Investigadores del Centro de Modelamiento Matemático (CMM) de la Universidad de Chile, crearon un modelo de Inteligencia Artificial (IA), capaz de optimizar la gestión de la agenda hospitalaria.
La solicitud y agenda de citas para consultas médicas, genera pérdidas de tiempo y de recursos en hospitales y consultorios médicos, cuando los pacientes no se presentan. Ante esta problemática investigadores del CMM de la Universidad de Chile han desarrollado un sistema basado en IA, que tiene como objetivo aumentar la eficiencia en hospitales. Incluso lo han probado durante tres meses en tres hospitales del país.
Los investigadores recibieron apoyo económico para el desarrollo de la investigación, a través de un fomento para el desarrollo científico. Jocelyn Dunstan y Héctor Ramírez fueron los encargados de la creación de un software ideado para aumentar y mejorar la eficiencia en los hospitales.
Gracias a tecnología de aprendizaje automático, el software busca conocer la probabilidad de que los pacientes no se presenten a la hora de su cita, esto gracias a los datos ingresados sobre el historial de asistencia de cada paciente, factores geográficos como las distancias entre hogares y hospital, y otros factores sociales.
“Nos preocupamos de hacer que este modelo trate de llamar lo menos posible, pero con la mayor efectividad posible de confirmación de asistencia”, explica Ramírez. Dunstan explicó que requieren una gran cantidad de información histórica de los datos de los pacientes para lograr entrenar este tipo de modelos y que comprendan el patrón o el perfil de la persona.
El modelo fue aplicado en tres hospitales: el Hospital Pediátrico Luis Calvo Mackenn, el Hospital Regional de Talca y el Centro de Referencia en Salud Cordillera Oriente. El trabajo consistió en intervenir la agenda médica de los hospitales con intención de probar el modelo predictivo de forma real. Este ejercicio ayudó a que los modelos obtuvieran mayor cantidad de datos, mejorando su eficacia.
Los científicos explicaron que el principal desafío en los procesos de aprendizaje automático y entrañamiento de modelos predictivos, consiste en la heterogeneidad, ya que cada hospital funciona de forma distinta y sus pacientes cuentan con perfiles diferentes. “Por ello, decidimos no hacer un mismo modelo para todos los hospitales, sino que diferenciarlo por establecimiento, con sus propios datos. Aparte que las especialidades también tienen conducta distinta de pacientes”, explicó Ramírez.
También depende de cada paciente, a la forma en que se le alerta sobre su próxima visita al médico, algunos lo prefieren vía telefónica, a través WhatsApp, o SMS. Y de igual forma depende de cada especialidad médica. Existen diferencias en las conductas de los pacientes en citas con un oftalmólogo o con un ginecólogo, por ejemplo.
En uno de los hospitales la prueba piloto del proyecto logró reducir de un 20,3% a un 12,5 la insistencia de pacientes que son recordados de sus citas a través de llamadas telefónicas. “Lo natural para nosotros es que para el futuro esto fuese algo utilizado por la mayor parte de hospitales públicos, y en algunas instituciones privadas, donde la eficiencia al momento de contactar a los pacientes es muy relevante”, concluyó Ramírez.
