Predicting Number of hospital Appointments when no data is available

• Autor: Caceres Zea, Harold Ernesto
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/12649
• Enlace del recurso: http://hdl.handle.net/20.500.12773/12649
• Nivel de acceso: acceso abierto
• Materia: Matriz de Correlación; Aprendizaje Automático; Citas en un hospital; Regresión Lineal Múltiple; https://purl.org/pe-repo/ocde/ford#2.11.02

Por lo general, en un hospital, los datos generados por cada departamento o sección se tratan de forma aislada, creyendo que no existe una relación entre ellos. Se cree que si bien un departamento tiene una gran demanda, no puede influir en que otro pueda tener la misma demanda o no tener ninguna. En este documento, cuestionamos este enfoque al considerar la información de los departamentos como componentes de un gran sistema en el hospital. Por lo tanto, presentamos un algoritmo para predecir las citas de los departamentos cuando los datos no están disponibles utilizando datos de otros departamentos. Este algoritmo usa un modelo basado en regresión lineal múltiple usando una matriz de correlación para medir la relación entre los departamentos con diferentes ventanas de tiempo. Después de ejecutar nuestro algoritmo para diferentes ventanas de tiempo y departamentos, descubrimos experimentalmente que mientras aumentamos la extensión de una ventana de tiempo y aprendemos dependencias en los datos, su precisión correspondiente disminuye. De hecho, un mes de datos es el punto óptimo mínimo para aprovechar la información de otros departamentos y aún así proporcionar predicciones precisas. Estos resultados son importantes para desarrollar políticas de salud por departamento bajo datos limitados, un problema interesante que planeamos investigar en futuros trabajos.