Modelos de predicción de la demanda hospitalaria en pediatría utilizando modelos epidemiológicos y aprendizaje profundo

Abstract

El Hospital Pediátrico Luis Calvo Mackenna enfrenta cada año peaks de uso de camas por infección respiratoria aguda y para poder enfrentar estos períodos es de crucial importancia prever correctamente el día en que ocurre este peak, es decir: tener un buen pronóstico del día en que se produce peak de uso de camas. Teniendo un buen pronóstico, se pueden utilizar eficientemente los recursos de la campaña de invierno para contratar personal y reacondicionar camas para ser utilizadas en urgencias. Así el objetivo de esta tesis es generar un modelo de predicción del día en que se produce el peak de uso de camas. Este trabajo explora tres modelos para abordar este problema: un modelo epidemiológico, un modelo de red recurrente y un tercer modelo que mezcla los dos anteriores. Así, este enfoque aborda tanto un modelamiento clásico epidemiológico que típicamente describe el movimiento histórico de las curvas de hospitalizados, como un modelo de red recurrente que es más sensible a fluctuaciones y contingencias del presente. Junto a lo anterior, se explora la propuesta generada en el tercer modelo que busca mezclar la capacidad predictiva de ambos modelos. Finalmente, se comparan los tres modelos y se elige cuál presentó mejor performance y con ello se selecciona el mejor método de pronóstico del día del peak de uso de camas, entre los explorados. Además, se discute las ventajas y desventajas de cada modelo propuesto. Con todo lo anterior, se logra generar un modelo de predicción del uso de camas por infección respiratoria aguda en el hospital con un error que no supera los 12 días.