Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modelo de Hospitalización UCI Covid
Modelo de Hospitalización UCI Covid
necesidad de modelos predictivos para pronosticar las demandas de atención del paciente a
estudios han analizado las asociaciones entre los datos que proporciona la web y el número
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
tienen limitaciones, Hemos realizado una búsqueda amplia y profunda de posibles variables
2019, se ha extendido por todo el mundo en lo que ahora se describe como la pandemia de
de octubre, había más de 39 millones de casos confirmados en todo el mundo con más de
Si bien la mayoría de los paises evitaron un rápido aumento de casos durante la primera
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
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
búsqueda en Internet para predecir diferentes métricas relacionadas con la salud, como la
herramientas más populares que permite a los investigadores extraer datos de consultas de
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
exponencial del número de casos infectados . Ahora es bien aceptado que la reducción de
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
Apple y los mapas de rango de movimiento de Facebook, que son datos de movilidad
son los datos generados por los sistemas de triaje virtuales basados en IA (también
chatbots se implementaron para brindar consultas virtuales a las personas que están
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
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
para las decisiones clínicas. Cuando los equipos asignados tienen la capacidad de
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
solo los pacientes más vulnerables (como lo sugieren los modelos predictivos optimizados
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)
diabetes, VIH, cardíacas y del embarazo. Los individuos no hospitalizados sin un resultado
optimización.
sensibilidad se observó a expensas de una precisión aproximada del 55%, lo que significa
La regresión logística y MLP fueron los modelos de clasificación con mejor rendimiento
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
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:
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