UNIVERSIDAD PERUANA DE CIENCIAS

APLICADAS

FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA DE SISTEMAS
PREGRADO EPE

Inteligencia Artificial – E63A

TRABAJO FINAL - GRUPO 1

Predicción de la Duración de la Estancia Hospitalaria
Mercy,Utilizando Algoritmos de Aprendizaje Automático

INTEGRANTES
Lescano Requena, José Manuel – U202317233
Silva Gavidia, Francis Isaac – U20231D126
Vidal Chumbiriza, Giber Mario - U20211A417
Yunis Arroyo, Mario Alonso – U201524871
Nolasco Vasquez , Renzo Edgard – U202321113

PROFESOR
Cenas Vásquez, Lennin Percy

Lima - Septiembre, 2024

Índice

1. Objetivo del Estudiante (Student Outcome).........................................................................3

2. Introducción.........................................................................................................................5
2.1. Predicción de la Duración de la Estancia Hospitalaria Mercy, utilizando Algoritmos de
Aprendizaje Automático...............................................................................................................6
2.2. Descripción del problema.....................................................................................................6
2.3. Problema..............................................................................................................................6
2.4. Importancia..........................................................................................................................6
2.5. Técnica seleccionada y justificación......................................................................................7
2.6. Objetivo................................................................................................................................8
3. Implementación...................................................................................................................9
3.1 Preparación de datos..............................................................................................................9
3.2 Selección del modelo.............................................................................................................9
3.3 Entrenamiento del modelo.....................................................................................................9
3.4. Uso del modelo...................................................................................................................10
4. Conclusiones......................................................................................................................10
5. Referencias Bibliográficas...................................................................................................10
1. Objetivo del Estudiante (Student Outcome)

Francis Silva
Aprender cómo aplicar inteligencia artificial para resolver problemas en
diferentes áreas es algo que me ha causado mucho interés. Además de
entender cómo se puede esto complementar con herramientas y
plataformas en la nube, como Microsoft Azure en este caso, para mejorar
procesos o tomar decisiones basadas en grandes cantidades de datos. Mi
objetivo es desarrollar habilidades que me permitan saber dónde y cómo
poder utilizar la IA de manera que pueda aportar soluciones innovadoras en
distintos ámbitos.

Mario Vidal
El conocer, cómo aplicar Inteligencia Artificial para poder solucionar
problemas empresariales, sociales y en la vida cotidiana ha causado una
importancia de poder perfeccionar su uso. Además, se ha creado un
programa para solucionar una problemática de estancia hospitalaria, para
los pacientes y una mejor planificación en los recursos.En conclusión, con
esta interacción con la IA, se espera que el Hospital sea beneficiada en su
gestión administrativo sobre los servicios que brinda hacia el público.

Mario Yunis
Mi objetivo es aprender cómo aplicar algoritmos de aprendizaje automático
para predecir la duración de la estancia hospitalaria, específicamente en el
Hospital Mercy. Este proyecto busca utilizar grandes volúmenes de datos
hospitalarios y procesarlos mediante técnicas de machine learning para
generar predicciones más precisas que puedan optimizar la asignación de
recursos, mejorar la planificación hospitalaria y proporcionar una mejor
experiencia tanto para los pacientes como para el personal de salud. Al
aprender a integrar inteligencia artificial con plataformas en la nube, como
Microsoft Azure, mi propósito es desarrollar habilidades que me permitan
innovar en el sector de la salud y ofrecer soluciones que impulsen la
eficiencia operativa y la calidad de atención médica.
José Manuel Lescano
Aplicar modelos de aprendizaje automático para predecir con precisión la
duración de la estancia hospitalaria, utilizando datos históricos del Hospital
Mercy. Al emplear técnicas como la regresión lineal, árboles de decisión y
redes neuronales, busco optimizar la gestión de camas hospitalarias, prever
demandas de recursos y mejorar la experiencia del paciente. El desarrollo
de estos modelos permitirá identificar patrones ocultos en los datos,
mejorando la eficiencia operativa y reduciendo los tiempos de espera.

