Modelo predictivo de la demanda de atención de urgencia en Chile : una aplicación de Google Trends.

Abstract

Antecedentes: Aglomeraciones y tiempos de espera prolongados de pacientes son problemas frecuentes en los Servicios de Urgencia (SU) de Chile y el mundo. Un modelo predictivo de la demanda permitiría una mejor planificación y distribución de los recursos humanos y físicos (camas, boxes de atención, sala de procedimientos, equipamiento general, etc.) y de esta manera mejoraría el flujo de pacientes y del servicio en general. El uso de internet, cada vez más masivo, podría ser utilizado como herramienta para predecir o anticipar la necesidad de los pacientes evitando aglomeraciones y sus problemas asociados, lo cual, permitiría sacar provecho de esta herramienta para anticiparse. Objetivo: Estimar si en Chile, las consultas de usuarios de Google permiten predecir la demanda de atención de urgencia por enfermedades respiratorias en los UEH, SAPU y SAR del país. Método: Estudio retrospectivo, relacionando el registro de búsquedas en Google consistentes con enfermedades respiratorias, con el registro de atenciones de urgencia de tales enfermedades. Se efectuó un análisis de series de tiempo mediante los modelos SARIMA y ARIMAX, para valorar el grado de correlación existente entre ambas series y la capacidad predictiva de la serie de tiempo “Atenciones”. Adicionalmente se usó el modelo de causalidad de Granger, para evaluar la probabilidad de que la relación se de en el sentido de la hipótesis o se trate de causalidad reversa. Relevancia: El uso de información espontánea de los usuarios podría llegar a configurar un instrumento útil para anticipar eventos tales como aglomeración de pacientes que consultan por causas respiratorias a los SU de Chile, permitiendo reorganizar los recursos materiales y humanos en los SU, mejorando la atención de pacientes. Resultados: El modelo SARIMA (2, 0, 1)(2, 0, 0)[7], fue el que entregó la mejor predicción para la serie de tiempo “Atenciones” (Error Porcentual Absoluto Medio (MAPE) de 1,46% y 17,87%, para el grupo de validación y prueba, respectivamente). De las 100 búsquedas encontradas con Google Correlate, el 100% de ellas tenía relación directa o indirecta con las enfermedades respiratorias, en su mayoría fármacos usados para tratar este tipo de enfermedades. El modelo ARIMAX que arrojó la mejor predicción fue al usar la suma de las 10 primeras búsquedas como variable exógena, con un MAPE de 0,97% y 3,54% para el grupo de validación y prueba, respectivamente. El test de Granger mostró una causalidad bidireccional para las dos series de tiempo analizadas. Conclusión: El uso de las búsquedas en Google permitió elaborar un modelo predictivo de la demanda por enfermedades respiratorias en los SU de Chile. Basado en el MAPE, la suma de las 10 primeras búsquedas fue elegida como la variable exógena del modelo ARIMAX. Sin embargo, aún es necesario evaluar el modelo bajo patrones de frecuencias inhabituales de enfermedades respiratorias. Además, no fue posible determinar si los pacientes realizan la búsqueda en Google antes o después de la atención en el SU, cuyo impacto debe ser aclarado previo a la implementación del modelo.

Background: Overcrowding and extended waiting times of patients are common problems in Emergency Department (ED) in Chile and in the world. A forecasting model of demand, would allow a better planning and distribution of both human and material resources (beds, examination and procedure rooms, general equipment), improving the patients flow and service. The use of internet, every time more massive, could be used as a tool to predict the patient’s needs, limiting overcrowding and its problems, which would allow to take advantage of this tool to foresee the problems that generate overcrowding. Objective: Estimate if in Chile, search in Google could predict the number of patient´s visits for respiratory diseases in UEH or primary care (SAPU or SAR) ED. Methods: Retrospective analysis, evaluating the search behavior in Google related to respiratory diseases, with the amount of ED visits for those diseases. A time series analysis was performed using SARIMA and ARIMAX models, assessing the correlation grade between the two series and forecasting performance of ED “Visits” time series. Additionally a Granger causality test was used to evaluate if the two time series were related in the direction of the hypothesis or if it was a reverse causality case. Relevance: The use of spontaneous information of users could become a useful tool to anticipate overcrowding of patients with respiratory causes in ED in Chile, allowing the reorganization of human and material resources, improving the patient´s care. Results: The SARIMA (2, 0, 1)(2, 0, 0)[7] model, generated the best prediction (Mean Absolute Percentage Error (MAPE) 1,46% and 17,87% for the training and test groups, respectively) for time series “Visits”. Of a hundred searches found with google correlate, a 100% was directly or indirectly related to respiratory diseases, most of them regarding to treatment. The best fit of ARIMAX model was when the sum of the ten first searches was used as an exogenous variable, with a MAPE of 0,97% and 3,54% for the training and test groups, respectively. The Granger test showed bidirectional causality for the two time series analyzed. Conclusion: The use of Google searches allowed the design of a forecasting model for respiratory related patient´s visits to the ED in Chile. Based on the MAPE, the sum of the 10 first searches was chosen as the exogenous variable of the ARIMAX model. However, it is still necessary to evaluate this model under unusual frequency patterns of respiratory diseases, in order to study whether other factors could influence the results. Furthermore, it was not possible to determine whether patients performed the Google searches before or after visiting the ED, the impact of which needs to be clarified before implementation.