Modelo de hospitalización UCI Covid-19

La pandemia de COVID-19 ha agotado los recursos hospitalarios y ha hecho necesaria la

necesidad de modelos predictivos para pronosticar las demandas de atención del paciente a

fin de permitir la asignación de recursos y personal adecuados. Recientemente, otros

estudios han analizado las asociaciones entre los datos que proporciona la web y el número

de casos de COVID-19. Ampliando este enfoque, proponemos un modelo de corrección de

errores vectoriales (VECM) para la cantidad de pacientes con COVID-19 en un sistema de

atención médica (Censo) que incorpora la actividad de los términos de búsqueda de Google

y las puntuaciones del chatbot de atención médica. El VECM proporcionó un buen ajuste al

censo y muy buen desempeño de pronóstico según lo evaluado por las pruebas de hipótesis

y el error de predicción porcentual absoluto medio. Aunque nuestro estudio y modelo

tienen limitaciones, Hemos realizado una búsqueda amplia y profunda de posibles variables

de Internet y hemos empleado métodos estadísticos rigurosos. Hemos demostrado que el

VECM puede ser potencialmente un componente valioso para un programa de vigilancia de

COVID-19 en un sistema de salud.

El coronavirus SARS-CoV-2, que surgió inicialmente en Wuhan, China, en diciembre de

2019, se ha extendido por todo el mundo en lo que ahora se describe como la pandemia de

COVID-19. El brote de coronavirus fue declarado una emergencia de salud pública

mundial 1 por la Organización Mundial de la Salud [OMS] el 30 de enero de 2020, y al 17

de octubre, había más de 39 millones de casos confirmados en todo el mundo con más de

un millón de vidas perdidas . Si bien la evidencia respalda la efectividad de las pautas y

restricciones para contener la propagación del SARS-CoV-2 (“aplanar la curva”), las

consecuencias económicas y para la salud han sido devastadoras en muchos niveles .

Si bien la mayoría de los paises evitaron un rápido aumento de casos durante la primera

fase de la pandemia, la mayoría de ellos ha comenzado a eliminar el distanciamiento social

y las restricciones de acumulación, lo que genera preocupación de que veremos grandes

aumentos en la incidencia de infecciones y la mortalidad

Como se ha visto en esta pandemia, cuando la prevalencia del SARS-CoV-2 crece

rápidamente y alcanza niveles altos en una comunidad, un gran número de personas

desarrollan una infección sintomática por COVID-19. Muchos requieren hospitalización, y

esto tiene la capacidad de abrumar los recursos regionales de atención médica (por ejemplo,

el norte de Italia y Nueva York). Reconociendo este riesgo, los sistemas de atención médica

han implementado planes de crisis para guiar el manejo de infecciones, la capacidad de las

camas y asegurar los suministros vitales (por ejemplo, ventiladores y equipo de protección

personal) . Idealmente, los esfuerzos de los sistemas de salud para prepararse mejor para los

aumentos repentinos de la demanda de COVID-19 se basarían en datos que brinden una

alerta temprana, o "tiempo de espera", sobre la prevalencia local y el impacto del COVID-

19.

Los modelos epidemiológicos tradicionales (por ejemplo, el modelo SIR) no brindan a los

líderes del sistema de salud un tiempo de anticipación para una planificación precisa. En la

búsqueda de indicadores líderes, los investigadores han recurrido a datos de Internet que

reflejan tendencias en los comportamientos y actividades de la comunidad. En los últimos

años, los investigadores en el campo de la infodemiología han utilizado varios datos de

búsqueda en Internet para predecir diferentes métricas relacionadas con la salud, como la

incidencia del dengue , la comunicación del riesgo de enfermedades infecciosas , el

monitoreo de la epidemia de influenza y la vigilancia de la malaria . la web es una de las

herramientas más populares que permite a los investigadores extraer datos de consultas de

búsqueda de una muestra aleatoria y representativa extraída de miles de millones de

búsquedas diarias en los motores de búsqueda asociados a internet .

Además de los datos de consulta de búsqueda de los usuarios de Internet, otra fuente de

datos que es importante para la investigación de salud pública son los datos de movilidad

geoespacial. Desde el brote inicial de COVID-19 en Wuhan, China, los investigadores han

creído que la movilidad de la población es un factor importante del crecimiento

exponencial del número de casos infectados . Ahora es bien aceptado que la reducción de

la movilidad y el distanciamiento social son medidas oportunas y efectivas para atenuar la

transmisión de COVID-19 . Por lo tanto, es lógico pensar que los cambios de movilidad

pueden ser un predictor del volumen de casos hospitalarios de COVID-19. Hay muchos

paneles interactivos diferentes disponibles que muestran datos de movilidad regional

actualizados que están disponibles públicamente, sobre todo de Facebook . En este

documento, consideramos específicamente los informes de tendencias de movilidad de

Apple y los mapas de rango de movimiento de Facebook, que son datos de movilidad

informados en forma de información agregada protegida por la privacidad.

