Resumen de Desarrollo de un Índice de Privación y un Algoritmo de Aprendizaje Automático para la Identificación de Pacientes Vulnerables
S. Sorbet Santiago, J. Díaz Carnicero, S. González de Julián, M.P. Botija Yagüe, R. Talamantes
Además de las influencias biológicas, la salud se ve afectada por determinantes sociales. Esto ha incentivado en los últimos años el desarrollo de metodologías para identificar a las personas más vulnerables a partir de factores socioeconómicos, resultando de especial interés para la gestión de recursos sanitarios. El primer objetivo de este trabajo consiste en desarrollar un índice de privación construido con variables socioeconómicas que permita clasificar las secciones censales del área geográfica de un departamento de salud de la Comunidad Valenciana. El segundo radica en elaborar un indicador de vulnerabilidad para clasificar individualmente a cada paciente utilizando marcadores socioeconómicos y clínicos. La construcción del índice de privación por sección censal se llevó a cabo mediante un análisis multivariante y de componentes principales. Para la identificación de pacientes vulnerables, primero un comité de expertos clasificó una lista de potenciales perfiles de vulnerabilidad, que sirvió para entrenar tres algoritmos de clasificación supervisada: Regresión Logística, Random Forest y Red Neuronal, comparados mediante diferentes métricas evaluadoras. Existen evidencias de una reducción en los niveles de salud y un mayor consumo de recursos sanitarios en aquellas áreas marcadas con mayor privación. En cuanto a los algoritmos probados para la detección de pacientes vulnerables, el Random Forest es con el que mejores resultados se ha obtenido, con valores superiores al 99% en los valores de sensibilidad y especificidad. Los índices de privación y vulnerabilidad obtenidos utilizando herramientas de análisis de Big Data y Machine Learning pueden ayudar a la gestión sanitaria de aquellos pacientes más vulnerables.