Renzo Nolasco
Profundizar en el uso de algoritmos de inteligencia artificial para la
predicción de la duración de un paciente en el Hospital Mercy. Mediante el
análisis de datos y la implementación de modelos predictivos avanzados,
crearé soluciones que optimicen la gestión hospitalaria, mejoren la
asignación de recursos y ofrezcan una atención más personalizada a los
pacientes. El conocimiento en el manejo de grandes volúmenes de datos y
su procesamiento mediante herramientas de machine learning será clave
para desarrollar estrategias innovadoras que mejoren la eficiencia
hospitalaria y la calidad del servicio. Aspiro a combinar estos avances con
plataformas en la nube para garantizar que estas soluciones sean
escalables y robustas.
2. Introducción

En el ámbito hospitalario, asegurar una gestión eficiente de los recursos es

fundamental para proporcionar una atención médica de alta calidad. Mercy
Health, un destacado proveedor de servicios de salud en los Estados
Unidos ha enfrentado el reto de optimizar sus operaciones para elevar la
calidad del cuidado al paciente y la eficacia operativa. Utilizando Microsoft
Azure, Mercy Health ha integrado soluciones en la nube que han
transformado su infraestructura tecnológica y procesos. Esta
implementación de Azure ha permitido una administración más eficaz de
datos y recursos, además de facilitar el desarrollo de herramientas
avanzadas para predicción y análisis, lo que ha resultado en una mejora
significativa en la planificación y ejecución de los servicios hospitalarios.

Con el presente trabajo, se busca implementar un modelo de aprendizaje, el

cual pueda predecir la duración de estadía hospitalaria de pacientes con lo
conllevaría a la optimización de recursos; como el uso de camas y personal.
Esto se verá afectado en utilidades para la cadena de hospitales Mercy.
Además, con los patrones relevantes identificados por el modelo, se
optimizaría el tratamiento y por el tiempo hospitalario cumpliendo el objetivo
principal del proyecto.

Figura 1
Mercy Health

Fuente: Mercy.com
2.1. Predicción de la Duración de la Estancia Hospitalaria Mercy,
utilizando Algoritmos de Aprendizaje Automático

2.2. Descripción del problema

La planificación eficiente de recursos hospitalarios es un desafío

constante en el ámbito médico. Uno de los factores más difíciles de
predecir es la duración de la estancia hospitalaria de los pacientes, ya
que está influenciada por múltiples factores clínicos y demográficos. Las
técnicas tradicionales basadas en la experiencia médica pueden no ser
suficientes para captar la complejidad de las interacciones entre las
variables. En este contexto, los algoritmos de aprendizaje automático
ofrecen una solución robusta y escalable para mejorar la precisión de
estas predicciones.

2.3. Problema

El problema por abordar es la falta de modelos predictivos precisos que

permitan a los hospitales estimar la duración de la estancia hospitalaria
de los pacientes. Sin una predicción adecuada, los hospitales enfrentan
dificultades para gestionar adecuadamente la ocupación de camas, el
uso de equipos y la planificación del personal.

2.4. Importancia

La predicción precisa de la duración de la estancia hospitalaria tiene un

impacto directo en la calidad de la atención al paciente y en la
optimización de recursos hospitalarios. Un modelo predictivo permite
anticipar las necesidades de camas y personal, mejorando la eficiencia
operativa del hospital. Además, permite una mejor planificación de
tratamientos y seguimiento de pacientes.
2.5. Técnica seleccionada y justificación

El algoritmo seleccionado para este proyecto es el de Random Forest,

una técnica de aprendizaje supervisado que ha demostrado ser efectiva
en tareas de regresión. La elección de Random Forest se basa en su
capacidad para manejar datos heterogéneos, su robustez ante el
sobreajuste, y su capacidad para manejar interacciones complejas entre
variables. Random Forest construye múltiples árboles de decisión y
promedia los resultados, lo que mejora la precisión y estabilidad de las
predicciones. Para el entrenamiento, estos árboles se construyen para
disminuir el porcentaje de error de predicción.

