Modelo de aprendizaje automático para la predicción del GRD usando datos de pacientes
No hay miniatura disponible
Archivos
Fecha
2023
Profesor/a Guía
Facultad/escuela
Idioma
es
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Andrés Bello
Nombre de Curso
Licencia CC
Licencia CC
Resumen
Este estudio aborda el desarrollo de dos modelos de aprendizaje automático para prever el GRD.
Se realizó un análisis exhaustivo de los conjuntos de datos de Fonasa y del Hospital El Pino,
posibilitando comparativas significativas. Durante este proceso, se lleva a cabo la preparación del
conjunto de entrada para ambos modelos. El primer modelo implementado es una red neuronal
recurrente, que logra una precisión del 83.50\%. A continuación, se introduce un modelo de red
neuronal basada en atención, destacándose por alcanzar una superior precisión del 85.43\%.
Posteriormente, tras el entrenamiento inicial, se reevalúa y procesa el conjunto de datos para
eliminar información incoherente relacionada con los GRD. El siguiente paso implica el
reentrenamiento de ambos modelos, siendo la red neuronal basada en atención la que alcanza una
precisión de validación mejorada del 89.96\%. Este proceso destaca una mayor eficiencia al
momento de predecir el grupo relacionado de diagnóstico (GRD) de un paciente es el modelo
basado en atención.
This study addresses the development of two machine learning models for predicting DRG. A comprehensive analysis of Fonasa and Hospital El Pino datasets was conducted, enabling significant comparisons. During this process, the input data preparation was carried out for both models. The first implemented model is a recurrent neural network, achieving an accuracy of 83.50%. Subsequently, an attention-based neural network model is introduced, standing out for achieving a higher accuracy of 85.43%. Following the initial training, the dataset is reevaluated and processed to eliminate inconsistent information related to DRG. The next step involves the retraining of both models, with the attention-based neural network achieving an improved validation accuracy of 89.96%. This process highlights a greater efficiency in predicting the Diagnosis Related Group (DRG) of a patient using the attention-based model.
This study addresses the development of two machine learning models for predicting DRG. A comprehensive analysis of Fonasa and Hospital El Pino datasets was conducted, enabling significant comparisons. During this process, the input data preparation was carried out for both models. The first implemented model is a recurrent neural network, achieving an accuracy of 83.50%. Subsequently, an attention-based neural network model is introduced, standing out for achieving a higher accuracy of 85.43%. Following the initial training, the dataset is reevaluated and processed to eliminate inconsistent information related to DRG. The next step involves the retraining of both models, with the attention-based neural network achieving an improved validation accuracy of 89.96%. This process highlights a greater efficiency in predicting the Diagnosis Related Group (DRG) of a patient using the attention-based model.
Notas
Proyecto de título (Ingeniero Civil Informático)
Palabras clave
Aprendizaje de Máquina, Grupos Relacionados por el Diagnóstico, Innovaciones Tecnológicas