LKS Next – Sistemas de Aprendizaje Profundo para la Generación de Conocimiento Sanitario Accionable
LKS Next
Sector: Salud
Business Case
Las organizaciones sanitarias están cada vez más interesadas en la aplicación de la inteligencia artificial (IA) para la mejora de atención sanitaria y la reducción de costes y mejora de la eficiencia de los servicios sanitarios. Dos de los casos en los que se quiere aplicar esta transición tecnológica son la carga asistencial en urgencias y el riesgo en pacientes con patología de Insuficiencia Cardiaca Crónica.
Objetivos
Por un lado, crear un modelo capaz de predecir las horas con mayor carga asistencial en urgencias. Por el otro, crear un sistema de clasificación que determine el porcentaje de riesgo de cada uno de los pacientes con patología de Insuficiencia Cardiaca Crónica.
Use case
El modelo de predicción de horas con mayor carga permite al personal sanitario a anticiparse y a reorganizar el horario de trabajo de sus empleados eficientemente, asignando un mayor número de trabajadores en las horas críticas y menos personal en el resto de las horas. El sistema de clasificación de riesgo es un sistema de soporte a la decisión para los cardiólogos, ayudándoles a enfocar el tratamiento de los pacientes.
Infraestructura
On Premise
Tecnologías utilizadas
Aprendizaje Automático o Profundo RPA
Datos utilizados
Los datos utilizados son: las cargas de asistencia en los diferentes sectores de urgencias y turnos de los distintos centros de salud del País Vasco. Datos de los pacientes diagnosticados con insuficiencia cardiaca crónica; condición física, análisis de sangre, consumo de medicamentos, etc.
Recursos utilizados
Equipo multidisciplinar compuesto por científicos de datos y programadores.
Dificultades y aprendizaje
La asistencia a urgencias estaba condicionada por factores externos a los recogidos en la base de datos. En cuanto al modelo de clasificación de riesgo, la homogenización de las variables brutas de una historia clínica en variables adecuadas para el modelo.
KPIs (impacto en el negocio y métricas del modelo)
El modelo de predicción de horas críticas devuelve las próximas horas en las que urgencias tendrá una carga de asistencia elevada. En cuanto al modelo de clasificación de riesgo, devuelve un índice de riesgo que cataloga a los pacientes como riesgo muy bajo, bajo, medio y alto.
Financiación
Este proyecto ha sido financiado por Hazitek, programa de apoyo a la I+D empresarial.
Colaboradores
Kronikgune
