Publicación:

Estudio exploratorio sobre el uso de técnicas de Machine Learning para la estimación de demanda de servicios de salud

Resumen

Este estudio exploratorio analiza más de 40 artículos relacionados con el uso de técnicas de machine learning para la estimación de demanda de servicios de salud, con el fin de clasificar los algoritmos o modelos aplicados en las diferentes áreas del sector. La clasificación realizada busca facilitar a los investigadores un mejor enfoque en sus trabajos, al identificar las técnicas más empleadas y las áreas específicas en las que han demostrado mayor efectividad. En la revisión bibliográfica y clasificación permiten concluir que el aprendizaje supervisado, especialmente mediante modelos como LSTM, Random Forest, XGBoost y enfoques híbridos como BILSTM-GASVR, ha demostrado un desempeño sólido en la estimación de la demanda de servicios de salud, aplicándose en ámbitos diversos como bancos de sangre, cuidados intensivos, programas de vacunación y gestión hospitalaria, evaluados principalmente con métricas como RMSE, MAE y precisión. En este sentido, el estudio se plantea como una herramienta de apoyo para futuras investigaciones, ofreciendo una visión clara y organizada sobre el uso de estas técnicas en el ámbito de la salud.