Diseño y Aprendizaje de Redes Bayesianas para la

Representación de Circuitos Sanitarios: Asistencia en

Urgencias.

AUTORES

Hospital Universitario Virgen de las Nieves (Granada).

*Departamento Ciencias de la Computación e Inteligencia Artificial,

Universidad de Granada.

INTRODUCCIÓN

Los circuitos sanitarios de atención al paciente son complejos y dependen de factores

organizativos, económicos y estructurales. Disponer de herramientas adecuadas para su
representación permitiría el estudio y optimización de los mismos, comprender las
interacciones entre los diversos elementos que determinan su funcionamiento, así como
plantear alternativas que posibiliten la mejora.

Puesto que muchos de los factores que determinan el comportamiento de un circuito

sanitario son inherentemente inciertos, las Redes Bayesianas podrían jugar un papel
importante en el estudio de
estos sistemas. Se presenta un modelo de representación, basado en Redes Bayesianas,
aplicado al caso concreto del circuito asistencial de urgencias.

OBJETIVO

 Representación del circuito asistencial de urgencias mediante un modelo

probabilístico basado en Redes Bayesianas.
 Interpretación y validación del modelo

METODOLOGÍA

1. Estudio de las interacciones más significativas entre los factores que

configuran el circuito asistencial de pacientes que asisten a urgencias.
2. Identificación y selección de variables relevantes.

Del conjunto de tablas que contemplan el circuito de pacientes atendidos en urgencias, se

seleccionaron los siguientes datos para el procesamiento:
 NOMBRE DEL CAMPO VALORES POSIBLES
Financiación 0,1,2,3,4,5,6,7,8,9,10
Día de atención Fecha
Hora de atención 00:00 a 23:59
Motivo de atención 0,1,2,3,4,5,6,9
Patología 1,2,3,4,5,6,7
P10 1,2
Identificación aportada 1,2,3,4,5,6
Fecha de alta Fecha
Hora de alta 00:00 a 23:59
Motivo de alta 0,1,2,3,4,5,6,7,8,9,10
Servicio de alta 36 valores correspondientes a los distintos servicios.

3. Preprocesamiento de los datos.

 Discretización y limitación de rangos.

Hubo que discretizar los siguientes valores:

a. Día de atención:

Discretización: se pasó a valores enteros correspondientes al día de la semana. 1:

Lunes...

7: Domingo

b. Hora de atención:

Discretización: se pasó a valores enteros entre 0 y 24 correspondientes a la hora de

llegada

Agrupación en rangos: Se definen 3 rangos horarios correspondientes a los turnos de

personal: M: de 8 a 15 horas

T: de 15 a 22 horas

N: de 22 horas a 8 de la mañana.

 Definición de nuevas variables:

Se definieron las siguientes variables adicionales, relevantes para el circuito de atención
del paciente en urgencias:

a. Horas de estancia en urgencias:

Correspondiente al número de horas que permanece el paciente en el servicio de urgencias, y

calculada a partir de los datos de fecha y hora de atención y fecha y hora de alta.

Agrupación en rangos: se definen como rangos significativos de estancias del

paciente en urgencias los siguientes:

1: de 0 a 8 horas

2: de 8 a 72 horas

3: más de 72 horas

b. Centro de atención:

El Hospital dispone de tres servicios de urgencias correspondientes a los distintos

centros que lo componen, así se generó una variable con tres valores posibles:

Agrupación en rangos:

M: Centro A

Q: Centro B

T: Centro C

 Eliminación de variables:

Se consideró que las variables fecha de alta y hora de alta no eran de especial interés,
puesto que lo realmente significativo es la duración de la estancia, así que se decidió no
incluir estas variables en el estudio.

1. Construcción de la estructura de Red Bayesiana.

Se ha realizado basándose en las once variables seleccionadas incluidas en las tablas

que almacenan los datos de la atención de los pacientes que asisten en urgencias.

a. Selección de registros.
 Se tomaron los datos históricos almacenados en las tablas correspondientes a
32000 asistencias de pacientes a urgencias durante el año 2001 en los tres
centros considerados.

b. Procesamiento de la información.

Adecuación de la información generada a las características necesarias para la

utilización del algoritmo de aprendizaje.

c. Utilización de algoritmo de aprendizaje automático.

Empleando como entradas los datos debidamente procesados y en el formato adecuado,

se utilizó un algoritmo de aprendizaje de Redes Bayesianas, denominado BENEDICT
(BElief NEtwork DIscovery using Cut-set Techniques) y desarrollado en la Universidad
de Granada, que sigue los siguientes pasos:

1. Captura de los datos a los previamente formateados.

2. Generación de un modelo gráfico representando las distintas variables del
circuito (nodos de un grafo).
3. Estimación de interacciones (dependencias) entre las variables identificadas
(arcos entre los nodos correspondientes), utilizando una técnica de búsqueda
heurística basada en medidas de entropía cruzada y tests de independencia
condicional.
4. Estimación de probabilidades.

A. Para nodos raices (nodos sin padres en el grafo): Cálculo de la

probabilidad de cada uno de los valores posibles de la variable.
B. Para el resto de nodos: Estimación de las distribuciones de probabilidad
condicionada de cada variable para cada uno de los valores posibles del
conjunto de variables padres de la misma en el grafo.
C. En ambos casos se ha empleado un estimador de máxima verosimilitud
(frecuencias relativas).

