Desarrollo de un modelo predictivo de la asistencia a citas médicas de terapia física en la Red de Centros Asistenciales de ACHS

Abstract

La Asociación Chilena de Seguridad (ACHS) es la mutualidad más grande del país, la cual se dedica a administrar el seguro social contra accidentes del trabajo y enfermedades profesionales, teniendo distintas labores en torno a esta función. Actualmente, hay una tasa de inasistencia a las sesiones kinesiológicas cercana al 10%, lo que se ve reflejado en la pérdida de 34.000 citas médicas anualmente, por este motivo en este proyecto se busca predecir cuáles son los pacientes que tienen una mayor tendencia a ausentarse. Para llevar a cabo este proyecto se utiliza la metodología CRISP-DM de análisis de datos, en donde se aplican modelos de machine learning para lograr concretar el objetivo propuesto. Se realiza un modelo de Redes Neuronales entrenado con datos balanceados con SMOTE, que contempla variables claves como la asignación de transporte para los pacientes, hora de la cita médica, tasa de inasistencia histórica de los pacientes y el porcentaje de citas médicas restantes para cada paciente. Con lo anterior, se tiene que el modelo predice con un 70% de precisión los casos inasistentes de las citas médicas de terapia física, obteniendo una AUC de 76% respecto de la curva ROC, lo cual indica que es un modelo robusto para realizar predicciones de citas médicas. En base a los resultados obtenidos, se plantea un sistema de sobreagendamiento en base a las citas agendadas. Los resultados de este sobreagendamiento se dividen en dos: Hospital del Trabajador y otras sedes ACHS. Para el primer caso se obtiene que el sobreagendamiento es preciso, teniendo una falla de aproximadamente 1 citación por bloque horario, lo cual se considera positivo teniendo en cuenta que este centro tiene una gran capacidad y no sería problema que un kinesiólogo atienda un paciente extra (por el tipo de atención que se realiza). Sin embargo, para el segundo caso se observa que la precisión en el sobreagendamiento dista de la realidad de manera importante (5 agendamientos demás en promedio por hora) lo cual se atribuye a que no se consideró la variable de la sede en la construcción del modelo. En conclusión, se recomienda utilizar el modelo únicamente para el Hospital del trabajador y fortalecer el modelo para las demás sedes agregando variables y entrenando con una mayor cantidad de datos.