Análisis y predicción de la demanda en servicios de urgencias mediante técnicas de inteligencia artificial

Abstract

[Resumen]: En este Trabajo de Fin de Grado se desarrolla un sistema, basado en métodos de Inteligencia Artificial (IA), orientado al análisis y a la predicción del flujo de pacientes en servicios de urgencias hospitalarias. Para ello, se tiene en cuenta la relación entre los datos históricos de demanda en urgencias y variables contextuales, con el objetivo de construir modelos capaces de generar predicciones a distintos niveles de granularidad temporal. Estas predicciones permitirán anticipar la demanda asistencial y contribuir a una gestión más eficiente de los recursos sanitarios El Complejo Hospitalario Universitario de A Coruña (CHUAC) ha proporcionado un gran conjunto de datos, con varias variables e información única. Se utilizarán principalmente los datos históricos de afluencia de pacientes al departamento de urgencias, permitiendo así el uso de técnicas de predicción con el fin de estimar la demanda. Ya que esta afluencia puede estar influenciada por factores externos, también se tendrán en cuenta variables ambientales, temporales y circunstanciales. Se entrena un modelo de memoria larga a corto plazo (LSTM) como baseline que se utilizada para comparar con otros modelos como unidades recurrentes cerradas (GRU) y eXtreme Gradient Boosting (XGBoost). Este enfoque ha posibilitado estimar la demanda en urgencias bajo diferentes circunstancias. Se ha podido predecir el número de pacientes en diferentes niveles de granularidad. Proporciona la capacidad para escoger qué combinaciones de datos se utilizan para realizar las predicciones, solo datos históricos de afluencia o añadir variables externas. También admite cambiar la arquitectura para adaptarse mejor a las necesidades de predicción o capacidades de computación. Todos estos diferentes planteamientos permiten personalizar los modelos según las diferentes situaciones bajo las que se puede encontrar un hospital y sus varias necesidades de predicción o análisis. Los resultados obtenidos en este estudio son prometedores, demostrando así la capacidad de las técnicas de IA de identificar los patrones en una serie temporal con muchas variables y utilizarlas para estimar la demanda en urgencias. Estos modelos tienen mucho potencial de poder ponerse en práctica en un entorno hospitalario real. Pueden realizar estimaciones de forma rápida y precisa, permitiendo así que los hospitales puedan organizar al personal sanitario y gestionar los recursos según la demanda esperada. La implementación de estos modelos en el día a día de un hospital les permitiría prepararse mejor ante posibles aglomeraciones en urgencias. Esto podría disminuir los tiempos de espera, permitiría al personal dar una atención médica de mayor calidad e incluso podría aliviar la carga física y mental del personal sanitario.[Abstract]: This Final Degree Project focuses on the development of a system, based on Artificial Intelligence methods (AI), oriented to the analysis and forecasting of the influx of patients at the emergency room (ER). For this purpose, it takes into a account the relation between contextual variables and historic data of ER admissions, with the objective of building models capable of generating predictions at different levels of temporal granularity. These predictions will allow the anticipation of healthcare demand and contribute to a more efficient management of the healthcare resources. The University Hospital Complex of A Coruña (CHUAC) has provided a big dataset with lots of variables and unique information, which have made this project possible. This work will mainly use the data provided about the historical record of patient flow to the ER, allowing the use of forecasting techniques to estimate the demand. Since this flow can be affected by external factors; environmental, temporal and circumstantial variables will also be taken into account. A long short-term memory model (LSTM) is trained as a baseline and compared with other models like gated recurrent units (GRU) and eXtreme Gradient Boosting (XGBoost). This approach allows the estimation of patient flow to the ER under different circumstances. It’s been possible to estimate the number of patients by hour, week, month or any desired granularity. It is possible to choose the data used to train the models, only the historical attendance data or with external variables added. Furthermore, it is also possible to choose the best architecture taking into account factors like prediction needs and available resources. All these different approaches allow for the personalization of the models, taking into a account the different circumstances that a hospital may experience as well as its different prediction needs. The results obtained in this study are promising, showing the capability of AI techniques to recognize the pattern of a time series and use it to forecast an approximation of the demand in the ER. These models have a lot of potential of being able to be implemented in a real hospital environment, they can forecast quickly and precisely, allowing for the organization of the personal and resources according to the estimated demand. This would allow for the patients to receive better care, for the wait-time to be lowered and for the healthcare personal to be less overworked.