A risk stratification using machine learning techniques to identify types of high-risk multiple chronic conditions patients, their needs and subsequent organization of integrated care services
- Autores: Pablo Evaristo Bretos Azcona
- Directores de la Tesis: Juan Manuel Cabasés Hita (dir. tes.), Eduardo Sánchez Iriso (dir. tes.)
- Lectura: En la Universidad Pública de Navarra ( España ) en 2021
- Idioma: inglés
- Número de páginas: 114
- Títulos paralelos:
- Una estratificación del riesgo utilizando técnicas de machine learning para identificar tipos de pacientes pluripatológicos de alto riesgo, sus necesidades y posterior organización de servicios de atención integrada
- Tribunal Calificador de la Tesis: Toni Mora Corral (presid.), Laura Vallejo Torres (secret.), Nicolás Ignacio Martínez Velilla (voc.)
- Programa de doctorado: Programa de Doctorado en Economía, Empresa y Derecho por la Universidad Pública de Navarra
- Materias:
- Enlaces
- Tesis en acceso abierto en: Academica-e
- Resumen
- español
Esta tesis tiene como objetivo responder a la pregunta clave de si la población de pacientes con MEC de alto riesgo incluida en los programas de gestión de casos es heterogénea en términos de riesgo. Para ello, se presenta una estratificación de riesgo que determina si y cuántas subpoblaciones de pacientes existen, así como sus características particulares. Posteriormente, se presentan diferentes opciones para organizar y planificar los cuidados para cada subpoblación resultante. Esta estratificación ayudará a identificar aquellos subgrupos de pacientes que no se benefician de su atención actual y a adaptar las estrategias de atención para ellos, dirigiendo la atención adecuada a los pacientes adecuados. También ayuda a mejorar la eficiencia de los cuidados de los pacientes con MEC de alto riesgo. Finalmente, se exploraron los patrones de supervivencia de los subgrupos de pacientes resultantes, con el objeto de estimar el tiempo hasta la muerte para cada tipo de paciente. Estos datos ayudan a planificar los cuidados de final de vida para la población de interés. Una de las novedades que se presentan en esta tesis es que se utilizaron métodos de Inteligencia Artificial (IA) para estratificar la población en diferentes subgrupos. En particular, se utilizaron algoritmos de aprendizaje automático ('machine learning'). Esta tesis busca mejorar los resultados de salud y la atención brindada a los pacientes con MEC de alto riesgo incluidos actualmente en el programa de gestión de casos del SNS-O. La estratificación del riesgo presentada aquí consigue este propósito, identificando tipos de pacientes y ayudando a una organización y planificación de la atención que se adapte mejor a las necesidades de cada uno de ellos.
- English
This thesis aims to answer the key question of whether the high-risk MCC population included in case management programs is heterogeneous in terms of risk. For this purpose, a risk stratification is presented that determines whether and how many subpopulations of patients exist, as well as their particular characteristics. Subsequently, different options are presented to organize and plan care for each resulting subpopulation. This stratification will help to identify those subgroups of patients who do not benefit from their current care and to adapt the care strategies for them, directing the appropriate care to the appropriate patients. It also helps improve the efficiency of care for high-risk MCC patients. Finally, the survival patterns of the resulting patient subgroups were explored, in order to estimate the time to death for each type of patient. These data help plan end-of-life care for the population of interest. One of the novelties presented in this thesis is that Artificial Intelligence (AI) methods were used to stratify the population into different subgroups. In particular, machine learning algorithms were used. This thesis aims to improve the health outcomes and care provided to high-risk MCC patients currently included in the SNS-O case management program.
- español
