Mejorar la predicción de la duración de la estancia hospitalaria mediante la integración heterogénea de los datos de...

Área de la Ciencia:

• * Informática clínica y análisis predictivo.
• * Investigación y eficiencia operativa de los servicios de salud.

Sus antecedentes:

• * La predicción precisa de la duración de la estancia hospitalaria (LoS) es esencial para optimizar las operaciones hospitalarias y la atención al paciente.
• * Los modelos existentes a menudo se basan en tipos de datos limitados, lo que puede obstaculizar la precisión predictiva.

Objetivo del estudio:

• * Evaluar de manera exhaustiva los modelos de aprendizaje automático para la clasificación de los servicios de transporte utilizando datos multimodales.
• * Evaluar el impacto de la integración de datos clínicos estructurados, síntomas, señales fisiológicas y notas clínicas.
• * Para comparar el rendimiento de varios modelos y técnicas de reducción de características.

Principales métodos:

• * Construcción de siete configuraciones de datos utilizando características estructuradas (Z), síntomas (S), señales fisiológicas (F) y notas textuales (E).
• * Aplicación de cinco modelos de aprendizaje automático: redes neuronales artificiales (ANN), XGBoost, regresión logística (LR), bosque aleatorio (RF) y máquina vectorial de soporte (SVM).
• * Implementación de la selección de características y de la técnica de sobresamplamiento de minorías sintéticas (SMOTE) para la optimización del modelo.

Principales resultados:

• * El conjunto estructurado de características (Z) por sí solo proporcionó un buen rendimiento de referencia.
• * La integración de tipos de datos adicionales (S, F, E) mejoró constantemente el rendimiento predictivo, con la configuración ZSEF logrando los mejores resultados.
• * Los modelos XGBoost y ANN demostraron una generalización superior en diferentes configuraciones de datos.
• * SMOTE mejoró el rendimiento en cohortes específicas de la enfermedad, especialmente en pacientes con cáncer de pulmón.

Conclusiones:

• * La integración multimodal de datos mejora significativamente la precisión de la predicción de la duración de la estancia en el hospital.
• * Las técnicas de reducción de características son efectivas para optimizar los modelos predictivos.
• * Los modelos de aprendizaje automático, en particular XGBoost y ANN, son prometedores para mejorar la gestión de los recursos sanitarios y el flujo de pacientes.