Predicción de readmisiones hospitalarias infrecuentes usando machine learning: caso de estudio aplicado a partos en un hospital clínico

Simple item page
dc.contributor.advisorSepúlveda Fernández, Marcos Ernesto
dc.contributor.authorCornejo Rivas, Felipe Alejandro
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2021-12-30T15:09:34Z
dc.date.available2021-12-30T15:09:34Z
dc.date.issued2021
dc.descriptionTesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2021
dc.description.abstractLas readmisiones hospitalarias ocurren cuando los pacientes dados de alta de un hospital son readmitidos luego de un corto período de tiempo. Esta es una situación no deseada y costosa, siendo de alto interés clínico prevenirla. Gracias a los Electronic Health Records (EHRs), es posible aprovechar el historial clínico de los pacientes para la predicción de las readmisiones hospitalarias. Sin embargo, desarrollar modelos predictivos a partir del historial clínico es una tarea compleja, en particular cuando la disponibilidad de casos es limitada y las readmisiones poco frecuentes. En este trabajo, hemos desarrollado un método para estimar la probabilidad de readmisión en base a técnicas de machine learning, utilizando dos estrategias, Repeated Random Subsampling con Random Forest y Exemplar SVM, para lidiar con el desbalance entre las clases de interés. Este articulo describe el método propuesto y su aplicación a un conjunto de pacientes que tuvieron sus partos en un hospital clínico en Chile. Nuestros resultados muestran que es posible obtener un Likelihood Ratio (LR) de 1.82, correspondiente a un nivel de predicción AUC de 0.6. En la población estudiada, solo el 1.7% de los casos son readmisiones. Por ende, la probabilidad pre test de que una paciente vaya a ser readmitida es de 0.017. Que el modelo obtenga un LR+ de 1.82 sobre el set de testeo, significa que, si el modelo predice que una paciente va a ser readmitida, la probabilidad de que realmente lo sea se incrementa en un 80%, i.e. la probabilidad post test es de 0.031. Este método puede ser utilizado para estimar la probabilidad de readmisión en otros tipos de diagnóstico, particularmente en aquellos en que hay un bajo riesgo de readmisión.
dc.format.extentx, 53 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/63098
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/63098
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/63098
dc.information.autorucEscuela de Ingeniería ; Sepúlveda Fernández, Marcos Ernesto ; 0000-0002-9467-7666 ; 80415
dc.information.autorucEscuela de Ingeniería ; Cornejo Rivas, Felipe Alejandro ; 0000-0002-0458-5347 ; 214517
dc.language.isoes
dc.nota.accesoContenido completo
dc.rightsacceso abierto
dc.subjectReadmisiones hospitalariases_ES
dc.subjectFactores de riesgoes_ES
dc.subjectMachine Learninges_ES
dc.subjectData Analyticses_ES
dc.subjectAprendizaje de máquinaes_ES
dc.subjectPacientes de hospitaleses_ES
dc.subject.ddc600
dc.subject.deweyTecnologíaes_ES
dc.subject.otherUrgencias médicas - En embarazoes_ES
dc.subject.otherHospitales - Administración - Modelos matemáticoses_ES
dc.subject.otherHospitales - Admisión y altaes_ES
dc.titlePredicción de readmisiones hospitalarias infrecuentes usando machine learning: caso de estudio aplicado a partos en un hospital clínicoes_ES
dc.typetesis de maestría
sipa.codpersvinculados80415
sipa.codpersvinculados214517
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_FCornejo_Final.pdf
Size:
3.09 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
3.01 Tesis magíster