Abstract
Este trabajo fue realizado para la Caja Costarricense de Seguro Social (CCSS) prestadora de servicios de salud públicos de Costa Rica, con la finalidad de aprovechar la información contenida en el Expediente Digital Único en Salud (EDUS) para predecir la incidencia de Diabetes Mellitus Tipo II (DM2) en la población.
También fue desarrollada para las personas con riesgo medio y alto de desarrollar la enfermedad ya que serán alertados tempranamente para que tomen acciones que disminuyan el riesgo e idealmente, prevengan la enfermedad.
Un tercer beneficiario es el Ministerio de Salud de Costa Rica, ya que dispondrá de información predictiva agrupada por regiones, género y grupos de edad que le permitirán realizar acciones estratégicas dirigidas a grupos de interés.
En este trabajo estuvieron involucrados la Gerencia Médica de la CCSS y sus áreas técnicas especializadas, el Componente de Innovación y Salud Digital de la Gerencia General, así como el Ministerio de Salud como observador del progreso y de los resultados y la firma de consultoría especializada.
La iniciativa consistió en elaborar un modelo predictivo que permitiera determinar la probabilidad de padecer o no DM2 en la población, tomando como referencia los datos contenidos en el EDUS y aplicando técnicas de Machine Learning.
Este proyecto es el primero en su clase desarrollado en la institución.
La creación de este modelo tuvo las siguientes fases:
⌀ Examinar las bases de datos institucionales con el fin de identificar las variables disponibles para el desarrollo del modelo.
⌀ Analizar la calidad de datos.
⌀ Preparar los datos para la creación del modelo de Machine Learning.
⌀ Desarrollo de modelos de Machine Learning.
⌀ Evaluar y seleccionar el modelo que ofrezca mayor precisión en la predicción de la enfermedad.
⌀ Implementar y automatizar el modelo en Machine Learning de predicción de DM2 en el EDUS y crear estrategias de monitoreo y mantenimiento.
Los resultados más importantes que se obtuvieron del trabajo
⌀ Componentes necesarios para realizar análisis del volumen de datos registrado en el EDUS y otras fuentes válidas, para determinar patrones que relacionen las características de segmentos poblacionales con la incidencia de la DM2.
⌀ Implementar herramientas visuales de análisis, que ayudan a determinar y medir estrategias y objetivos específicos.
⌀ Entregar al personal médico acceso a información específica de los casos en riesgo, de manera que se trabaje con el paciente desde la consulta en estrategias que le ayuden a disminuir las posibilidades de contraer la enfermedad.
El aprendizaje más importante para la audiencia internacional es el valor de la información contenida en los sistemas digitales de las organizacionales y cómo pueden utilizarse para ofrecer nuevos y mejores servicios a la población.
Los próximos pasos consisten en la integración de la solución con el EDUS de forma que los profesionales en atención clínica puedan ser alertados automáticamente en el momento en que el paciente es atendido, con esto se podrá tener trazabilidad de la evolución del riesgo de cada paciente individualmente y de la efectividad del plan de tratamiento.