Operating Room Time Prediction: An Application of Latent Class Analysis and Machine Learning

Predicción del tiempo de quirófano: Una aplicación del análisis de clases latentes y el aprendizaje automático

Objetivo: El objetivo de este trabajo es construir un modelo de predicción del Tiempo de Quirófano (TQO) para ser utilizado en un sistema de programación inteligente. Esta predicción es un ejercicio complejo debido a su alta variabilidad y múltiples variables influyentes. Materiales y métodos: Se evalúa una nueva estrategia que utiliza Análisis de Clases Latentes (ACL) y métodos de clustering para identificar subgrupos de procedimientos y cirugías que se combinan con modelos de predicción para mejorar las estimaciones de ORT. Se evalúan tres modelos basados en árboles, Classification and Regression Trees (CART), Conditional Random Forest (CFOREST) y Gradient Boosting Machine (GBM), en dos escenarios: (i) conjunto de datos básico de predictores y (ii) conjunto de datos completo con procedimientos binarios. Para evaluar el modelo, utilizamos un conjunto de datos de prueba y un conjunto de datos de entrenamiento para ajustar los parámetros. Resultados y discusión: Los mejores resultados se obtienen con el modelo GBM utilizando el conjunto de datos completo y las variables de agrupación, con una precisión operativa del 57,3% en el conjunto de prueba. Conclusiones: Los resultados indican que el modelo GBM supera a otros modelos y mejora con la inclusión de los procedimientos como variables binarias y la adición de las variables de agrupación obtenidas con LCA y clustering jerárquico que realizan la identificación de grupos homogéneos de procedimientos y cirugías.

1. INTRODUCCIÓN​

La protección social en salud representa un factor crucial para el progreso de cualquier país. Contribuye no sólo al desarrollo integral de los ciudadanos a una edad temprana sino también a garantizar el crecimiento de su economía para que los trabajadores gocen de buena salud, estén libres de enfermedades y no tengan limitaciones físicas ni una baja esperanza de vida, que podría aumentar los índices de productividad laboral. En todo el mundo, la esperanza de vida ha ido mejorando a un ritmo de más de 3 años por década desde 1950, excepto en la década de 1990 [ 1 ]. Por otro lado, la demanda de servicios quirúrgicos ha crecido debido a dos factores relacionados: (i) la atención médica como un derecho universal, y (ii) el envejecimiento de la población [ 2 ]. Por ejemplo, en la Unión Europea, en 2000 se notificaron 5.647 cirugías por año por cada 100.000 habitantes; en 2005, el número aumentó a 5.819; y, en 2009, a 6.522 [ 3 ]. En Colombia, la esperanza de vida es de 77,11 años para las mujeres y 70,2 para los hombres [ 4 ], y el tiempo promedio de espera para una cirugía luego de ser aprobada por un médico es de 17,2 días (régimen contributivo) [ 5 ]. Este no es un panorama alentador; revela una creciente demanda insatisfecha de servicios quirúrgicos que se avecina en el corto o mediano plazo. Como resultado, los centros de salud deben optimizar el uso de los recursos disponibles para satisfacer esas necesidades [ 2 ]. La planificación y programación de intervenciones quirúrgicas ha sido un campo de conocimiento diverso analizado por múltiples investigaciones, debido a que los quirófanos son entidades que demandan una interacción logística compleja y, los Quirófanos (QUIR) representan la cuenta de costos y fuente de ingresos más alta en la mayoría de los hospitales.