Palabras clave
citas médicas
ausentismo
Cómo citar
Resumen
La programación de citas médicas es una actividad de gran importancia en un hospital, ya que se deben utilizar de forma eficiente diferentes capitales, tanto humanos como materiales. Uno de los problemas de este trabajo es la inasistencia de un paciente, lo que disminuye la eficiencia del uso de estos recursos. Para hacer frente a esto, diversos estudios han propuesto considerar el “ausentismo” para programar las citas médicas. Sin embargo, predecirlo es una tarea compleja. Esta investigación propone la predicción de la no asistencia a la citación para tres áreas médicas del Hospital Clínico Regional Dr. Guillermo Grant Benavente en la ciudad de Concepción, Chile. Para esto se entrenan y evalúan cinco algoritmos de Machine Learning. El mejor modelo entrenado logró ser una herramienta predictiva del nivel de ausentismo de un paciente para su próxima consulta y caracterizar a aquellos pacientes con mayores niveles de ausentismo.
Citas
[2] M. C. Rossi y H. Balasubramanian, «Panel size, office visits, and care coordination events: a new workload estimation methodology based on patient longitudinal event histories,» MDM Policy & Practice, vol. 3, p. 2381468318787188, 2018.
[3] E. Kaplan-Lewis y S. Percac-Lima, «No-show to primary care appointments: why patients do not come,» Journal of Primary Care & Community Health, vol. 4, p. 251–255, 2013.
[4] M. Samorani, S. L. Harris, L. G. Blount, H. Lu y M. A. Santoro, «Overbooked and overlooked: Machine learning and racial bias in medical appointment scheduling,» Manufacturing & Service Operations Management, 2021.
[5] G. Fan, Z. Deng, Q. Ye y B. Wang, «Machine learning-based prediction models for patients no-show in online outpatient appointments,» Data Science and Management, vol. 2, p. 45–52, 2021.
[6] S. AlMuhaideb, O. Alswailem, N. Alsubaie, I. Ferwana y A. Alnajem, «Prediction of hospital no-show appointments through artificial intelligence algorithms,» Annals of Saudi medicine, vol. 39, p. 373–381, 2019.
[7] S. L. Harris y M. Samorani, «On selecting a probabilistic classifier for appointment no-show prediction,» Decision Support Systems, vol. 142, p. 113472, 2021.
[8] I. Mohammadi, H. Wu, A. Turkcan, T. Toscos y B. N. Doebbeling, «Data analytics and modeling for appointment no-show in community health centers,» Journal of primary care & community health, vol. 9, p. 2150132718811692, 2018.
[9] S. R. Devasahay, S. Karpagam y N. L. Ma, «Predicting appointment misses in hospitals using data analytics,» Mhealth, vol. 3, 2017.
[10] D. B. Ferro, S. Brailsford, C. Bravo y H. Smith, «Improving healthcare access management by predicting patient no-show behavior,» Decision Support Systems, vol. 138, p. 113398, 2020.
[11] S. R. Timarán-Pereira, I. Hernández-Arteaga, S. J. Caicedo-Zambrano, A. Hidalgo-Troya y J. C. Alvarado-Pérez, «El proceso de descubrimiento de conocimiento en bases de datos,» Descubrimiento de patrones de desempeño académico con árboles de decisión en las competencias genéricas de la formación profesional, p. 63–86, 2016.
[12] F. H. T. Espinosa, «Prediction of recidivism in thefts and burglaries using machine learning,» Indian Journal of Science and Technology, vol. 13, p. 696–711, 2020.
[13] M. N. Sulaiman y R. W. Rahmat, «Improving accuracy metric with precision and recall metrics for optimizing stochastic classifier,» 2011.
[14] S. Tangirala, «Evaluating the impact of GINI index and information gain on classification using decision tree classifier algorithm,» International Journal of Advanced Computer Science and Applications, vol. 11, p. 612–619, 2020.
[15] A. Nelson, D. Herron, G. Rees y P. Nachev, «Predicting scheduled hospital attendance with artificial intelligence,» NPJ digital medicine, vol. 2, p. 1–7, 2019.
