Tesis (Magíster en Ciencia de datos)

En la actualidad los servicios de urgencias han incrementado el volumen de atenciones y la complejidad de las necesidades de los pacientes, estos cambios requieren de la implementación de soluciones innovadoras, es ahí donde, la inteligencia artificial ha demostrado en los últimos años un enorme potencial. Métodos: Este estudio aplicó técnicas de aprendizaje de máquina en la estimación del riesgo de desenlaces adversos en un servicio de urgencias, a través de la predicción temprana del destino del paciente visto en UCI, cirugía, hospitalización o admisión general, usando datos de 386.554 pacientes que asistieron a urgencias de múltiples centros de atención en Estados Unidos recopilados por el Medical Information Mart for Intensive Care – MIMIC-IV v1.0. Los datos se dividieron aleatoriamente en conjuntos de entrenamiento (70%) y validación (30%), usando modelos de clasificación binaria con regresión logística – LR, Naive Bayes Gaussiano – GNB y gradiente potenciado basado en arboles – LGBM en cuatro conjuntos de variables. Resultados: Los resultados del área bajo la curva ROC para la predicción en los datos de validación son UCI 0.89 (IC 95% 0.88, 0.91), cirugía 0.79 (IC 95% 0.77, 0.81), hospitalización0.79 (IC 95% 0.78, 0.80) y admisión general 0.84 (IC 95% 0.83, 0.85). Todos los algoritmos alcanzaron su mejor desempeño usando datos numéricos, de texto y el triage asignado. Conclusiones: La predicción temprana del destino de urgencias es una práctica que permite una mejor administración de los recursos de atención, adicionalmente, los modelos usados explican los principales determinantes del destino y demuestran la importancia del uso de datos no estructurados adicionales.