Validación de mercado
Las soluciones de salud predictiva utilizan datos de:
Historias clínicas electrónicas.
Wearables.
Factores externos.
Esto permite anticipar eventos y mejorar la eficiencia operativa.
Además, el 60 % de los hospitales estará utilizando alguna herramienta de análisis predictivo en 2025, lo que confirma el creciente interés por modelos que optimicen la planificación de recursos y logísticas.
Expectativa
Diseñar un sistema de machine learning que pronostique la demanda de:
Camas.
Consultas.
Procedimientos en distintos servicios (urgencias, cirugía, consultorios externos).
A partir de:
Datos históricos.
Calendarios de eventos.
Variables climáticas.
Tendencias epidemiológicas.
Las predicciones permitirán ajustar agendas, dimensionar personal y aprovisionar insumos.
Entregables deseados
Conjunto de datasets históricos consolidados (ocupación de camas, consultas, intervenciones, variables estacionales).
Modelos de predicción de series temporales (p. ej., ARIMA, Prophet, LSTM) con métricas de rendimiento.
API para consultar las proyecciones y dashboards visuales de demanda por servicio y fecha.
Informe con recomendaciones de planificación basada en los resultados y documentación técnica.
Must-have
Ingesta y limpieza de datos de admisiones, procedimientos y calendarios.
Entrenamiento y validación de modelos de pronóstico con capacidad para actualizarse periódicamente.
Visualización de predicciones en un dashboard interactivo, con filtros por área hospitalaria.
Alertas automáticas a gestores cuando se detectan picos de demanda futuros.
Nice-to-have
Inclusión de variables externas (clima, eventos locales) para mejorar la precisión.
Simulación de escenarios (p. ej., brotes epidémicos, feriados) para planificar recursos adicionales.
Exportación de los datos y predicciones a formatos abiertos (CSV, Excel).
Módulo de recomendaciones para redistribución de personal y horarios.
Nathaly JesseniaData analyst
BarbaraMachine Learning Engineer
