Predicción de readmisiones hospitalarias infrecuentes usando machine learning: caso de estudio aplicado a partos en un hospital clínico
Loading...
Date
2021
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Las 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.
Description
Tesis (Magíster en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2021
Keywords
Readmisiones hospitalarias, Factores de riesgo, Machine Learning, Data Analytics, Aprendizaje de máquina, Pacientes de hospitales