| dc.description.abstract | En el campo de la salud, adquiere fundamental importancia disponer de proyecciones efectivas de la demanda de los servicios de salud, con el fin de realizar una adecuada planificación, garantizando la disposición oportuna de dichos servicios y una utilización
eficiente de los recursos.
El objetivo de la presente investigación es ampliar el conocimiento teórico en relación con
la utilización de las redes neuronales y los algoritmos genéticos como modelos de
proyección y optimización, con el fin de evaluar su aplicación práctica en la estimación del
número de pacientes con cáncer atendidos en hospitales de la CCSS y la estancia
hospitalaria esperada para este tipo de paciente.
Para alcanzar este objetivo se desarrollaron dos redes neuronales, una para la proyección
de casos nuevos de pacientes con cáncer hospitalizados por mes (red de casos nuevos) y
otro para determinar la estancia hospitalaria (red de estancia).
Mediante el análisis de las variables relacionadas con estos dos fenómenos de estudio,
con base en las recomendaciones teóricas para la construcción de redes neuronales y
utilizando dos programas estadísticos (SPSS y Statistica) se determinó que la
estructuración de la red de casos nuevos debía ser 12:7:1, es decir una capa de entrada
con 12 variables o neuronas, una capa oculta con 7 neuronas y una capa de salida con una
neurona. Por su parte la estructuración de la red de estancia recomendada es 8:7:1.
Para la red de casos nuevos, las variables de entrada seleccionadas fueron: tasa de
mortalidad, índice de desarrollo humano, inversión social en salud, cobertura régimen de
enfermedad y maternidad, tasa de desempleo, nivel de pobreza, mes, promedio de casos
nuevos de pacientes con cáncer hospitalizados en los 3 últimos años, promedio de los 2
últimos años, promedio del último año, promedio de los últimos 6 meses y promedio de
los últimos 3 meses.
ii
En el caso de la red de estancia se seleccionaron las siguientes 8 variables de entrada:
edad del paciente, sexo, residencia, centro de salud, área de ingreso, servicio de ingreso,
ingresos previos y diagnóstico principal.
Posteriormente se aplicaron los principios teóricos y las formulas matemáticas de redes
neuronales para la construcción y entrenamiento de ambos modelos. La metodología de
aprendizaje utilizada en ambas redes es la propagación del error hacia atrás (backpropagation).
La red de casos nuevos, se entrenó con un total de 120 casos (71% de los disponibles).
Para analizar la efectividad del entrenamiento se utilizaron 36 datos (21%) y el restante
8% se utilizó para comparar las proyecciones. El resultado del porcentaje de error medio
absoluto (MAPE, por sus siglas en inglés) durante el entrenamiento fue de 11.76% y
después del entrenamiento el error fue de 7.53%
En el caso de la red de estancia, para el entrenamiento se utilizaron los últimos 1000 casos
disponibles. De estos, 700 (70%) se utilizaron para el entrenamiento, 150 (15%) para la
evaluación y 150 (15%) para comparar las proyecciones. El resultado del error total
durante el entrenamiento fue de 84.13% y después del entrenamiento el error fue de
47.37%.
Una vez construidos los modelos de redes neuronales, el siguiente paso fue la
optimización mediante algoritmos genéticos. El algoritmo definido tanto para la red de
casos nuevos como para la de estancia hospitalaria, es un algoritmo de minimización del
error de pronóstico o estimación.
Después de la optimización el resultado del error para la red de casos nuevos pasó de
7.53% a 5.07%. En el caso de la red de estancia el resultado del error pasó de 47.37% a
40,79%. En ambos casos se logra apreciar la efectividad del proceso de optimización, ya
que, se lograron reducciones importantes en los porcentajes de error de ambas redes.
iii
Para analizar la efectividad del modelo de red neuronal de casos nuevos, se generaron
proyecciones para los siguientes 12 períodos y se compararon con las proyecciones
obtenidas mediante 4 modelos tradicionales de pronósticos: suavización exponencial
simple, suavización exponencial doble, “winters” aditivo y “winters” multiplicativo. Con
esto se determinó que el modelo de redes neuronales genera los mejores resultados en
términos del error de pronóstico (5.07%). El más cercano de los otros métodos fue el
Winters Aditivo con un error de 6.24%.
Finalmente, se evaluó el horizonte de pronóstico de la red de casos nuevos analizando
tres escenarios: un año, dos años, y tres años. Los resultados de la red neuronal son más
efectivos que los obtenidos con los modelos tradicionales en los tres años analizados,
donde por ejemplo en el primer año el MAPE de la red es de 5.63%, muy por debajo de
6.9% del SES que es el mejor de los tradicionales, y para el tercer año el error de la red
neuronal es de 5.22%, siendo menor que el obtenido por los modelos tradicionales, cuyo
mejor resultado fue un 7,2%.
Como conclusión principal de la investigación se determina que la utilización de un
modelo de redes neuronales, optimizadas con algoritmos genéticos, para proyectar la
cantidad de casos nuevos de pacientes con cáncer hospitalizados en la CCSS, genera
mejores resultados en términos del menor error de pronóstico, que los obtenidos
utilizando algunas de las técnicas tradicionales de pronósticos.
El modelo desarrollado presenta mejores resultados que los métodos tradicionales
considerando un horizonte de pronósticos de uno, dos o tres años. Después de este
período se recomienda hacer una actualización de datos de entrada de la red, así como un nuevo entrenamiento y optimización, ya que, los cambios en variables macroeconómicas y
sociales incorporadas en el modelo se manifiestan con un rezago de tres años. | es_MX |
