Sistema de asignación de citas médicas para servicios de asistencia primaria de salud chilenos
Fecha
2022-12-17
Título de la revista
ISSN de la revista
Título del volumen
Editor
Facultad de Ingeniería Industrial: Universidad de Guayaquil
Resumen
Existen factores que miden el desempeño de los servicios de salud, uno de ellos es el acceso rápido y eficiente a la atención. La gestión del acceso a estos servicios para disminuir la espera en pacientes y usuarios ha sido un tema de relevancia nivel de políticas públicas. En Chile uno de los mayores desafíos es proporcionar un sistema de asignación de citas médicas, especialmente en la red pública de Asistencia Primaria de Salud (APS). Algunas de las iniciativas son procedimientos administrativos, pero pocas de ellas están en el ámbito de la transformación digital. Esta investigación tiene como objetivo estudiar diferentes algoritmos de aprendizaje automático, entre los que destacan K-vecinos más cercanos, bosques aleatorios, árbol de decisión y máquinas de soporte vectorial. El objetivo es clasificar las citas médicas de acuerdo con las preferencias de usuario y restricciones de recursos, basados en los datos obtenidos de experiencias previas. Se evalúa el potencial de aplicación de estos algoritmos para gestionar un sistema de asignación de citas. Los resultados son aún conservadores, y ponen de manifiesto la necesidad de optimizar los parámetros asociados a estos algoritmos para garantizar una asignación eficiente de citas a los usuarios del sistema
There are factors that measure the performance of health services, like efficient healthcare access. Managing access to these services to reduce waiting times for patients and users has been a relevant issue at the level of public policies. In Chile, one of the biggest challenges is to provide a system for assigning medical appointments, especially in the public network of Primary Health Care (PHC). Some of the initiatives are administrative procedures, but few of them are in the realm of digital transformation. This research aims to study different machine learning algorithms, including K-nearest neighbors, random forests, decision trees, and support vector machines. The goal is to classify medical appointments according to user preferences and resource constraints, based on data obtained from previous experiences. The potential application of these algorithms to manage an appointment assignment system is evaluated. The results are still conservative and highlight the need to optimize the parameters associated with these algorithms to ensure an efficient allocation of citations to system users.
There are factors that measure the performance of health services, like efficient healthcare access. Managing access to these services to reduce waiting times for patients and users has been a relevant issue at the level of public policies. In Chile, one of the biggest challenges is to provide a system for assigning medical appointments, especially in the public network of Primary Health Care (PHC). Some of the initiatives are administrative procedures, but few of them are in the realm of digital transformation. This research aims to study different machine learning algorithms, including K-nearest neighbors, random forests, decision trees, and support vector machines. The goal is to classify medical appointments according to user preferences and resource constraints, based on data obtained from previous experiences. The potential application of these algorithms to manage an appointment assignment system is evaluated. The results are still conservative and highlight the need to optimize the parameters associated with these algorithms to ensure an efficient allocation of citations to system users.
Descripción
jpg
Palabras clave
APRENDIZAJE AUTOMÁTICO, PLANIFICACIÓN DE CITAS, SISTEMA PRIMARIO DE SALUD, MACHINE LEARNING, APPOINTMENT SCHEDULING, PRIMARY HEALTH SYSTEM
Citación
Guerrero, B., Pizarro, L., & Duarte, V. (2022). Sistema de asignación de citas médicas para servicios de asistencia primaria de salud chilenos . EASI: Ingeniería Y Ciencias Aplicadas En La Industria, 1(2), 1–13. https://doi.org/10.53591/easi.v1i2.1849