Fuente: Noticias UdeC, Foto: Radio UdeC
Anticipar los períodos de mayor demanda hospitalaria y apoyar la planificación de recursos es el objetivo de RespiraPlanAI, herramienta basada en inteligencia artificial liderada por el académico e investigador de la Facultad de Ingeniería de la Universidad de Concepción y del Doctorado en Inteligencia Artificial, Ricardo Flores H.
La iniciativa fue desarrollada en el marco del proyecto FIC “Capital Humano Avanzado en Inteligencia Artificial para el Biobío”, financiado por el Gobierno Regional del Biobío, y permite estimar la cantidad de atenciones de urgencia y la necesidad de camas básicas, UTI y UCI, tanto pediátricas como de adultos, con hasta dos semanas de anticipación.
Para generar estas proyecciones, el sistema combina datos históricos de atenciones hospitalarias con variables como temperatura, calendarios escolares, campañas de vacunación e información sobre circulación viral. También considera datos provenientes de los Centros de Salud Familiar, CESFAM, como indicadores tempranos de un posible aumento de la demanda hospitalaria.
Según explicó la coordinadora ejecutiva del proyecto, Daniela Constanzo, la herramienta busca avanzar desde una gestión reactiva hacia una planificación anticipada. Nuestro objetivo es prevenir situaciones de colapso y optimizar el uso de los recursos disponibles, señaló.
El desarrollo del sistema consideró la organización y procesamiento de datos sanitarios, el trabajo conjunto con especialistas clínicos y la evaluación de distintos modelos de aprendizaje automático. “Los factores clave fueron organizar los datos, incorporar el conocimiento de médicos y especialistas, y probar distintos modelos de machine learning hasta encontrar el que entregó los mejores resultados”, explicó Ricardo Flores.
RespiraPlanAI contempla una plataforma web interactiva que permite a los equipos directivos monitorear indicadores, recibir alertas tempranas de sobreocupación y adoptar medidas preventivas.
La epidemióloga del Hospital Regional Guillermo Grant Benavente y colaboradora del proyecto, Marta Werner, destacó que la herramienta puede facilitar la programación anticipada de personal, la reconversión de camas y la disponibilidad de insumos. “Podremos tomar decisiones antes de que los servicios se saturen y brindar de manera oportuna la atención que los pacientes requieran”, indicó.
Las pruebas realizadas hasta ahora muestran márgenes de error cercanos al 7% en los modelos predictivos y confirman una relación significativa entre las bajas temperaturas y el aumento de consultas por enfermedades respiratorias. Otro de los avances corresponde a la automatización de la descarga y el procesamiento de datos públicos, reduciendo desde varias horas a segundos el tiempo necesario para actualizar la información.
La arquitectura modular de RespiraPlanAI permitiría adaptar la herramienta a hospitales de distintas regiones, incorporando información local y fuentes de datos de cobertura nacional. Ricardo Flores explicó que esta ampliación requerirá que los establecimientos cuenten con datos históricos organizados y con sistemas informáticos compatibles con los modelos predictivos.
“Cada hospital debería tener su información organizada y actualizada, además de sistemas capaces de incorporar estas nuevas herramientas”, sostuvo.
Revisar mas noticias relacionadas
Entrevista radio Cooperativa
Entrevista radio UdeC
