Aprendizaje automático aplicado a la predicción de tipos de trabajo

Resumen

Objetivo: Desarrollar modelos esta- dísticos, utilizando técnicas de Machine Learning (ML), para modelar y predecir indicadores asistenciales y administrativos en el Complejo Hospitalario. Métodos: El estudio fue realizado utilizando los Formularios de Seguimiento/Evaluación, donde se obtienen datos de pacientes en trabajo de parto que tuvieron parto normal o cesárea en el Centro Obstétrico de Maternidade. Estos datos se utilizaron para generar el modelo de Machine Learning. Resultados: El modelo Decision Tree logró la mayor precisión en comparación con los otros modelos probados, lo que indica su capacidad para hacer las predicciones correctas en una proporción significativa. Conclusión: El modelo logró revelar que el tipo de parto por cesárea fue el modo de parto más prevalente entre los participantes del estudio, correspondiendo a más del 50% de todos los partos. La posibilidad de extender el proyecto a otras universidades tendría un impacto positivo, ya que podría aportar información valiosa para mejorar la toma de decisiones sobre el tipo de parto en diferentes contextos sanitarios.