Investigadores de Ingeniería Industrial, en conjunto con profesores de la Universidad del País Vasco (UPV/EHU), presentaron los resultados de su trabajo sobre utilización de diferentes herramientas de aprendizaje supervisado en la urgencia del hospital pediátrico Dr. Exequiel González Cortés.
Gracias a esta investigación, hoy los modelos de Machine Learning (aprendizaje automático) se utilizan para clasificar el riesgo de los pacientes de urgencia, en base a un grupo acotado de signos vitales y características del enfermo. Esta clasificación es una herramienta central en el proceso de atención de urgencia y requiere instrumentos certeros, rápidos y que respondan a las características locales de la población.
En esta clasificación, herramienta central en el proceso de atención de urgencia, han trabajado por más de siete años profesores y alumnos del Departamento, utilizando la información de cerca de 200.000 pacientes que ha permitido construir las herramientas tecnológicas que hoy obtienen datos, así como los algoritmos y modelos que predicen los riesgos.
Sebastián Ríos, académico del área TI de Ingeniería Industrial e integrante del Comité Académico del Magíster en Ingeniería de Negocios con TI (MBE), destaca: “Si se compara con la literatura en el área, esta investigación logra una gran profundidad en los métodos utilizados en combinación con una gran cantidad de data hospitalaria”.
Patricio Wolff, profesor del MBE, agrega: “Es necesario avanzar en la validación científica de los instrumentos que desarrollamos con una mirada centrada en el paciente y su seguridad”.
Esta investigación se suma a otras como el monitoreo de riesgo de clasificación de enfermedades respiratorias -en pacientes internados y con hospitalización domiciliaria-, la predicción de readmisión hospitalaria, la optimización del uso de pabellones y el modelo de riesgo farmacológico. Proyectos que no solo muestran una experiencia exitosa de innovación en la salud pública, sino que, además, conllevan importantes aportes en el estado del arte en cuanto a las técnicas y herramientas utilizados, así como en la construcción y validación de estos modelos.