MACHINE LEARNING PARA LA CLASIFICACIÓN DE ATENCIÓN SANITARIA

Abstract

El aumento de la esperanza de vida a nivel global ha supuesto una subida en España de 78,12 años en 1995 a 83,96 en 2025 y está causando un envejecimiento en la población. Este envejecimiento infiere un aumento de pacientes crónicos y crea una necesidad para un sistema de segmentación de estos pacientes, para su control y monitorización. En la actualidad, existen modelos de segmentación estáticos como el modelo de Kaiser Permanente, donde la población crónica es repartida en tres niveles según su complejidad. Este proyecto explora un método para personalizar la segmentación de pacientes crónicos en base a variables socio-económicas, de hábitos de actividad y de índices médicos, específicas de la Comunidad de Andalucía. Un total de veinte variables críticas son seleccionadas para el modelo de Machine Learning, donde se realiza una reducción de variables con el método de EFA y una clusterización por el método de K-Means. Los resultados obtenidos son buenos, obteniendo un total de seis clusters distintivos que se ajustan a la población andaluza. A su vez, los resultados destacan la importancia de la georreferenciación, obteniéndose distinciones entre pacientes crónicos en diferentes zonas de Andalucía. Es por todo ello, que el modelo de segmentación de pacientes crónicos usando machine learning supone una mejora significativa a los modelos actuales de segmentación, con el objetivo de reducir el coste y mejorar la experiencia del cuidado del paciente.

The increase in life expectancy at a global level, assuming a rise in Spain from 78.12 years in 1995 to 83.96 in 2025, is causing an aging population. This aging infers an increase in chronic patients and creates a need for a segmentation system for these patients, for their control and monitoring. Currently, there are static segmentation models such as the Kaiser Permanente model, where the chronic population is divided into three levels according to their complexity. This project explores a method to personalise the segmentation of chronic patients based on socioeconomic variables, activity habits and medical indices, specific for the region of Andalusia. A total of twenty critical variables are selected for the Machine Learning model, where a reduction of variables is performed using the EFA method and a clustering using the K-Means method. The results obtained are good, obtaining a total of six distinctive clusters that fit the Andalusian population. In turn, the results highlight the importance of georeferencing, obtaining distinctions between chronic patients in different areas of Andalusia. For all these reasons, the chronic patient segmentation model using machine learning represents a significant improvement over current segmentation models.