Otra área con gran potencial para modelar el volumen de casos hospitalarios de COVID-19

son los datos generados por los sistemas de triaje virtuales basados en IA (también

conocidos como “chatbots de atención médica”). Durante la pandemia de COVID, estos

chatbots se implementaron para brindar consultas virtuales a las personas que están

preocupadas por tener SARS-CoV-2 . En particular, Microsoft ofrece su servicio Health

Bot a organizaciones sanitarias . El contenido médico, junto con un verificador de síntomas

interactivo, un flujo de conversación personalizado y un sistema de asistentes personales

digitales se pueden integrar en la configuración del bot de salud para ayudar a detectar a las

personas en busca de una posible infección por coronavirus a través de una evaluación de

riesgos . Los resultados de los usuarios (sin información de identificación personal) se

pueden agregar, y la cantidad de personas "marcadas" con COVID-19 podría usarse

potencialmente para predecir el volumen de casos hospitalarios de COVID-19 en el futuro.

Específicamente, si un hospital tiene su propio bot de salud para entregar una evaluación de

riesgo de COVID-19 de telesalud al público, entonces es razonable esperar que las personas

identificadas con COVID-19 probablemente busquen tratamiento en el mismo hospital. .

Los resultados de hospitalización, ingreso en UCI, asistencia respiratoria y recuperación o

muerte para las personas infectadas con el SARS-CoV-2 están considerablemente

desequilibrados, de ahí la relevancia de las vistas de recordatorio de precisión colocadas y

recordatorio multiclase. En particular, considerar tanto una optimización equilibrada de

precisión de recuperación como una optimización orientada a la recuperación es relevante

para las decisiones clínicas. Cuando los equipos asignados tienen la capacidad de

monitorear de forma remota a los pacientes infectados con SARS-CoV-2, se deben

perseguir los modelos predictivos optimizados con un esquema que priorice la recuperación
para garantizar que ningún paciente vulnerable se quede fuera. No obstante, cuando la

capacidad de monitorización es limitada, es necesaria una mayor atención a la precisión, y

solo los pacientes más vulnerables (como lo sugieren los modelos predictivos optimizados

con vistas equilibradas de precisión de recuerdo) deben ser monitorizados de forma

tentativa.

Se proporciona los resultados relacionados con la capacidad de los modelos para predecir

la necesidad de que los individuos sean hospitalizados una vez que se les haya realizado la

prueba de SARS-CoV-2 positivo dado su (1) grupo demográfico (edad y sexo) y (2)

factores de comorbilidad. Los factores de comorbilidad se categorizaron de acuerdo con la

presencia o ausencia de afecciones renales, asma, pulmón, cáncer, neuromusculares,

diabetes, VIH, cardíacas y del embarazo. Los individuos no hospitalizados sin un resultado

claro (recuperación o muerte) fueron excluidos de este análisis. proporciona la curva

característica de funcionamiento del receptor por predictor para cada ajuste de

optimización.

En general, observamos que casi el 90% de las necesidades de hospitalización se podían

identificar en el momento de la prueba del SARS-CoV-2. Este nivel de recuerdo /

sensibilidad se observó a expensas de una precisión aproximada del 55%, lo que significa

que de hecho se observaron más de la mitad de las necesidades de hospitalización previstas.

La regresión logística y MLP fueron los modelos de clasificación con mejor rendimiento

según la puntuación F1 y el recuerdo, respectivamente. La superioridad estadística se

verificó para la regresión logística pero no MLP contra modelos de pares (en 𝞪 = .05).
Estos resultados proporcionan evidencia empírica sobre el papel de estos predictores en el

apoyo a las decisiones individuales de monitoreo remoto.

Modelo Optimización F1, media (DE) Optimización orientada al recuerdo (F β = 2 )

Puntuación F1 Recordar Puntuación F1 Recordar

KNN a 0,544 (0,007) 0,883 (0,020) 0,545 (0,005) 0,890 (0,017)

DT b 0,562 (0,030) 0,837 (0,069) 0,548 (0,004) 0,897 (0,007)

RF c 0,535 (0,010) 0,878 (0,016) 0,541 (0,005) 0,874 (0,029)

XGB d 0,546 (0,004) 0,897 (0,012) e 0,545 (0,004) 0,895 (0,011)

LR f 0,582 (0,006) e 0,878 (0,015) 0,583 (0,010) e 0,879 (0,015)

MLP g 0,549 (0,006) 0,892 (0,010) 0,551 (0,003) 0,897 (0,011) e

LGBM h 0,545 (0,005) 0,893 (0,013) 0,545 (0,005) 0,893 (0,016)

a
 KNN: k-vecinos más cercanos.
b
 DT: árbol de decisión.
c
 RF: bosque aleatorio.
d
 XGB: XGBoost.
e
 Modelos de mejor rendimiento
f
 LR: regresión logística.
g
 MLP: perceptrón multicapa.
h
 LGBM: LightGBM.
Conclusión:

Las proyecciones indican el alto impacto de las medidas de distanciamiento social

y enfatizar la aplicabilidad de los indicadores públicos para el monitoreo de COVID-19.

Palabras clave: Infecciones por coronavirus; Unidades de cuidados intensivos; Ocupación

de camas; Evaluación de salud; Política pública

BIBLIOGRAFIA:

https://saludata.saludcapital.gov.co/osb/index.php/datos-de-salud/enfermedades-

trasmisibles/ocupacion-ucis/

http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S2500-50062020000300327