Portfolio
La solución para Plan de Recuperación ante Desastres en AWS
Categoría:
Tecnologías integradas:
Lorem ipsum
Plan de Recuperación ante Desastres en AWS
La implementación de un modelo de inteligencia artificial en la Clínica Colsanitas Reina Sofía ha generado un impacto significativo en la gestión hospitalaria, logrando optimizar la utilización de camas mediante la predicción precisa de los tiempos de estancia de los pacientes según sus enfermedades y condiciones.
Gracias a esta solución, se ha conseguido reducir los costos operativos, minimizar la variabilidad en los tiempos de hospitalización y mejorar la eficiencia en la asignación de recursos. Entre mayo y julio de 2024, se ha registrado una reducción del 37,21% en episodios outliers y un ahorro de $197.500 dólares en costos, demostrando el valor tangible de la inteligencia artificial en la gestión hospitalaria.
El desafío
La Clínica Colsanitas Reina Sofía enfrentaba un problema en la planificación hospitalaria, ya que la falta de herramientas predictivas adecuadas dificultaba la correcta asignación de recursos y personal. La clínica necesitaba una solución que mejorara la predictibilidad de la estancia hospitalaria de los pacientes, optimizando el flujo de camas disponibles y asegurando una atención médica eficiente.
La solución técnica
Para predecir con precisión la estancia hospitalaria de los pacientes se desarrollaron dos modelos predictivos basados en Random Forest Regression, adaptados a diferentes escenarios:
- Modelo de Predicción a Corto Plazo (hasta 7 días)
- Variables analizadas: edad, género, tipo de ingreso, especialidad médica, riesgo de morbilidad, GRD presuntivo y reingreso.
- Datos recolectados en las primeras 48 horas del episodio.
- Resultados: mejora en la planificación operativa y asignación de personal.
- Modelo de Predicción a Largo Plazo (más de 7 días)
- Incorporación de variables adicionales como severidad, ventilación mecánica y diagnóstico principal.
- Aplicación en estancias prolongadas para una predicción más precisa.
El modelo fue implementado en un dashboard en tiempo real, permitiendo a los administradores de la clínica tomar decisiones informadas y rápidas. Además, se integraron múltiples servicios de AWS para optimizar el almacenamiento, entrenamiento y despliegue de los modelos.
AWS aplicados en este desafío
Para llevar a cabo la solución, se utilizaron los siguientes servicios de AWS:
- Amazon SageMaker Studio: desarrollo, entrenamiento y despliegue de modelos de machine learning.
- Amazon EC2: capacidad de cómputo escalable para procesamiento de datos.
- Amazon RedShift: almacenamiento y análisis de datos en tiempo real.
- Amazon EMR: procesamiento de big data para modelado predictivo.
- Amazon S3: almacenamiento seguro y escalable de grandes volúmenes de datos.
- Feature Store: gestión y almacenamiento de características de machine learning para mejorar la precisión del modelo.
- MLFlow con Docker: gestión del ciclo de vida del modelo, desde el desarrollo hasta la producción.
Los resultados
La mejora en la predicción y la consecuente reducción en la variabilidad han tenido un impacto económico significativo. Para traducir estos resultados en beneficios financieros, se ha calculado el costo promedio de un día cama en 500 dólares.
01
Un ahorro de 165.000 dólares en un año gracias a la reducción en los episodios outliers: en mayo de 2024, los episodios outliers representaron un 10,05% de los casos (85 pacientes). Para julio, este porcentaje bajó al 6,31% (52 pacientes), lo que implica una disminución de 33 pacientes fuera de los parámetros esperados. En mayo, la estancia media de los outliers fue de 16 días. Siendo conservadores y estimando que cada uno de estos episodios hubiera generado 10 días adicionales de estancia en promedio, esta reducción se traduce en 330 días cama adicionales liberados, lo que equivale a un ahorro de 165.000 dólares en costos.
02
Ahorro por estancias outliers: con la reducción de 395 días cama ocupados por episodios outliers, la clínica ahorró 197.500 dólares. Además, la capacidad de atender nuevos pacientes al liberar camas más rápidamente permite generar ingresos adicionales que pueden reflejarse en un aumento general de la rentabilidad.
03
La implementación del modelo de inteligencia artificial no solo ha mejorado la precisión en la predicción de variables críticas (estancia, riesgo de complicaciones, severidad, GRD, costos estimados y porcentaje de complicaciones esperadas), sino que también ha optimizado el uso de recursos y ha generado importantes ahorros y aumentos en los ingresos para Colsanitas. Al reducir la varianza y los episodios outliers, el hospital ha experimentado una mayor estabilidad operativa y ha logrado mejorar tanto la calidad de la atención como su rentabilidad.
