Resumen del V Congreso Chileno de Salud Pública y VII Congreso Chileno de Epidemiología
← vista completaPublicado el 15 de marzo de 2019 | http://doi.org/10.5867/medwave.2019.S1
Modelo predictivo de la demanda de atención de urgencia en Chile: una aplicación de Google trends
Forecasting emergency department visits in Chile: a Google trends utilization
|
Tema |
|
Palabras clave |
IntroducciónAglomeraciones y tiempos de espera prolongados de pacientes son problemas frecuentes en los Servicios de Urgencia (SU) de Chile y el mundo. Un modelo predictivo de la demanda permitiría una mejor planificación y distribución de los recursos humanos y físicos (boxes de atención, sala de procedimientos, equipamiento general, etc.) y de esta manera mejoraría el flujo de pacientes y del servicio en general. El uso de internet es cada vez más masivo, lo que permitiría sacar provecho de esta herramienta para anticiparse a los problemas que generan las aglomeraciones. ObjetivosEl objetivo de este trabajo es estimar si en Chile las consultas de usuarios de Google permiten predecir la demanda de atención de urgencia por enfermedades respiratorias en los UEH, SAPU y SAR del país. MétodoEstudio retrospectivo, relacionando el registro de búsquedas en Google consistentes con enfermedades respiratorias, con el registro de atenciones de urgencia de tales enfermedades. Se efectuó un análisis de series de tiempo mediante los modelos SARIMA y ARIMAX, para valorar el grado de correlación existente entre ambas series y la capacidad predictiva de la serie de tiempo “Atenciones”; adicionalmente se usó el modelo de causalidad de Granger para evaluar la probabilidad de que la relación se dé en el sentido de la hipótesis o se trate de causalidad reversa. Principales ResultadosEl modelo SARIMA (2, 0, 1)(2, 0, 0)[7], fue el que entregó la mejor predicción para la serie de tiempo “Atenciones” con un MAPE de 1,46% y 17,87% para el grupo de validación y prueba, respectivamente. De las 100 búsquedas encontradas con Google Correlate, el 100% de ellas tenía relación directa o indirecta con las enfermedades respiratorias, en su mayoría fármacos usados para tratar este tipo de enfermedades. El modelo ARIMAX que arrojó la mejor predicción fue al usar la suma de las 10 primeras búsquedas como variable exógena, con un MAPE de 0,97% y 3,54% para el grupo de validación y prueba, respectivamente. El test de Granger mostró una causalidad bidireccional para las dos series de tiempo analizadas. ConclusionesEl uso de las búsquedas en Google permitió elaborar un modelo predictivo de la demanda por enfermedades respiratorias en los SU de Chile; sin embargo, aún es necesario evaluar el modelo en condiciones de frecuencias inhabituales de enfermedades respiratorias, para saber si puede ser influenciado o no por otros factores. |
