La demanda de transporte en la asistencia sanitaria es un factor importante en la planificación y gestión eficiente de los servicios de salud. Conocer el número de servicios necesarios permite a las empresas de transporte optimizar recursos, dando a la población una mejora de la accesibilidad y una mejor planificación de los servicios de emergencia, así como la calidad de la atención.
Este trabajo aborda la demanda de transporte en la asistencia sanitaria a través de la aplicación de técnicas de análisis y minería de datos. Se analizan los datos de servicios de transporte sanitario realizados en Asturias durante siete años, con el objetivo de predecir el número de servicios futuros. Cuando se busca predecir el número de servicios de transporte sanitario que habrá a futuro, se debe crear un modelo que tenga en cuenta diferentes variables predictoras.
Sin embargo, tratar con una gran cantidad de datos y variables predictoras, puede dar lugar a un proceso de entrenamiento del modelo muy costoso computacionalmente, y la interpretación de los resultados puede ser difícil. Para solucionarlo, se emplean técnicas de análisis y minería de datos con el fin de identificar las variables más relevantes para el diseño de los modelos, lo que permite reducir los costes computacionales sin comprometer la precisión de las predicciones.
The demand for transport in healthcare is an important factor in the efficient planning and management of healthcare services. Knowing the number of services needed allows transport companies to optimize resources, giving the population improved accessibility and better planning of emergency services, as well as quality of care.
This study addresses the demand for transport in healthcare through the application of data mining and analysis techniques. Data on health transport services performed in Asturias for the past seven years are analyzed with the aim of predicting the number of future services. When seeking to predict the number of health transport services in the future, a model that takes into account different predictor variables must be created.
However, dealing with a large amount of data and predictor variables can lead to a computationally expensive model training process, and interpretation of the results can be difficult. To solve this problem, data mining and analysis techniques are used to identify the most relevant variables for model design, thus reducing computational costs without compromising the accuracy of the predictions.
