¿Tienes hora al médico y no asistes?

Científicos diseñan modelo para predecir conducta de pacientes mediante inteligencia artificial

Científicos diseñan modelo para predecir conducta de pacientes
En Chile, 1 de cada 5 pacientes que solicitan una hora médica no se presenta finalmente, lo que genera pérdidas de hasta 35 millones de dólares al año.
En Chile, 1 de cada 5 pacientes que solicitan una hora médica no se presenta finalmente, lo que genera pérdidas de hasta 35 millones de dólares al año.
El método predictivo ya fue analizado en modelos simulados y se puso a prueba durante tres meses en tres recintos hospitalarios del país.
El método predictivo ya fue analizado en modelos simulados y se puso a prueba durante tres meses en tres recintos hospitalarios del país.
"Ocupamos mucha información histórica para poder entrenar a estos modelos, y que entiendan el patrón o perfil de la persona que falta", señala Jocelyn Dunstan.
"Ocupamos mucha información histórica para poder entrenar a estos modelos, y que entiendan el patrón o perfil de la persona que falta", señala Jocelyn Dunstan.
"Decidimos no hacer un mismo modelo para todos los hospitales, sino que diferenciarlo por establecimiento, con sus propios datos", explica Héctor Ramírez.
"Decidimos no hacer un mismo modelo para todos los hospitales, sino que diferenciarlo por establecimiento, con sus propios datos", explica Héctor Ramírez.

Un llamado telefónico, un mensaje de texto o un Whatsapp. ¿Cuál es la forma más efectiva de recordarle al paciente su cita con el médico y así evitar que no asistan? Investigadores del Centro de Modelamiento Matemático (CMM) de la Universidad de Chile se plantearon ofrecer una solución a esta pregunta a través de la ciencia. Por medio de la inteligencia artificial, el grupo académico entrenó máquinas capaces de optimizar la gestión de la agenda hospitalaria.

Gracias a un fondo de fomento para el desarrollo científico, el equipo liderado por Jocelyn Dunstan y Héctor Ramírez idearon un software capaz de aumentar la eficiencia en la atención hospitalaria. En concreto, los investigadores determinaron mediante machine learning cuál es la probabilidad de que un paciente no se presente a su hora médica, ya sea por el historial de asistencia de cada persona, como también otros factores geográficos y sociales que son procesados por este modelo.

En Chile, 1 de cada 5 pacientes que solicitan una hora médica no se presenta finalmente, lo que genera pérdidas de hasta 35 millones de dólares al año, sin considerar el tiempo que se pierde en este proceso. Es por esto que el proyecto busca aumentar la eficiencia en los procesos de atención. “Nos preocupamos de hacer que este modelo trate de llamar lo menos posible, pero con la mayor efectividad posible de confirmación de asistencia”, detalla el Ph.D. en Matemáticas Aplicadas e investigador del CMM, Héctor Ramírez.

Por su parte, Jocelyn Dunstan, Ph.D. en Matemática Aplicada e investigadora del CMM, explica que este método consiste en realizar un aprendizaje supervisado de máquinas. Ocupamos mucha información histórica para poder entrenar a estos modelos, y que entiendan el patrón o perfil de la persona que falta para cierta especialidad y en cierto hospital”. También integran otros factores que pueden influir en la factibilidad de que un paciente no se presente a su hora médica: el día, la hora, la zona geográfica y su conducta previa, entre otros.

La iniciativa ya fue analizada en modelos simulados, y posteriormente los científicos del CMM quisieron conocer cómo funcionaba este prototipo en la vida real. Es así como se puso a prueba durante tres meses este método en tres recintos hospitalarios del país: el Hospital Pediátrico Luis Calvo Mackenna; el Hospital Regional de Talca y el Centro de Referencia en Salud Cordillera Oriente, ubicado en Peñalolén.

“El trabajo que realizamos a nivel experimental consistió en intervenir la agenda médica de estos tres hospitales, de manera de probar la eficacia real de nuestro método predictivo. Esto, además, nos permitió entender mejor las razones por las cuales la gente no asiste a sus citas médicas, lo que a su vez nutre a nuestros modelos y les da mayor eficacia”, explicó Héctor Ramírez.

Hospitales distintos, datos distintos

Uno de los principales desafíos a considerar en el proceso de aprendizaje fue la heterogeneidad del funcionamiento de cada hospital y el perfil de sus pacientes. “Por ello, decidimos no hacer un mismo modelo para todos los hospitales, sino que diferenciarlo por establecimiento, con sus propios datos. Aparte que las especialidades también tienen conducta distinta de pacientes”, agregó Ramírez. A esto se suma que el perfil de cada paciente también insta a establecer cuál es la forma más óptima para recordarles su visita al doctor: con algunos resulta más efectivo hacerlo por vía telefónica, otros por Whatsapp e incluso algunos casos, donde la conectividad no es tan buena, por mensaje de texto (SMS).

Además, en el piloto de prueba se detectaron diferencias entre los distintos tipos de consulta médicas que cada paciente solicita. “Hay discrepancias entre las especialidades, y por ello decidimos no agruparlas. No es la misma conducta de un paciente pediátrico a uno que concurre al oftalmólogo, o al ginecólogo. Dejamos que los datos nos hablen y nos digan cuáles son las principales características que determinan la inasistencia de los pacientes”, añadió Dunstan.

Así fue como se procesó con inteligencia artificial alrededor de 18 mil citas médicas, donde se analizaron los motivos de quienes no asistieron para predecir posibles ausencias. De este ejercicio, se logró reducir de un 20,3 a un 12,5 por ciento la inasistencia a pacientes a quienes se les recuerda vía llamado telefónico. Por otro lado, el porcentaje de ausencia a las personas avisadas por Whatsapp y mensajes de texto se logró reducir en un 5,4 por ciento. De esta forma, el software creado por los investigadores del CMM logró aumentar la eficiencia en la gestión de dichos centros de salud.

A pesar de la diversidad de hospitales y especialidades estudiadas, en todos los casos analizados se logró reducir la cantidad de pacientes que no se presentaron a su cita médica. Con esto, los científicos del CMM esperan desarrollar herramientas que presten servicio a los distintos perfiles de hospitales en el país, y contribuir así a la reducción de las listas de espera que aquejan a los pacientes del sector público.

“Lo natural para nosotros es que para el futuro esto fuese algo utilizado por la mayor parte de hospitales públicos, y en algunas instituciones privadas, donde la eficiencia al momento de contactar a los pacientes es muy relevante”, concluye Ramírez. La importancia de optimizar la agenda médica también tomará protagonismo con el explosivo aumento de la telemedicina durante la pandemia, quienes poseen aún mayores porcentajes de ausentismo. Este equipo se ha planteado esta temática como un nuevo desafío para el futuro.