Descripció del projecte
Introducció
En la indústria sanitària, predir trajectòries de pacients a través de sistemes hospitalaris pot millorar significativament la gestió de recursos, els resultats del pacient i l’eficiència global de l’hospital. A mesura que els sistemes sanitaris es tornen cada vegada més complexos, entendre i anticipar el moviment del pacient a través de diferents etapes assistencials s’ha convertit en un repte crucial. Aquesta tesi té com a objectiu desenvolupar models predictius que prediguin el recorregut d’un pacient a través d’un hospital a partir de dades d’ingrés inicial. Mitjançant l’ús de mètodes estadístics clàssics i tècniques modernes d’aprenentatge profund, aquesta recerca busca crear models robustos capaços de predir les rutes del pacient, els costos associats i l’impacte administratiu en temps real. Si bé aquest enfocament serà especialment beneficiós per a la gestió de malalties comunes, també presenta una valuosa oportunitat per a les malalties rares, la qual cosa permet un diagnòstic més eficaç i vies de tractament personalitzades que poden millorar els resultats d’aquestes malalties sovint passades per alt.
Declaració de problemes i objectius
Els hospitals sovint lluiten per predir el camí exacte que un pacient seguirà a través de diversos departaments, la qual cosa provoca ineficiències en l’assignació de recursos, la dotació de personal i la gestió de costos. Aquesta impredictibilitat pot donar lloc a una atenció subòptima i a despeses innecessàries. L’objectiu d’aquesta tesi és abordar aquesta qüestió mitjançant el desenvolupament d’un enfocament de modelització dual que predigui la trajectòria probable d’un pacient des de l’ingrés fins a l’alta o el trasllat. Els models es formaran utilitzant dades històriques de referència i informació clínica del pacient per predir tant les vies clíniques com les administratives. A més de millorar l’atenció al pacient, aquestes prediccions facilitaran una millor assignació de recursos i gestió de costos dins dels hospitals.
Aproximació del modelatge multiestatal
El primer enfocament de modelització se centrarà en els ingressos d’emergència mitjançant un model de supervivència multiestat per predir la seqüència de transicions que pot patir un pacient durant la seva estada hospitalària. Els models multiestatals amplien l’anàlisi de supervivència tradicional permetent transicions entre múltiples estats, com ara l’admissió, la transferència a cures intensives, la cirurgia, la recuperació i l’alta. S’exploraran tècniques com el model Cox Proportional Hazards amb covariats dependents del temps, models Markov i processos semi-Markov. Aquests mètodes permeten estimar les probabilitats de transició entre estats al llarg del temps, proporcionant una predicció dinàmica del viatge del pacient a través de l’hospital.
Aproximació del modelatge generatiu de l’aprenentatge profund
Paral·lelament a l’enfocament clàssic, es desenvoluparà un model generatiu basat en l’aprenentatge profund per predir les trajectòries dels pacients. Aquest model utilitzarà xarxes neuronals recurrents (RNNs), com xarxes de memòria llarga i curta (LSTM) o Gated Recurrent Units(GRUs), per capturar dependències temporals en dades de pacients. A més, es podrien emprar Generative Adversarial Networks (GANs) o Variational Autoencoders (VAE) per generar futurs estats i seqüències potencials de pacients. Aquests models seran entrenats sobre seqüències de dades del pacient, aprenent a generar vies de pacient realistes que reflecteixin les observades a l’hospital. Els models generatius poden oferir potencialment més flexibilitat i precisió en la captura de patrons complexos dins de les dades.
Tasques proposades i línia de temps
1. Any 1: Revisió de Literatura i Recollida i Comissariat de Dades. Realitzar una revisió bibliogràfica sobre les tècniques de modelització sanitària, reunir i anonimitzar les dades hospitalàries, preprocessar-les i netejar-les, i realitzar l’anàlisi estadística i l’avaluació de potència.
2. Any 2: Desenvolupament de models. Desenvolupar i validar un model de supervivència multiestat, experimentar amb tècniques estadístiques clàssiques i arquitectures d’aprenentatge profund, i comparar el seu rendiment utilitzant mètriques com precisió, precisió de predicció de transició i eficiència computacional.
3. Any 3: Integració i Avaluació del Model. Integrar models d’aprenentatge multiestatal i profund, avaluar-los en entorns hospitalaris en temps real, estimar les implicacions administratives i de costos, desplegar els models finals a través d’APIs sota Docker, i redactar i defensar la tesi discutint troballes, limitacions i futures investigacions.
Aquesta tesi contribuirà als camps de l’analítica sanitària i la modelització predictiva proporcionant un marc integral per predir les rutes del pacient i els seus costos associats, oferint així informació valuosa per a la gestió hospitalària i l’optimització de l’atenció al pacient.
