Madrid, 28 al 30 de Marzo de 2001
[OBJETIVO] [COMITÉS] [PARTICIPANTES] [ÁREAS] [ACTIV.INTERNACIONALES] [PROGRAMA] [MESAS REDONDAS] [S.CIENTÍFICAS] [S.TECNOLÓGICAS] [PÓSTERS] [INSCRIPCIÓN]
AUTORES
Susana Rodríguez Sánchez, José Luis Salcedo Lagullón, Luis M. de Campos Ibáñez*, José María Rodríguez Rodríguez, Juan Roca Guiseris
Hospital Universitario Virgen de las Nieves (Granada).
*Departamento Ciencias de la Computación e Inteligencia Artificial, Universidad de Granada.
INTRODUCCIÓN
Los circuitos sanitarios de atención al paciente son complejos y dependen de factores organizativos, económicos y estructurales. Disponer de herramientas adecuadas para su representación permitiría el estudio y optimización de los mismos, comprender las interacciones entre los diversos elementos que determinan su funcionamiento, así como plantear alternativas que posibiliten la mejora.
Puesto que muchos de los factores que determinan el
comportamiento de un circuito sanitario son inherentemente inciertos, las Redes
Bayesianas podrían jugar un papel importante en el estudio de
estos sistemas. Se presenta un modelo de representación, basado en Redes
Bayesianas, aplicado al caso concreto del circuito asistencial de urgencias.
OBJETIVO
METODOLOGÍA
Del conjunto de tablas que contemplan el circuito de pacientes atendidos en urgencias, se seleccionaron los siguientes datos para el procesamiento:
NOMBRE DEL CAMPO |
VALORES POSIBLES |
Financiación |
0,1,2,3,4,5,6,7,8,9,10 |
Día de atención |
Fecha |
Hora de atención |
00:00 a 23:59 |
Motivo de atención |
0,1,2,3,4,5,6,9 |
Patología |
1,2,3,4,5,6,7 |
P10 |
1,2 |
Identificación aportada |
1,2,3,4,5,6 |
Fecha de alta |
Fecha |
Hora de alta |
00:00 a 23:59 |
Motivo de alta |
0,1,2,3,4,5,6,7,8,9,10 |
Servicio de alta |
36 valores correspondientes a los distintos servicios. |
Hubo que discretizar los siguientes valores:
a. Día de atención:
Discretización: se pasó a valores enteros correspondientes al día de la semana. 1: Lunes...
7: Domingo
b. Hora de atención:
Discretización: se pasó a valores enteros entre 0 y 24 correspondientes a la hora de llegada
Agrupación en rangos: Se definen 3 rangos horarios correspondientes a los turnos de personal: M: de 8 a 15 horas
T: de 15 a 22 horas
N: de 22 horas a 8 de la mañana.
Se definieron las siguientes variables adicionales, relevantes para el circuito de atención del paciente en urgencias:
Correspondiente al número de horas que permanece el paciente en el servicio de urgencias, y calculada a partir de los datos de fecha y hora de atención y fecha y hora de alta.
Agrupación en rangos: se definen como rangos significativos de estancias del paciente en urgencias los siguientes:
1: de 0 a 8 horas
2: de 8 a 72 horas
3: más de 72 horas
El Hospital dispone de tres servicios de urgencias correspondientes a los distintos centros que lo componen, así se generó una variable con tres valores posibles:
Agrupación en rangos:
M: Centro A
Q: Centro B
T: Centro C
Se consideró que las variables fecha de alta y hora de alta no eran de especial interés, puesto que lo realmente significativo es la duración de la estancia, así que se decidió no incluir estas variables en el estudio.
Se ha realizado basándose en las once variables seleccionadas incluidas en las tablas que almacenan los datos de la atención de los pacientes que asisten en urgencias.
Se tomaron los datos históricos almacenados en las tablas correspondientes a 32000 asistencias de pacientes a urgencias durante el año 2001 en los tres centros considerados.
Adecuación de la información generada a las características necesarias para la utilización del algoritmo de aprendizaje.
Empleando como entradas los datos debidamente procesados y en el formato adecuado, se utilizó un algoritmo de aprendizaje de Redes Bayesianas, denominado BENEDICT (BElief NEtwork DIscovery using Cut-set Techniques) y desarrollado en la Universidad de Granada, que sigue los siguientes pasos:
RESULTADOS
1. Representación.
Dados los datos almacenados en las tablas que registran la atención del paciente en urgencias, se ha construido una Red Bayesiana que representa el circuito.
Los arcos en el grafo se identifican con relaciones de dependencia entre las variables que conectan (conocer el valor de una variable influye en nuestro conocimiento sobre el valor que pueda tomar la otra variable). Las direcciones de los arcos, aunque en algunos casos pueden interpretarse como relaciones de causalidad, estrictamente representan distintos tipos de relaciones de dependencia/independencia entre las variables no adyacentes en el grafo.
La estructura de red generada se puede interpretar de la siguiente forma:
Se dispone por tanto de un modelo de representación combinado:
El estudio del circuito, basándose en el modelo de Red Bayesiana generado, permite precisar las complejas interacciones entre los elementos que lo componen, así como la evaluación del impacto en la organización por la modificación de algún elemento del mismo.
3. Conclusiones
Del estudio de las relaciones que representa el modelo se pueden sacar algunas conclusiones:
Además de la representación cualitativa y cuantitativa de las relaciones entre las distintas variables, la red Bayesiana obtenida puede utilizarse con propósitos predictivos, mediante el empleo de los métodos de inferencia y propagación de la evidencia disponibles en este tipo de formalismo. Por ejemplo, se podrían predecir las horas de estancia más probables para determinadas Horas de atención o Servicios; también se podría estimar, por ejemplo, la distribución del Motivo de alta en función del Turno de llegada. En general, la red puede utilizarse para calcular la distribución de probabilidad de cualquier subconjunto de variables condicionada a cualquier otro subconjunto.
Estas utilidades son interesantes para la simulación de circuitos y optimización de los mismos, ya que se puede, utilizando un modelo teórico, extraer conclusiones sobre las repercusiones que tendría en un circuito real.
DISCUSION
La complejidad de los circuitos asistenciales y la integración en el Hospital necesita de herramientas adecuadas para su representación, estudio y optimización. Las Redes Bayesianas constituyen un formalismo de representación del conocimiento con incertidumbre muy atractivo, resultado de la sinergia entre métodos estadísticos de análisis de datos y técnicas de Inteligencia Artificial, que ha sido aplicado con éxito en muy diversos campos. Sin embargo, sus aplicaciones en el ámbito de la Medicina se han centrado esencialmente en problemas de diagnóstico, como herramientas de ayuda al facultativo. La novedad de este trabajo estriba en la aplicación de la tecnología de las redes Bayesianas a problemas de gestión hospitalaria.
En el caso concreto de los circuitos sanitarios es especialmente atractivo, ya que las mejoras proporcionadas por la modelización de circuitos repercutirán directamente en la calidad de atención al paciente y en la optimización de recursos.
[OBJETIVO] [COMITÉS] [PARTICIPANTES] [ÁREAS] [ACTIV.INTERNACIONALES] [PROGRAMA] [MESAS REDONDAS] [S. CIENTÍFICAS] [S. TECNOLÓGICAS] [PÓSTERS] [INSCRIPCIÓN]
Última actualización: miércoles, 04 de abril de 2001