“COVID-19: Short-term forecasting of ICU beds in times of crisis”, es el título del paper e investigación desarrollada por Marcel Goic, Mirko Bozanic-Leal, Magdalena Badal y Leonardo Basso, de la Universidad de Chile y del Instituto Sistemas complejos de Ingeniería (ISCI).

La crisis de la pandemia detonó nuevos obstáculos y problemáticas, especialmente para los hospitales, haciendo que su labor para recibir a personas contagiadas con COVID-19 fuera caótica por la falta de camas y espacios para recibir en Cuidados Intensivos.

Ante esto, un grupo de ingenieros chilenos desarrollaron una tecnología capaz de predecir el número de camas que estaban ocupadas en las Unidades de Cuidados Intensivos (UCI) para poder ser capaces de prever la demanda durante los picos más críticos de la pandemia.

Todo esto buscando tener un sistema eficaz y eficiente que ayudara a la gestión y a la toma de decisiones que sirviera para plantear la capacidad y los requerimientos de camas para los pacientes con COVID-19 en los momentos con mayor alza de contagios.

¿Cómo funciona dicho sistema?

El paper COVID-19: Short-term forecasting of ICU beds in times of crisis, que se encuentra ya publicado en la revista científica PLOS One, muestra el enfoque utilizado para poder predecir la demanda, enfatizando que aún con información incompleta es posible usar herramientas avanzadas de análisis de datos para apoyar decisiones urgentes. En este caso, se utilizaron una serie predicciones disponibles, combinando modelos epidemiológicos, de machine learning y autorregresivos, para poder proporcionar una simulación a corto plazo de la utilización de camas UCI a nivel regional. De esta manera, pudieron capturar diferentes componentes de la evolución del brote, desarrollando una solución que generara predicciones de la cantidad de camas de UCI que necesitaría cada región del país con un horizonte temporal de 14 días por delante.

La máquina de pronóstico se encarga de usar distintas series de tiempo agregadas a nivel regional. Estas series representan distintos eventos atingentes al COVID-19 en todas las regiones de Chile. La serie de tiempo principal es la de camas UCI; la cual a su vez es acompañado como variables exógenas, por otras series tales como: (1) cantidad de nuevos casos sintomáticos por día en cada región, (2) número de test PCR realizados por día en cada región y (3) la tasa de positividad obtenida de la división entre número de nuevos test y número de nuevos casos confirmados.
Con esta información, se utilizan distintos modelos de naturalezas diversas tales como: autorregresivos, epidemiológicos y de machine learning. En los primeros, se aprovecha la relevancia otorgada a la historia de cada una de las variables exógenas anteriormente mencionadas. Esta relevancia crea un desfase en la información, pues lo que ya ocurrió en un periodo pasado, se lleva como información al presente, desplazando toda la historia con él. Basándose en esta historia desfasada, es cómo se termina proyectando la serie postulada de camas UCI.

Por otra parte, en el caso de los algoritmos de machine learning, se utilizaron modelos de redes neuronales. La gracia – y diferencia – que poseen estos modelos con los autorregresivos, es que deciden el futuro basado en distintos escenarios posibles. Toman cierta información y la llevan a otra neurona. Con esa idea, se formaliza una secuencia de información que termina por ponderar de manera distinta la data contenida en cada una de las series. De esta manera, al tener un set de secuencias de información, se evalúa para elegir el mejor postulado con base en un ponderador final, como lo fue la mediana en el caso del paper.

Finalmente, para la naturaleza de modelos epidemiológicos, se utilizó un modelo comportamental bautizado ICD (the number of Infectious individuals who show symptoms of COVID-19 – the number of Critically ill people who need an ICU bed – the number of individuals who are Discharged from the ICU) el cual, mediante el uso de teoría de conservación de flujo, se encarga de modelar las distintas etapas de sucesión, desde que una persona se enferma de COVID-19, hasta que sale del área de cuidados intensivos post uso de camas UCI. Esta clase de modelos aprovecha las probabilidades de ocurrencia para decidir a qué etapa termina derivándose la información analizada.Es así como se permite proyectar el futuro en base a la seguidilla de sucesos nombrados anteriormente.

Con estos resultados, se mantiene el modelo ICD y se descartan otros 2 modelos (de un total de 5) con un criterio de desviación; si un modelo está muy desviado en su proyección con respecto al resto, entonces debe descartarse. Esto aplica tanto para una desviación superior (mayor en cantidad) como para una desviación inferior (menor cantidad). Por lo tanto, descartados los modelos, se promedian los 4 finales para dar paso al ensemble method postulado por el paper llamado: Conditional Trimmed Mean. Este último se encargaba de promediar siempre 3 modelos de autorregresión (o de machine learning) con el modelo epidemiológico ICD, capturando de esta forma 3 naturalezas distintas a lo largo de los distintos periodos de análisis.

Esta información fue de uso público y se utilizó activamente en la planificación de capacidad de estas camas, teniendo un margen de error de entre 4% y 9% considerando un horizonte máximo una a dos semanas respectivamente, lo que mejoró los resultados entregados por otros modelos de pronóstico disponibles.

Este modelo predictivo hoy figura como uno de los trabajos semifinalistas del Innovative Applications in Analytics Award, impulsado por la Analitycs Society of INFORMS, Kinaxis y Adelphi University. La finalidad del premio es reconocer el uso creativo y único de la combinación de técnicas analíticas de alto impacto, que tengan una aplicación poco usual y que entreguen información relevante o de valor con su resultado.

Una de las distinciones que conlleva este premio es poder presentar la investigación en el INFORMS Annual Meeting, una de las conferencias más importantes en Business Analytics & Operations Research que se realiza en Estados Unidos, y que, por contingencia sanitaria, se realizaría de manera virtual.

En el siguiente link, podrán tener acceso al paper completo:

https://journals.plos.org/plosone/article/related?id=10.1371/journal.pone.0245272