Por José Padilla.

La duración de la estancia, definida como el tiempo entre el ingreso hospitalario y el alta medida en días, es un aspecto de la atención que puede ser costoso para la mayoría de los sistemas de atención médica si no se aborda adecuadamente. Por otro lado, optimizar el flujo de pacientes facilita un tratamiento beneficioso, la espera mínima, la exposición mínima a los riesgos asociados con la hospitalización y el uso eficiente de recursos como camas de hospital, equipos médicos y personal clínico disponible.

Unión de los datos históricos del hospital y el aprendizaje automático para optimizar el flujo de pacientes y la planificación de recursos

Cuando la información de los Centros de Servicios de Medicare y Medicaid muestra que un tercio de todos los gastos de atención médica en los Estados Unidos se pueden atribuir a la atención hospitalaria, es fundamental mantener un perfecto control sobre la duración de la estancia del paciente en el hospital. Sin embargo, se complica. La edad del paciente, el sexo, el historial médico y varios otros factores tienen diferentes niveles de influencia en esos días entre el ingreso hospitalario y el alta.

Afortunadamente, las herramientas de análisis predictivo como las disponibles en Minitab pueden usar grandes cantidades de datos disponibles para predecir resultados individuales para los pacientes. En el siguiente ejemplo examinaremos la iniciativa de un centro de salud para optimizar la duración de la estancia del paciente.

Ejemplo: el hospital utiliza análisis predictivos para anticipar cuánto tiempo permanecerán los pacientes tan pronto como lleguen

Digamos que un hospital de tamaño medio en Oregon está estableciendo una objetivo para planificar y usar mejor sus recursos. Su equipo de excelencia operativa tiene un conjunto de datos que contiene información sobre aproximadamente 8,500 pacientes que visitaron el hospital en los últimos dos años. Incluye 21 predictores o variables de interés que van desde información general como edad, sexo y estado civil hasta información médica como el nivel de dolor, el tamaño del tumor y los recuentos de glóbulos blancos y rojos. Aquí está su hoja de trabajo en Minitab:

Obsérvese que la hoja de trabajo tiene 22 columnas de datos. Las primeras 21 columnas representan los predictores o variables que usarán para predecir la duración de la estancia del paciente, mientras que la columna 22 representa la duración de la estancia.

Análisis de la duración de los datos de estadía utilizando un árbol de regresión

Un algoritmo de aprendizaje automático "enseña" a un ordenador a reconocer patrones utilizando los datos disponibles. Las herramientas analíticas predictivas de Minitab LLCluyen árboles de clasificación y regresión (CART®). Los árboles de regresión son un algoritmo de árbol de decisión que funciona mediante la creación de un conjunto de reglas de sí/no que dividen los datos en particiones basadas en la configuración del predictor que mejor separa los datos en valores de respuesta similares. Al usar esta herramienta, podrán:

• Identificar las variables más importantes que afectan la duración de la estancia
• Descubrir combinaciones de configuraciones de predictores que tienen más probabilidades de conducir a una duración promedio de estancia menor o mayor.
• Visualizar los hallazgos.
• Crear reglas comerciales que sean fáciles de entender, usar y aplicar a los procesos en tiempo real.

Para crear un árbol de regresión, un miembro del equipo de excelencia operativa haría clic en Estadísticas>Análisis predictivo>CART® Regresión...

Aquí está el cuadro de diálogo completado.

Minitab muestra un diagrama de árbol en el panel de salida, como se muestra a continuación. Tiene dos formas diferentes llamadas nodos. Téngase en cuenta que algunos de los nodos se dividen en otros nodos y otros no se dividen más. Los nodos que no se dividen se denominan nodos terminales. Cada nodo terminal en el árbol de regresión representa una combinación específica de configuraciones de predictores. El número de nodos terminales representa el tamaño del árbol. En nuestro ejemplo, el árbol proporcionado por Minitab tiene 10 nodos terminales. Entonces, el tamaño del árbol es 10.

La salida también muestra, a continuación, el gráfico de Importancia de la variable relativa. Este gráfico clasifica el porcentaje de importancia relativa de cada variable predictiva para explicar la variabilidad en la duración de la estancia del paciente. En nuestro ejemplo, obsérvese que la edad es la variable más importante al predecir la duración de la estancia. La etapa del cáncer, el estado civil, el historial de tabaquismo, el número de tumores y el recuento de glóbulos blancos también predicen la duración de la estancia.

Uso del modelo para predecir la duración de la estancia del paciente

Es fácil hacer predicciones con este modelo utilizando la opción Predecir... en Minitab. Aquí predecimos un nuevo caso:

Y los resultados se muestran a continuación:

Obsérvese en la configuración que la salida proporciona los valores ingresados ​​para cada variable predictiva. Justo debajo de la configuración y bajo predicción, Minitab proporciona el valor de ajuste, que en este caso es la duración promedio prevista de la estancia. Con esa información, el hospital puede predecir que:

Un hombre casado de 53 años.

• con cáncer en estadio II
• que nunca ha fumado
• informó un nivel de dolor de 4 cuando llegó,
• y coincide con la otra información anterior ...

... se prevé que permanezca en el hospital durante 5,43 días.

El equipo de OpEx ahora puede predecir mejor la duración de la estancia del paciente

Con la ayuda de CART Regression en Minitab, el equipo de excelencia operativa del hospital tiene los datos que necesitan para predecir con precisión cuánto tiempo permanecerá un paciente en función de la información que conocen cuando llegue ese paciente. Cuando saben cuánto tiempo, en promedio, los pacientes con diferentes afecciones permanecerán en el hospital, pueden ajustar sus planes para garantizar que tengan los recursos adecuados cuando se necesiten.