Modelo analítico para la optimización de servicios y recursos críticos en el área de emergencias del Hospital General Quevedo 2020 – 2024
Authors
Loading...
Date
2025
Directors
Journal Title
Journal ISSN
Volume Title
Publisher
Quevedo: UTEQ
Abstract
Este estudio presenta un modelo analítico híbrido para optimizar la asignación de recursos críticos en el servicio de emergencias del Hospital General Quevedo (2020– 2024). A partir de 385.604 registros administrativos se realizó un proceso de preprocesamiento y limpieza de datos (fechas, horas, flags de transferencia y variables derivadas como edad y duración de estancia). Se exploraron patrones mediante análisis descriptivo, correlaciones y segmentación con MiniBatch K-Means. Se compararon cinco modelos supervisados (Regresión Logística, Random Forest, XGBoost, KNN y SVM) usando métricas multicriterio (Accuracy, F1-macro, sensibilidad, especificidad y AUC), identificando a XGBoost afinado como el más adecuado para discriminar prioridades clínicas. Las predicciones alimentaron un modelo de Programación Entera que asigna camas censables y no censables y considera médicos por turno; se evaluó su eficacia mediante cobertura por prioridad, utilización de camas y tiempo de espera. Los resultados muestran que, si bien la optimización prioriza adecuadamente los casos críticos, requiere incorporar restricciones de cobertura mínima o términos multi-objetivo para garantizar equidad frente a la alta demanda de casos moderados. Se discuten implicaciones operativas y recomendaciones para la implementación práctica en el hospital.
Description
This study proposes a hybrid analytical model to optimize allocation of critical resources in the Emergency Department of Hospital General Quevedo (2020–2024). Using 385,604 administrative records, we performed extensive data preprocessing and cleaning (dates, times, transfer flags and derived features such as age and length of stay). Exploratory analyses, correlation matrices and segmentation with MiniBatch K-Means identified key patterns. Five supervised classifiers (Logistic Regression, Random Forest, XGBoost, KNN and SVM) were compared with a multicriteria framework (Accuracy, F1-macro, sensitivity, specificity and AUC), with tuned XGBoost selected as the best discriminator of clinical priority. Predictions fed an Integer Programming model that assigns censable and non-censable beds and accounts for physicians per shift; model effectiveness was measured via coverage by priority, bed utilization and waiting time. Results indicate the optimizer attends critical cases effectively but needs minimum coverage constraints or a multi-objective term to improve equity under high volumes of moderate-priority cases. Operational implications and practical recommendations for hospital deployment are discussed.
Keywords
Gestión de recursos, Emergencias hospitalarias, Aprendizaje automático, Optimización entera
Citation
Ramírez Vergara, Víctor Stiven (2025). Modelo analítico para la optimización de servicios y recursos críticos en el área de emergencias del Hospital General Quevedo 2020 – 2024. Quevedo. UTEQ. 71 Paginas