Análisis de series temporales para la previsión de la carga de trabajo mensual en dos hospitales de elefantes en...

Área de la Ciencia:

• Medicina veterinaria
• Conservación de la vida silvestre
• Ciencia y análisis de datos

Sus antecedentes:

• La gestión eficiente de los recursos es vital para la atención de los elefantes, lo que requiere una previsión precisa de la carga de trabajo.
• Los hospitales veterinarios se enfrentan a desafíos de escasez de personal, equipos y medicamentos debido a volúmenes de pacientes impredecibles.
• Este estudio aborda la necesidad de análisis predictivos en la gestión de recursos para el cuidado especializado de la vida silvestre.

Objetivo del estudio:

• Evaluar y comparar el rendimiento de seis modelos de pronóstico de series temporales para predecir el volumen mensual de casos de elefantes.
• Identificar el modelo de pronóstico más preciso para cada uno de los dos principales hospitales de elefantes con diferentes características de datos.
• Proporcionar un marco para la toma de decisiones basada en datos en la atención veterinaria de especies en peligro de extinción.

Principales métodos:

• Análisis de datos históricos mensuales de admisiones de los hospitales del Instituto Nacional del Elefante (NEI) y del Departamento de Desarrollo Ganadero (DLD).
• Evaluación de seis modelos de pronóstico de series temporales: ARIMA/SARIMA, ETS, TBATS, NNTR, Prophet y XGBoost.
• Comparación de la precisión del modelo utilizando datos históricos y pronósticos para 2025.

Principales resultados:

• El modelo de Suavizado Exponencial (ETS) demostró la mayor precisión para el hospital NEI, capturando patrones estables y estacionales.
• El modelo de Regresión de Series Temporales de Redes Neuronales (NNTR) funcionó mejor en el hospital DLD, manejando fluctuaciones irregulares en el volumen de casos.
• Las previsiones para 2025 indican un volumen de casos constante en NEI y una tendencia decreciente en DLD, lo que subraya la necesidad de una planificación anticipada de los recursos.

Conclusiones:

• La previsión de series temporales multimodelo puede generar información útil a partir de datos escasos de hospitales de vida silvestre.
• Los diferentes modelos de pronóstico son óptimos para patrones variables de volumen de casos, lo que requiere enfoques adaptados.
• La implementación de análisis predictivos ofrece un marco escalable para mejorar la gestión de recursos y la toma de decisiones en la atención de especies en peligro de extinción.