E. A. (2024). Predicting financial distress in latin american companies: A comparative analysis of logistic regression and random forest models. The North American Journal of Economics and Finance, 72.
dc.relation.referencesGarcıa, J. E. L., Estrada, A. Y. G., y Márquez, C. Y. (s.f.). Xdapp: Clasificación de radiografias por medio de una aplicación móvil.
dc.relation.referencesGorodkin, O. (2006). The matthews correlation coefficient (mcc) should re place the roc auc as the standard metric for assessing binary classification. Journal of Machine Learning Research, 7, 277–282
dc.relation.referencesGuillies Rivas, N. A. (2022). Efectos de la pandemia de covid-19 en mode los de predicción de pacientes que no se presentan a citas presenciales y teleconsultas.
dc.relation.referencesHinduja, S., Nourivandi, T., Cohn, J. F., y Canavan, S. (2024). Time to retire f1-binary score for action unit detection. Pattern Recognition Letters, 182, 111-117. Descargado de https://www.sciencedirect.com/science/article/pii/S016786552400117X doi: https://doi.org/10.1016/j.patrec.2024.04.016
dc.relation.referencesIBM. (2013). What is the k-nearest neighbors (knn) algorithm?
dc.relation.referencesJeffin, J., Senith, S., Kirubaraj, A. A., y Ramson, S. J. (2022). Machine learning for prediction of clinical appointment no-shows. International Journal of Mathematical, Engineering and Management Sciences, 7(4), 558.
dc.relation.referencesMalagón-Selma, M. d. P., Debón, A., y Ferrer, A. (2022). Modelos de machine learning y estadística multivariante para predecir la posición de los equipos de primera división. Journal of Sports Economics & Management, 12(1), 3–22
dc.relation.referencesMohammadi, I., Wu, H., Turkcan, A., Toscos, T., y Doebbeling, B. N. (2018). Data analytics and modeling for appointment no-show in com munity health centers. Journal of primary care & community health, 9, 2150132718811692.
dc.relation.referencesMondragón Cobo, C. M., y Castillo Zamora, L. F. (2018). Costo de la no adherencia en los controles del programa de riesgo cardiovascular en una ips de primer nivel de cali, en el año 2017.
dc.relation.referencesNelson, A., Herron, D., Rees, G., y Nachev, P. (2019). Predicting scheduled hospital attendance with artificial intelligence. NPJ digital medicine, 2(1), 26.
dc.relation.referencesOoi, J., Leong, G., y Oh, H. (2021). The impact of common variables on non-attendance at a radiology centre in singapore. Radiography, 27(3), 854–860
dc.relation.referencesOrtiz Sáez, I. D. (2022). Desarrollo de un modelo predictivo de la asistencia a citas médicas de terapia física en la red de centros asistenciales de achs.
dc.relation.referencesPan, P. J., Lee, C. H., Hsu, N. W., y Sun, T. L. (2024). Combining prin cipal component analysis and logistic regression for multifactorial fall risk prediction among community-dwelling older adults. Geriatric Nursing, 57(11), 208-216.
dc.relation.referencesP´ erez Sambrano, M., y Rend´ on ´ Alvarez, M. M. (2016). Características asociadas con la inasistencia a la consulta de promoción y prevenci´on en salud en una ips de la ciudad de medellín 2016.
dc.relation.referencesPowers, What’s D. the M. difference? (2020). Precision Medium. and recall: Descargado de https://ellielfrank.medium.com/precision-vs-recall-b7556bf45b9c
dc.relation.referencesPowers, D. M. W. (2011). Evaluation: From precision, recall and f-measure to roc, informedness, markedness correlation. Journal of Machine Learning Technologies, 2(1), 37–63
dc.relation.referencesRaschka, S. (2022). T´ıtulo del cap´ ıtulo. En S. Raschka, Y. H. Liu, y V. Mir jalili (Eds.), Machine learning with pytorch and scikit-learn: Develop ma chine learning and deep learning models with python. Birmingham, UK: Packt Publishing.
dc.relation.referencesRomero-Aceituno, P. D. (2019). Desarrollo y evaluaci´ on de un modelo pre dictivo basado en machine learning para estudiar y predecir el comporta miento del absentismo en prestaciones sanitarias.
dc.relation.referencesSalinas Rebolledo, E., De la Cruz Mes´ ıa, R., y Bast´ ıas Silva, G. (2014). Nonattendance to medical specialists’ appointments and its relation to re gional environmental and socioeconomic indicators in the chilean public health system. Medwave
dc.relation.referencesYang, W., Fan, W., Wang, D., Latremouille, S., Sant’Anna, G. M., Shalish, W., y Kearney, R. E. (2023). Detection of differen ces of cardiorespiratory metrics between non-invasive respira tory support modes using machine learning methods. Biome dical Signal Processing and Control, 85, 105028. Descargado de https://www.sciencedirect.com/science/article/pii/S1746809423004615 doi: https://doi.org/10.1016/j.bspc.2023.105028
dc.rightsCopyright Universidad de Córdoba, 2024
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.sourceUniversidad de Córdoba
dc.subject.keywordsAbsenteeism
dc.subject.keywordsClassification
dc.subject.keywordsMachine Learning
dc.subject.keywordsOverbooking
dc.subject.proposalAusentismo
dc.subject.proposalClasificación
dc.subject.proposalMachine Learning
dc.subject.proposalSobreagendamiento
dc.titleAjuste de modelos de Machine Learning para pronosticar el ausentismo de usuarios en una IPS
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
Autorización de publicación.pdf
Tamaño:
1.47 MB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
Ajuste de modelos de Machine Learning para pronosticar el ausentismo de usuarios en una IPS.pdf
Tamaño:
3.29 MB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.A. Trabajos de Investigación y/o Extensión