IV Congreso Nacional de Informática de la Salud

[OBJETIVO] [COMITÉS] [PARTICIPANTES] [ÁREAS] [ACTIV.INTERNACIONALES] [PROGRAMA] [MESAS REDONDAS] [S.CIENTÍFICAS] [S.TECNOLÓGICAS] [PÓSTERS] [INSCRIPCIÓN]

  SESIÓN CIENTÍFICA 4

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.

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.

• Representación del circuito asistencial de urgencias mediante un modelo probabilístico basado en Redes Bayesianas.
• Interpretación y validación del modelo

1. Estudio de las interacciones más significativas entre los factores que configuran el circuito asistencial de pacientes que asisten a urgencias.
2. Identificación y selección de variables relevantes.

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.

3. Preprocesamiento de los datos.

• Discretización y limitación de rangos.

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.

 

• Definición de nuevas variables:

Se definieron las siguientes variables adicionales, relevantes para el circuito de atención del paciente en urgencias:

1. Horas de estancia 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

 

2. Centro de atención:

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

 

• Eliminación de variables:

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.

1. Construcción de la estructura de Red Bayesiana.

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.

1. Selección de registros.

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.

2. Procesamiento de la información.

Adecuación de la información generada a las características necesarias para la utilización del algoritmo de aprendizaje.

3. Utilización de algoritmo de aprendizaje automático.

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:

1. Captura de los datos a los previamente formateados.
2. Generación de un modelo gráfico representando las distintas variables del circuito (nodos de un grafo).
3. Estimación de interacciones (dependencias) entre las variables identificadas (arcos entre los nodos correspondientes), utilizando una técnica de búsqueda heurística basada en medidas de entropía cruzada y tests de independencia condicional.
4. Estimación de probabilidades.

1. Para nodos raices (nodos sin padres en el grafo): Cálculo de la probabilidad de cada uno de los valores posibles de la variable.
2. Para el resto de nodos: Estimación de las distribuciones de probabilidad condicionada de cada variable para cada uno de los valores posibles del conjunto de variables padres de la misma en el grafo.
3. En ambos casos se ha empleado un estimador de máxima verosimilitud (frecuencias relativas).

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.

2. Interpretación.

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:

1. Si en el modelo aparece la relación Aà B, significará que hay una relación de dependencia directa entre A y B, dependencia que no puede eliminarse por medio del conocimiento de ninguna otra variable.
2. Si en el modelo aparece la relación Aà Bà C, Aß Bß C o Aß Bà C, significará que existe una dependencia (dependencia marginal) entre A y C, pero dicha dependencia es indirecta, puede convertirse en una independencia (independencia condicional) mediante el conocimiento del valor de la variable intermedia, B.
3. Si en el modelo aparece la relación A à B ß C, significará que A y C son a priori independientes (independencia marginal), es decir, conocer el valor de A no aporta información adicional sobre el posible valor de B. En cambio, A y C se vuelven dependientes (dependencia condicional) cuando se conoce el valor de la variable intermedia, B.

Se dispone por tanto de un modelo de representación combinado:

1. Representación cualitativa de las interacciones entre las variables en términos de relaciones de dependencia/independencia y/o causalidad.
2. Representación cuantitativa, basada en probabilidades, que permite presentar el grado de certidumbre que se tiene sobre las interacciones.

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.

Del estudio de las relaciones que representa el modelo se pueden sacar algunas conclusiones:

1. Hay una fuerte interacción entre los valores de las variables Servicio, Turno y Día de atención, ya que conforman una subestructura completamente conectada dentro de la red global. Las relaciones entre Día de atención y Servicio, y entre Día de atención y Turno parecen responder al hecho de que la utilización de los diferentes servicios no es homogénea a lo largo de los distintos días de la semana y las distintas horas del día.
2. También existe una gran interacción entre las variables Motivo de atención, Turno y Día de atención, que resulta bastante natural.
3. Las relaciones de Servicio con Centro de atención es evidente por ser una variable derivada de la anterior.
4. La Financiación depende de la Patología (por la facturación a mutuas, compañías aseguradoras, etc.) Tabmién depende de la Identificación aportada (piénsese por ejemplo en accidentes de tráfico o de trabajo). También se observa que el tipo de Financiación se distribuye de forma diferente en función de la Hora de atención.
5. La variable Hora de atención está relacionada con muchas otras. Por ejemplo, la posibilidad de acceder a urgencias por un motivo concreto depende de la hora de ingreso. Así mismo, el Motivo de atención no es homogéneo a lo largo de los días de la semana. La relación entre Día de atención y Horas de estancia puede explicarse posiblemente por la saturación de las urgencias a ciertos días.
6. La red obtenida también representa un buen número de relaciones de independencia. Por ejemplo, Horas de estancia es condicionalmente independiente de Motivo de alta, cuando se conoce el Servicio. O Financiación es independiente de todas las restantes variables, si se conocen los valores de Patología e Identificación aportada.

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.

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