Definición del problema.

En las Urgencias Hospitalarias, la acumulación de pacientes puede llevar a un estado de saturacion pudiendo provocar un "Valor Crítico" generando un colapso del servicio.

Queremos aplicar técnicas de I.A. en concreto, Machine Learning, para intentar predecir el grado de Saturación en Urgencias. Siempre que no ocurra alguna catástrofe.

Machine Learning

Sistema de aprendizaje basado en la experiencia.

Se divide en dos categorias:

1. Aprendizaje supervisado
2. Aprendizaje no supervisado

Dentro del Aprendizaje supervisado, vamos a utilizar un algoritmo de Clasificación

Algoritmo de Clasificación

Sobre un conjunto de datos conocidos, predice una clasificacion o agrupación binaria (Crea dos grupos)

Permite clasificar en dos grupos, un conjunto de datos, según unos valores iniciales. Se utilizan unas caracteristicas, que identifican el valor de la agrupacion.

Caracteristicas iniciales:

Para nuestro problema hemos identificado los siguientes valores:

1. Indicador dHPa Densidad Horaria Pacientes Acumulados.
2. Entrada pacientes a la hora.
3. Altas de Pacientes a la Hora.
4. Recursos ocupados en Urgencias. Camas Observacion.
5. Facultativos trabajando a la Hora.
6. Camas libres de Hospitalización.

Etiqueta agrupación:

Saturación

• Normal
• Valor Crítico

Metodología y Herramientas(AzureML):

Creacion del Modelo:

Proceso en Azure-ML:

Crear el Data Set:

Utilizamos los siguientes datos iniciales:

Data Set Inicial:

Preparar dos grupos del Data-Set. Uno para Entrenamiento 80% y otro para Evaluación 20%:

Elegir el Algoritmo de Clasificación Y Entrenamos.

Elegir módulo de Evaluación.

Valores del Módulo de evaluación.

Modelo Producción Final

El Modelo Final, cambia ya que los datos no los utilizamos del DataSet, sino que se van a ir alimentando automaticamente.

API-Web Service

Creamos los Web Services, para utilizar una API que nos proporciona la puesta en producción

Aplicación en Producción

Utilizamos, las key-API y el formato que se descarga, inicialmente para probar el funcionamiento.

Aplicación e implementación Final

1. Alimentacion diaria de datos, franja horaria.
2. Aplicar Modelo de Producción
3. Generar Alerta. En caso de Valor Crítico, Colapso
4. Observar los valores de las Características
5. Según valores obtenidos que actuaciones debemos realizar para solucionar el Valor crítico.