RESULTADOS

1. Representación.

Dados los datos almacenados en las tablas que registran la atención del paciente en
urgencias, se ha construido una Red Bayesiana que representa el circuito.
 

2. Interpretación.

Los arcos en el grafo se identifican con relaciones de dependencia entre las variables
que conectan (conocer el valor de una variable influye en nuestro conocimiento sobre el
valor que pueda tomar la otra variable). Las direcciones de los arcos, aunque en algunos
casos pueden interpretarse como relaciones de causalidad, estrictamente representan
distintos tipos de relaciones de dependencia/independencia entre las variables no
adyacentes en el grafo.

La estructura de red generada se puede interpretar de la siguiente forma:

I. Si en el modelo aparece la relación A B, significará que hay una relación de

dependencia directa entre A y B, dependencia que no puede eliminarse por
medio del conocimiento de ninguna otra variable.
II. Si en el modelo aparece la relación A B C, A B C o A B C,
significará que existe una dependencia (dependencia marginal) entre A y C, pero
dicha dependencia es indirecta, puede convertirse en una independencia
(independencia condicional) mediante el conocimiento del valor de la variable
intermedia, B.
III. Si en el modelo aparece la relación A  B  C, significará que A y C son a
priori independientes (independencia marginal), es decir, conocer el valor de A
no aporta información adicional sobre el posible valor de B. En cambio, A y C
 se vuelven dependientes (dependencia condicional) cuando se conoce el valor de
la variable intermedia, B.

Se dispone por tanto de un modelo de representación combinado:

a. Representación cualitativa de las interacciones entre las variables en términos de

relaciones de dependencia/independencia y/o causalidad.
b. Representación cuantitativa, basada en probabilidades, que permite presentar el
grado de certidumbre que se tiene sobre las interacciones.

El estudio del circuito, basándose en el modelo de Red Bayesiana generado, permite

precisar las complejas interacciones entre los elementos que lo componen, así como la
evaluación del impacto en la organización por la modificación de algún elemento del
mismo.

3. Conclusiones

Del estudio de las relaciones que representa el modelo se pueden sacar algunas
conclusiones:

1. Hay una fuerte interacción entre los valores de las variables Servicio, Turno y
Día de atención, ya que conforman una subestructura completamente conectada
dentro de la red global. Las relaciones entre Día de atención y Servicio, y entre
Día de atención y Turno parecen responder al hecho de que la utilización de los
diferentes servicios no es homogénea a lo largo de los distintos días de la
semana y las distintas horas del día.
2. También existe una gran interacción entre las variables Motivo de atención,
Turno y Día de atención, que resulta bastante natural.
3. Las relaciones de Servicio con Centro de atención es evidente por ser una
variable derivada de la anterior.
4. La Financiación depende de la Patología (por la facturación a mutuas,
compañías aseguradoras, etc.) Tabmién depende de la Identificación aportada
(piénsese por ejemplo en accidentes de tráfico o de trabajo). También se observa
que el tipo de Financiación se distribuye de forma diferente en función de la
Hora de atención.
5. La variable Hora de atención está relacionada con muchas otras. Por ejemplo, la
posibilidad de acceder a urgencias por un motivo concreto depende de la hora de
ingreso. Así mismo, el Motivo de atención no es homogéneo a lo largo de los
días de la semana. La relación entre Día de atención y Horas de estancia puede
explicarse posiblemente por la saturación de las urgencias a ciertos días.
6. La red obtenida también representa un buen número de relaciones de
independencia. Por ejemplo, Horas de estancia es condicionalmente
independiente de Motivo de alta, cuando se conoce el Servicio. O Financiación
es independiente de todas las restantes variables, si se conocen los valores de
Patología e Identificación aportada.
 

Además de la representación cualitativa y cuantitativa de las relaciones entre las

distintas variables, la red Bayesiana obtenida puede utilizarse con propósitos
predictivos, mediante el empleo de los métodos de inferencia y propagación de la
evidencia disponibles en este tipo de formalismo. Por ejemplo, se podrían predecir las
horas de estancia más probables para determinadas Horas de atención o Servicios;
también se podría estimar, por ejemplo, la distribución del Motivo de alta en función del
Turno de llegada. En general, la red puede utilizarse para calcular la distribución de
probabilidad de cualquier subconjunto de variables condicionada a cualquier otro
subconjunto.

Estas utilidades son interesantes para la simulación de circuitos y optimización de los

mismos, ya que se puede, utilizando un modelo teórico, extraer conclusiones sobre las
repercusiones que tendría en un circuito real.

DISCUSION

La complejidad de los circuitos asistenciales y la integración en el Hospital necesita de

herramientas adecuadas para su representación, estudio y optimización. Las Redes
Bayesianas constituyen un formalismo de representación del conocimiento con
incertidumbre muy atractivo, resultado de la sinergia entre métodos estadísticos de
análisis de datos y técnicas de Inteligencia Artificial, que ha sido aplicado con éxito en
muy diversos campos. Sin embargo, sus aplicaciones en el ámbito de la Medicina se han
centrado esencialmente en problemas de diagnóstico, como herramientas de ayuda al
facultativo. La novedad de este trabajo estriba en la aplicación de la tecnología de las
redes Bayesianas a problemas de gestión hospitalaria.

En el caso concreto de los circuitos sanitarios es especialmente atractivo, ya que las

mejoras proporcionadas por la modelización de circuitos repercutirán directamente en la
calidad de atención al paciente y en la optimización de recursos.

BIBLIOGRAFIA