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

Morales Rivera, Mario AlfonsoPadilla Avila, Estefani EstherCochet Tirado, Brayan Said2024-07-122024-07-122024-07-10https://repositorio.unicordoba.edu.co/handle/ucordoba/8387La 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.The 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.ResumenAbstractIntroducciónDescripción del problema y justificaciónObjetivos1. Estado del arte1.1. Antecedentes1.2. Marco teórico1.2.1. Modelos de Machine Learning (ML)1.2.2. Matriz de confusión1.2.3. Validación Crusada (Cross Validations)1.2.4. Curvas ROC2. Metodología3. Resultados3.1. Características usadas3.1.1. Medicina general3.1.2. Medicina especializada3.2. Análisis descriptivo3.2.1. Medicina general3.2.2. Medicina especializada3.3. Entrenamiento de los modelos3.3.1. Modelo de regresiónlogística3.3.2. Modelo K vecinos más cercanos (KNN)3.3.3. Modelo Random Forest Classifier (RFC)3.3.4. Modelo máquina de soportevectorial (SVM)3.3.5. Modelo de Red Neuronal (Perceptron)3.4. Ensamble3.4.1. Ajuste de la métrica F1 de los modelos3.4.2. Ajustes curvas ROC de los modelos3.5. Implementación de los modelos3.5.1. Un ejemplo con nuevos datos4. Estrategia de Sobreagendamiento (Overbooking)4.1. Ejemplo para medicina general4.2. Ejemplo para medicina especializada5. Discusión6. ConclusionesBibliografíaAnexosapplication/pdfspaCopyright Universidad de Córdoba, 2024Ajuste de modelos de Machine Learning para pronosticar el ausentismo de usuarios en una IPSTrabajo de grado - PregradoAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessAusentismoClasificaciónMachine LearningSobreagendamientoAbsenteeismClassificationMachine LearningOverbookingUniversidad de CórdobaRepositorio Universidad de Córdobahttps://repositorio.unicordoba.edu.cohttp://purl.org/coar/access_right/c_abf2