Modelo predictivo de la cantidad de pacientes que consultan al servicio de urgencia de un hospital universitario en Santiago de Chile

Resumen

La saturación de los servicios de urgencia es un desafío crítico a nivel global, afectando la calidad y oportunidad de la atención médica. Chile no es ajeno a este problema: Durante 2024 se registraron 18 millones de consultas en los dispositivos de urgencia del sistema público, lo que refleja una alta demanda que dificulta la planificación y distribución eficiente de los recursos.

Objetivo: Desarrollar un modelo predictivo capaz de estimar con alta precisión el número de consultas semanales en el servicio de urgencia de un hospital universitario privado en Santiago de Chile. Se definió que el modelo tendría impacto en la gestión si lograba predecir con 14 días de anticipación y un margen de error inferior al 5%.

Metodología: Se construyó un modelo de regresión utilizando aprendizaje supervisado con series temporales. La metodología se basó en el enfoque Knowledge Discovery in Databases (KDD), empleando datos históricos del año 2024. Se seleccionaron variables relevantes para entrenar y validar el modelo, enfocándose en la precisión para estimar el volumen semanal de consultas.

Resultados: El modelo logró predecir el volumen semanal de consultas con 14 días de anticipación, alcanzando un error promedio del 3,3%. Esto representa una mejora significativa respecto a métodos tradicionales basados en promedios históricos, permitiendo una mejor anticipación de la demanda asistencial y un mayor impacto en la gestión de los recursos.

Conclusiones: Es posible predecir la demanda semanal en servicios de urgencia con un margen de error inferior al 5% mediante modelos predictivos basados en aprendizaje supervisado. Esta herramienta puede contribuir significativamente a la mejora de la gestión interna y la planificación estratégica en hospitales universitarios y otros centros de atención de urgencia del país.