Análisis del reingreso hospitalario en pacientes hospitalizados: un caso de estudio

RESUMEN : Los reingresos hospitalarios representan un desafío significativo para los sistemas de salud, con impactos negativos en la salud del paciente y en los costos hospitalarios. Este trabajo aborda el problema mediante el uso de técnicas de aprendizaje automático para predecir el riesgo de reingreso hospitalario en pacientes en una institución de salud en Medellín. Se analizaron 31,095 registros de egresos hospitalarios entre 2020 y 2023, utilizando modelos como Gaussian Naive Bayes, Regresión Logística, Random Forest y Máquina de Soporte Vectorial. Los resultados muestran que los modelos de Random Forest, especialmente después de la optimización con submuestro, presentan una precisión destacada en la predicción de reingresos hospitalarios, con valores de precisión por encima del 94%. Estos modelos tienen un gran potencial para ser implementados en entornos clínicos reales para identificar pacientes en riesgo de reingreso y tomar medidas preventivas adecuadas.

• Autores: Pinto Hernández, Carlos Alfredo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2024
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/39751
• Acceso en línea: https://hdl.handle.net/10495/39751
• Palabra clave: Costos de Hospital; Hospital Costs; Aprendizaje Automático; Machine Learning; Readmisión del Paciente; Patient Readmission; Riesgo; Risk; Servicios de Salud; Health Services; Reingresos hospitalarios; Modelo de predicción; https://id.nlm.nih.gov/mesh/D017721; https://id.nlm.nih.gov/mesh/D000069550; https://id.nlm.nih.gov/mesh/D010359; http://aims.fao.org/aos/agrovoc/c_6612; https://id.nlm.nih.gov/mesh/D006296
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/2.5/co/