Desarrollo y validación de un algoritmo de predicción para la demanda de pacientes en el servicio de emergencia en los hospitales de Lima de nivel III de EsSalud: Un estudio multicéntrico basado en los registros electrónicos de atención, 2021-2023. Reporte de Resultados de Investigación 09-2024 

• Autor: Salvatore Aylas Barranca, Alejandro Fabio
• Formato: informe técnico
• Fecha de Publicación: 2024
• Institución: Seguro Social de Salud
• Repositorio: ESSALUD-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.essalud.gob.pe:20.500.12959/5680
• Enlace del recurso: https://hdl.handle.net/20.500.12959/5680
• Nivel de acceso: acceso abierto
• Materia: Emergencia; Arima; Sarima; Knowledge discovery in databases; https://purl.org/pe-repo/ocde/ford#3.02.08

OBJETIVOS: Desarrollar y validar un algoritmo de predicción para la demanda de pacientes en el servicio de emergencia en los hospitales de Lima de nivel III de EsSalud. MÉTODOS: Este estudio utiliza series temporales basadas en registros históricos de atenciones en emergencias hospitalarias para desarrollar modelos predictivos. La población incluyó pacientes mayores de 18 años atendidos en los tres principales hospitales de Lima entre enero de 2021 y agosto de 2024. Siguiendo la metodología de Knowledge Discovery in Databases (KDD), se aplicaron cinco fases principales: selección de datos relevantes, preprocesamiento para limpieza y preparación, transformación en series temporales, minería de datos para identificar patrones de tendencia y estacionalidad mediante descomposición aditiva o multiplicativa, y evaluación de modelos predictivos ARIMA/SARIMA ajustados mediante métricas como el Porcentaje de Error Medio Absoluto (MAPE). RESULTADOS: Los modelos predictivos lograron un desempeño sobresaliente con valores MAPE menores a 5 % destacando el modelo SARIMA. CONCLUSIONES: La elección del modelo óptimo reflejó la importancia de un análisis personalizado que considere características específicas para cada serie temporal. Sin embargo, una limitación clave fue el uso exclusivo de la demanda histórica como única variable predictiva. El uso del enfoque KDD estructuró de manera sistemática el análisis desde la selección de datos hasta la evaluación de los modelos, sentando las bases para investigaciones futuras que integren técnicas avanzadas de machine learning.