Si los proveedores de atención médica pudieran predecir con precisión cómo se utilizarían sus servicios, podrían ahorrar grandes sumas de dinero al no tener que asignar fondos innecesariamente. Los modelos de inteligencia artificial de aprendizaje profundo pueden ser buenos para predecir el futuro dado el comportamiento anterior, e investigadores con sede en Finlandia han desarrollado uno que puede predecir cuándo y por qué las personas mayores utilizarán los servicios de salud.

Investigadores del Centro Finlandés de Inteligencia Artificial (FCAI), Universidad Aalto, la Universidad de Helsinki, y el Instituto Finlandés de Salud y Bienestar (THL) desarrollaron un modelo de ajuste de riesgo para predecir la frecuencia con la que las personas mayores buscan tratamiento en un centro de salud u hospital. Los resultados sugieren que el nuevo modelo es más preciso que los modelos de regresión tradicionales comúnmente utilizados para esta tarea, y puede predecir de manera confiable cómo cambia la situación a lo largo de los años.

Los modelos de ajuste de riesgo utilizan datos de años anteriores, y se utilizan para distribuir los fondos sanitarios de forma justa y eficaz. Estos modelos ya se utilizan en países como Alemania, Los países bajos, y Estados Unidos. Sin embargo, esta es la primera prueba de concepto de que las redes neuronales profundas tienen el potencial de mejorar significativamente la precisión de dichos modelos.

"Sin un modelo de ajuste de riesgo, los proveedores de atención médica cuyos pacientes están enfermos con más frecuencia que la gente promedio serían tratados injustamente, "Pekka Marttinen, Profesor asistente en la Universidad de Aalto y FCAI dice. Las personas mayores son un buen ejemplo de este tipo de grupo de pacientes. El objetivo del modelo es tener en cuenta estas diferencias entre los grupos de pacientes al tomar decisiones de financiación.

Según Yogesh Kumar, el autor principal del artículo de investigación y candidato a doctorado en la Universidad Aalto y FCAI, Los resultados muestran que el aprendizaje profundo puede ayudar a diseñar modelos de ajuste de riesgo más precisos y confiables. "Tener un modelo preciso tiene el potencial de ahorrar varios millones de dólares, ", Señala Kumar.

Los investigadores entrenaron el modelo utilizando datos del Registro de Visitas de Atención Primaria de Salud de THL. Los datos consisten en información de visitas ambulatorias de cada ciudadano finlandés de 65 años o más. Los datos han sido seudonimizados, lo que significa que no se pueden identificar personas individuales. Esta fue la primera vez que los investigadores utilizaron esta base de datos para entrenar un modelo de aprendizaje automático profundo.

Los resultados muestran que entrenar un modelo profundo no requiere necesariamente un enorme conjunto de datos para producir resultados confiables. En lugar de, el nuevo modelo funcionó mejor que más simple, modelos basados ​​en recuento, incluso cuando solo utilizaba una décima parte de todos los datos disponibles. En otras palabras, proporciona predicciones precisas incluso con un conjunto de datos relativamente pequeño, que es un hallazgo notable, ya que adquirir grandes cantidades de datos médicos siempre es difícil.

"Nuestro objetivo no es poner en práctica el modelo desarrollado en esta investigación como tal, sino integrar las características de los modelos de aprendizaje profundo a los modelos existentes, combinando los mejores lados de ambos. En el futuro, el objetivo es hacer uso de estos modelos para apoyar la toma de decisiones y asignar fondos de una manera más razonable, "explica Marttinen.

Las implicaciones de esta investigación no se limitan a predecir la frecuencia con la que las personas mayores visitan un centro de salud u hospital. En lugar de, según Kumar, El trabajo de los investigadores se puede ampliar fácilmente de muchas formas, por ejemplo, centrándose solo en grupos de pacientes diagnosticados con enfermedades que requieren tratamientos muy costosos o centros de salud en ubicaciones específicas en todo el país.

Los resultados de la investigación se publicaron en la serie de publicaciones científicas de Actas de la investigación del aprendizaje automático .