Achieving a proactive policy for patient flow management in a complex hospital network through reinforcement learning

Simple item page
dc.catalogadorpva
dc.contributor.advisorVera Andreo, Jorge
dc.contributor.advisorLarraín Izquierdo, Homero
dc.contributor.authorDe Geyter Messina, Matías
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date.accessioned2024-04-24T13:30:18Z
dc.date.available2024-04-24T13:30:18Z
dc.date.issued2024
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2024
dc.description.abstractLa toma de decisiones en el cuidado de la salud es un problema complejo debido a la incertidumbre y la realidad dinámica. Un tema muy importante está relacionado con las decisiones sobre admisiones de pacientes. En una red de atención médica compuesta por varios hospitales, debería ser conveniente considerar la capacidad combinada de todo el sistema. Por lo tanto, además de las admisiones a un hospital, también es posible transferir pacientes a otros. Estas decisiones dependen no solo de la condición médica del paciente, sino también de la capacidad actual de las diferentes áreas de los hospitales. En este trabajo, hemos formulado el problema como un Proceso de Decisión de Markov, y lo abordamos utilizando un enfoque de Aprendizaje por Refuerzo donde se estima el costo futuro esperado utilizando un modelo XGBoost, combinado con simulación, basado en la metodología de Q-learning. Basándonos en la política obtenida a traves del aprendizaje por refuerzo y en nociones de la literatura, se proponen pautas generales de gestión hospitalaria, que resultan en una política simplificada y fácil de implementar con resultados prometedores, incluída una reducción en el tiempo de servicio promedio en un 13.38% y una reducción del tamaño de la lista de espera del 65.86%. En comparación con el escenario base, hay una reducción en los costos totales del 71.44%, donde los costos sociales (debidos a los tiempos de espera y los costos de oportunidad de las camas para pacientes) se reducen en un 87.30%.
dc.description.funderANID
dc.fechaingreso.objetodigital2024-04-24
dc.format.extentxiii, 109 páginas
dc.fuente.origenSRIA
dc.identifier.doi10.7764/tesisUC/ING/85309
dc.identifier.urihttps://doi.org/10.7764/tesisUC/ING/85309
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/85309
dc.information.autorucEscuela de Ingeniería; Vera Andreo, Jorge; 0000-0002-2769-997X; 100240
dc.information.autorucEscuela de Ingeniería; Larraín Izquierdo, Homero; 0000-0002-2220-0236; 17946
dc.information.autorucEscuela de Ingeniería; Geyter Messina, Matías de; S/I; 1045192
dc.language.isoen
dc.nota.accesocontenido completo
dc.rightsacceso abierto
dc.subjectGestión de la salud
dc.subjectProgramación dinámica aproximada
dc.subjectSimulación
dc.subjectProceso de decisión de Markov
dc.subjectAprendizaje por refuerzo
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.titleAchieving a proactive policy for patient flow management in a complex hospital network through reinforcement learning
dc.typetesis de maestría
sipa.codpersvinculados100240
sipa.codpersvinculados17946
sipa.codpersvinculados1045192
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_MDeGeyter_Firma Final.pdf
Size:
5.99 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