Diseño y desarrollo de modelo predictivo de re-hospitalizaciones no planificadas usando Deep Learning

Abstract

La tasa de re-hospitalizaciones no planificadas que tiene un centro médico, es utilizada como una métrica de calidad para comparar el nivel de atención de los hospitales a nivel internacional. Además en muchas ocasiones, las readmisiones de los pacientes son a causa de una complicación de la afección anterior, que con un tratamiento distinto podría haber sido evitada. Preveer esta complicación podría haber evitado también el gasto asociado a la re-hospitalización. Las readmisiones podrían prevenirse estableciendo consultas de seguimiento, llamadas por teléfono y educando mejor al paciente. Realizar esto con cada persona conllevaría un gasto muy grande, y por ello sería conveniente contar con alguna predicción de probabilidad que permitiese concentrar los recursos en los pacientes más riesgosos. En el último tiempo han sido propuestos distintos modelos que predicen probabilidad de re-hospitalización al momento del alta del paciente, pero todos han sido pensados y desarrollados para centros en Estados Unidos, Australia o países de Europa. Dentro de los modelos propuestos los que obtienen mejores resultados son los que utilizan redes neuronales profundas. Ninguno de estos modelos es directamente aplicable a la realidad chilena, pues utilizan códigos médicos que en Chile no son almacenados, se basan fuertemente en el texto libre en inglés, o asumen transformaciones a formatos que no son posibles de obtener directamente con los datos disponibles. Este trabajo de título presenta el diseño y desarrollo de un modelo predictivo de probabilidad de re-hospitalización, basado en redes neuronales profundas, utilizando datos de un centro hospitalario chileno. En cooperación con la Clínica Las Condes, obtuvimos acceso a historiales médicos anonimizados de casi un millón y medio de pacientes, a lo largo de más de 8 años. Inspirándonos en algunos modelos ya existentes, propusimos una arquitectura de tipo deep learning que permite utilizar todo tipo de datos del historial médico: notas clínicas, códigos de diagnóstico, formularios, órdenes de laboratorios y de medicamentos, etc. Además consideramos las particularidades de cómo se almacena información de un paciente en Chile en el historial médico. Probamos el modelo utilizando los datos históricos de los pacientes de la Clínica Las Condes, y obtuvimos un AUROC de 0.76, que es comparable a los mejores modelos que han sido presentados hasta la fecha (AUROC 0.77 y AUROC 0.76 para hospitales en Estados Unidos). A pesar de que los resultados son comparables a los obtenidos en otras publicaciones, hay que entender que esta es la primera prueba que se realiza con datos chilenos, y hasta donde sabemos, con datos en español. Si bien nuestros resultados son auspiciosos, aún faltan pruebas por realizar y modificaciones potenciales al modelo, para lograr obtener resultados que efectivamente se puedan utilizar en producción