Análisis de explicabilidad en modelos predictivos basados en técnicas de aprendizaje automático sobre el riesgo de re-ingresos hospitalarios
Fecha
2023
Autores
Lopera Bedoya, Juan Camilo
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad EAFIT
Resumen
Big Data and medical care are essential to analyze the risk of re-hospitalization of patients with chronic diseases and can even help prevent their deterioration. By leveraging the information, healthcare institutions can deliver accurate preventive care, and thus, reduce hospital admissions. The level of risk calculation will allow planning the spending on in-patient care, in order to ensure that medical spaces and resources are available to those who need it most. This article presents several supervised models to predict when a patient can be hospitalized again, after its discharge. In addition, an explainability analysis will be carried out with the predictive models to extract information associated with the predictions they make, in order to determine, for example, the degree of importance of the predictors/descriptors. In this way, it seeks to make the results obtained more understandable for health personnel.
Descripción
Los big data y la atención médica son esenciales para analizar el riesgo de rehospitalización de pacientes con enfermedades crónicas e incluso pueden ayudar a prevenir su deterioro. Al aprovechar la información, las instituciones de atención médica pueden brindar atención preventiva precisa y, por lo tanto, reducir las admisiones hospitalarias. El nivel de cálculo de riesgos permitirá planificar el gasto en atención hospitalaria, para garantizar que los espacios y recursos médicos estén disponibles para aquellos que más lo necesitan. Este artículo presenta varios modelos supervisados para predecir cuándo un paciente puede ser hospitalizado nuevamente, después de su alta. Además, se llevará a cabo un análisis de explicación con los modelos predictivos para extraer información asociada con las predicciones que hacen, para determinar, por ejemplo, el grado de importancia de los predictores/descriptores. De esta manera, busca hacer que los resultados obtenidos sean más comprensibles para el personal de salud.