dc.description.abstract | El uso adecuado de los medicamentos implica que el paciente reciba cada medicamento en la dosis
correcta durante el tiempo adecuado de tratamiento y al menor costo posible, no obstante, cumpliendo estas
características el paciente no esta exento de sufrir efectos no deseados, ya que no se puede predecir el efecto
de un medicamento en los distintos organismos. Es por ello, que el presente estudio tiene como finalidad
conocer si existen factores relacionados a los pacientes que signifiquen un mayor riesgo de sufrir Eventos
Adversos a Medicamentos (EAMs), ya sean por factores biológicos o del entorno donde se desarrollan.
En primer lugar, para conocer el universo de pacientes que han sufrido daño por el consumo o
abuso de medicamentos, se utilizan los registros electrónicos de egresos hospitalarios publicados por el
Departamento de Estadística e Información de Salud del Ministerio de Salud, donde a través del diagnóstico
principal y/o secundario se determinan los registros que están asociados a EAMs, esto se logra gracias a
que los diagnósticos responden al estándar de Clasificación Internacional de Enfermedades (CIE), y a que
Jürgen Stausberg, bajo cuidadosos criterios de selección, propone un grupo de códigos de la CIE que indican
relación con los EAM . Con esta metodología se determina la variable de respuesta de esta investigación,
correspondiente a una variable cualitativa de clases binarias que responde a 1 si un egreso es atribuible al daño
por medicamentos y, por otro lado, adquiere el valor 0 si el registro no es atribuible a EAM. Para reunir el
resto de las variables, se utiliza la información de los registros electrónicos y el riesgo del entorno se aproxima
a través de la comuna de residencia del paciente, caracterizando cada egreso a través del índice de pobreza,
superficie y población comunal, dado que son las bases de datos disponibles con la mejor calidad de registro.
También, se incluyen al análisis el número de recintos de salud de cada nivel de atención, entendiéndolos
como el acceso a la salud que posee una zona, y se agrega el número de farmacias y almacenes farmacéuticos
por comuna, asociándolos a la disponibilidad y acceso a los medicamentos.
En segundo lugar, para encontrar las asociaciones entre el daño por medicamentos y las variables
de interés, se utilizan algoritmos de minería de datos correspondientes a la regresión logística y bosques
aleatorios, ambos con gran trayectoría en la clasificación. Se ajustan ambos modelos “a secas” con todas las
variables recopiladas y se utiliza la eliminación de las variables menos influyentes en cada iteración, midiendo
el rendimiento a través de la capacidad discriminativa, es decir, la capacidad de diferenciar sujetos de la clase
0 y sujetos de la clase 1, donde se obtiene una mala capacidad discriminativa en cada una de las iteraciones
evidenciando un claro sesgo a clasificar solo la clase mayoritaria dada la distribución de las clases: 0.68 %
para la clase 1 y 99.32 % para la clase 0. Para solucionar este problema, se utiliza la metodología de ajustar
parámetros propios de los algoritmos para balancear las clases durante el entrenamiento de cada modelo, sin
embargo esta técnica no es capaz de mejorar los resultados, razón por la cual se agrupan algunas variables
con el objetivo de reducir la dimensionalidad ya que podría ser un factor causante de los malos ajustes. En el
caso de la regresión logística se obtienen leves mejorías en el rendimiento alcanzando un desempeño regular, pero en bosques aleatorios continúa el mal desempeño discriminativo.
En consecuencia, se aplica una segunda técnica para mejorar el desbalance de las clases ya que las
mejoras implementadas no resultan significativas, se elije la técnica de sobremuestreo de minorías sintéticas
probando el rendimiento de los modelos con distintos niveles de la clase minoritaria. Cuando se cuenta
con un 10 % de dicha clase se obtienen grandes cambios en los rendimientos de ambos modelos, validando
que el principal problema del conjunto de datos es el desbalance entre las clases. Adicionalmente, dada
la gran magnitud de algunos coeficientes obtenidos en la regresión logística, se sospecha que responden a
la elección de la categoría de referencia dado que representan una porción muy pequeña de los datos, por
lo que se cambian las categorías de comparación para la variable sexo y previsión. Se ajustan nuevamente
los algoritmos con las muestras sintéticas, nuevas variables y nuevas categorías, obteniendo un 75 % de
rendimiento para la regresión logística, y un 93 % en el caso de bosques aleatorios, indicando una buena
capacidad discriminativa en ambos casos.
En el caso de la regresión logística, se descubre que existe 2.61 veces más riesgo de sufrir EAM, que
no sufrirlos, siendo mujer. Asimismo, se desprende que todas las categorías de la previsión de salud resultan
ser un factor protector, sin embargo, de acuerdo a la magnitud de los coeficientes, se tiene que el tramo B de
FONASA es el que presenta más riesgo dentro de este grupo, y por el otro extremo, el tramo D de FONASA
(grupo con mayores recursos económicos) es el que presenta menos riesgo en comparación al resto de los
tramos y otras previsiones de salud, cabe señalar que el resto de las variables no resultan relevantes. Con
respecto al algoritmo de bosques aleatorios se determina que la edad es el factor más relevante a la hora de
detectar el daño por medicamentos, concluyendo que el peak de casos asociados a EAM ocurren durante la
adolescencia, y en un menor grado, durante los cuatro primeros años de vida de una persona, asimismo se
desprende que mientras más avanzada la edad de un paciente, menor es la frecuencia de casos EAM. Por otra
parte, se determina que el mes de ingreso también es un factor relevante, siendo febrero donde se presenta una
menor cantidad de ingresos debido al daño por medicamentos, mientras que, la mayor cantidad de ingresos
ocurren durante los meses de agosto, octubre y noviembre. En resumen, se tiene que las variables sexo, edad y
mes de ingreso son las variables de mayor riesgo que se deben considerar para generar las acciones sanitarias
a fin de reducir los ingresos hospitalarios por el consumo o abuso de medicamentos.
Finalmente, para estudios posteriores con este conjunto de datos, se recomienda reducir la clase
mayoritaria bajo el estudio de la composición de los grupos de diagnósticos, a fin de extraer del análisis los
egresos que no tienen relación con el consumo de medicamentos, generando al menos que un 10 % de los
datos represente los EAM. También, es necesario mencionar que no existe justificación alguna para buscar
el equilibrio perfecto entre las clases, ya que con un 30 % de los datos representando al grupo minoritario,
los modelos expuestos convergen a su máximo rendimiento. Si bien es difícil lograr este valor, estudios han
demostrado que utilizar la reducción de la clase mayoritaria y el sobremuestreo de las minorías en conjunto
generan grandes resultados. | es_CL |