Entonces para realizar una predicción, se promedian las salidas de cada

árbol en lugar de uno, con esto reduce el error, así como también los
valores atípicos.

Una de las ventajas de usar este algoritmo es que puede manejar

grandes volúmenes de data, además es efectivo cuando se tiene que
trabajar con múltiples variables y debido a que tiene robustez a variables
anómalas, se decidió emplear esta técnica.
2.6. Objetivo

Objetivo principal
 Desarrollar un modelo de aprendizaje automático capaz de
predecir con precisión la duración de la estancia hospitalaria,
utilizando datos clínicos y demográficos.

Objetivos secundarios
 Mejorar la planificación de recursos y optimizar el uso de camas
y personal mediante el modelo de aprendizaje desarrollado.

 Detectar tendencias significativas en los datos proporcionado por

el modelo de aprendizaje para optimizar el tratamiento de
pacientes para minimizar la estancia hospitalaria.
3. Implementación

3.1 Preparación de datos

Los datos utilizados para este proyecto contienen información relevante de

los pacientes, como la edad, diagnóstico, comorbilidades, procedimientos
realizados, y la duración de la estancia hospitalaria. Durante la fase de
preprocesamiento, las variables categóricas, como los diagnósticos y
procedimientos, fueron codificadas usando 'one-hot encoding',
transformando estas categorías en variables numéricas. Adicionalmente, los
datos fueron divididos en conjuntos de entrenamiento (80%) y prueba (20%)
para garantizar una evaluación precisa del modelo.

3.2 Selección del modelo

La selección del modelo Random Forest se fundamenta en su capacidad

para manejar grandes volúmenes de datos y su flexibilidad para capturar
relaciones no lineales entre las variables. Otros modelos considerados
incluyeron la regresión lineal y los árboles de decisión simples, pero se optó
por Random Forest debido a su mejor rendimiento en la predicción de la
duración de la estancia en entornos complejos como los datos clínicos.

3.3 Entrenamiento del modelo

El modelo fue entrenado utilizando el algoritmo Random Forest, ajustando

hiperparámetros como el número de árboles y la profundidad máxima de
cada árbol. Para la evaluación, se utilizó el Error Absoluto Medio (MAE) y la
Raíz del Error Cuadrático Medio (RMSE) como métricas principales. El
entrenamiento se realizó con datos previamente divididos, utilizando el 80%
para el entrenamiento y el 20% para la evaluación. El modelo mostró un
MAE de 5.21 días y un RMSE de 5.50 días, lo que indica una precisión
aceptable en las predicciones.
3.4. Uso del modelo

El modelo entrenado fue utilizado para realizar predicciones sobre nuevos

datos de pacientes. Se creó una interfaz para que los usuarios ingresen
nuevas características del paciente, como la edad, comorbilidades y
procedimientos. El modelo fue capaz de predecir la duración estimada de la
estancia hospitalaria basándose en las características clínicas del paciente.
Esta herramienta es de gran utilidad para los gestores hospitalarios, ya que
permite planificar de manera anticipada los recursos necesarios.

4. Conclusiones

El uso de técnicas de aprendizaje automático, como Random Forest, ha

demostrado ser eficaz en la predicción de la duración de la estancia
hospitalaria. El modelo desarrollado ofrece una herramienta valiosa para los
hospitales, permitiendo una mejor planificación de recursos y una atención
más eficiente para los pacientes. A pesar de los buenos resultados, existen
áreas de mejora, como la inclusión de más datos y variables para afinar las
predicciones. En futuras investigaciones, se podrían explorar otros
algoritmos más avanzados para mejorar la precisión de las predicciones.

5. Referencias Bibliográficas
 Breiman, L. (2001). Random forests. Machine learning, 45(1), 5-32.

 Microsoft Customer Stories. (2024). Mercy Health uses Azure to

improve patient care. Retrieved from
https://customers.microsoft.com/en-us/story/1663846645014128331-
mercy-health-provider-azure-en-united-states