SciELO - Scientific Electronic Library Online

 
vol.14 número2DESARROLLO DE UN INSTRUMENTO VIRTUAL PARA EL BALANCEAMIENTO DINAMICO DE ROTORESLIDERAZGO TRANSFORMACIONAL Y TRANSACCIONAL: UN ESTUDIO DE SU INFLUENCIA EN LAS PEQUEÑAS EMPRESAS índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Ingeniare. Revista chilena de ingeniería

versión On-line ISSN 0718-3305

Ingeniare. Rev. chil. ing. v.14 n.2 Arica ago. 2006

http://dx.doi.org/10.4067/S0718-33052006000100009 

  Ingeniare - Revista Chilena de Ingeniería, vol. 14 No. 2, 2006, pp. 153-158

USO DE CADENAS DE MARKOV PARA LA PREDICCIÓN DE LA DINÁMICA DEL COMPORTAMIENTO DE PACIENTES EN UNA UNIDAD DE CUIDADO INTENSIVO CARDIOLÓGICA

USE OF MARKOV CHAINS IN PREDICTION OF THE DYNAMICS OF PATIENT BEHAVIOR IN A CARDIOLOGIC INTENSIVE CARE UNIT

Víctor Albornoz1    Mónica Hinrichsen2   Patricia Miranda2   Pedro Peña1

1 Departamento de Industrias. Universidad Técnica Federico Santa María. Av. Santa María 6400. Santiago. Chile. E-mail: victor.albornoz@usm.cl

2 Hospital Dr. Luis Calvo Mackenna. Servicio de Cardiología. Av. Antonio Varas 360. Santiago. Chile.



RESUMEN

En este trabajo presentamos un modelo probabilístico que contribuye al estudio de la dinámica en el comportamiento y permanencia de pacientes en una unidad de cuidados intensivos cardiológica. El modelo utilizado corresponde a una Cadena de Markov en tiempo discreto, que mediante la definición de determinados niveles de gravedad de un paciente (estados) y la obtención de las correspondientes probabilidades de transición entre un nivel de gravedad y otro, permite predecir los tiempos de permanencia. Los diferentes estados empleados se basan en la construcción de un nuevo score creado para este propósito. Se muestran los detalles de la metodología adoptada y los principales resultados alcanzados en la aplicación del modelo empleado.

Palabras clave: Cadenas de Markov, modelo probabilístico, unidad de cuidado intensivo, permanencia de pacientes, score.

ABSTRACT

In this paper we present a probabilistic model that contributes to the study of dynamics in the behavior and permanence of patients in a cardiovascular intensive care unit. The model corresponds to a discrete Markov Chain, that allows to predict the time that a patient remains in the system through the time, by means of certain severity of illness states and the corresponding transition probabilities between those states. The different states are based on the construction of a new score created for this study. We summarize the details of the adopted methodology and the main results reached in the application of the model.

Keywords: Markov chains, probabilistic model, intensive care unit, length of hospital stay, score.



AGRADECIMIENTOS

Los autores desean agradecer muy sinceramente al Editor de la revista y a cada uno de los árbitros anónimos que participaron en su revisión, por sus valiosas observaciones y sugerencias que contribuyeron a mejorar la versión inicial de este artículo.

Los autores agradecen igualmente el apoyo de la Dirección General de Investigación y Postgrado de la Universidad Técnica Federico Santa María, a través del financiamiento otorgado al Proyecto de Investigación USM 28.04.21.

 

REFERENCIAS

[1] M.W. Carter. C.C. Price. “Operations Research: A practical introduction”. CRC Press. USA. 2001.         [ Links ]

[2] D.J. White. “Further real applications of markov decision processes”. Interfaces, Vol. 18 Nº 5, pp.55-61. 1988.         [ Links ]

[3] F.A. Sonnenberg, J.R. Beck. “Markov models in medical decision making”. Medical Decision Making, Vol. 13, pp. 322-338. 1993.         [ Links ]

[4] N. Aikawa, S. Fujushima, M. Kobayashi, S. Matsuoka, T. Abiru. “Cost-minimization analysis of sivelestat for acute lung injury associated with systemic inflammatory response syndrome”. Pharmacoeconomics. Vol. 23 Nº 2, pp. 169-181. 2005.         [ Links ]

[5] R. Bauerle, A. Rucker, T.C. Schmandra, K. Holzer, A. Encke, E. Hanisch. “Markov cohort simulation study reveals evidence for sex-based risk difference in intensive care unit patients”. American Journal of Surgery. Vol. 179 Nº 3, pp. 207-211. 2000.         [ Links ]

[6] D. Collart, A. Haurie. “On the control of care supply and demand in a urology department”. European Journal of Operational Research. Vol. 4 ;Nº 3, pp. 160-172. 1980.         [ Links ]

[7] R. Launois, M. Giroud, A.C. Mégnigbêto, K. Le Lay, G. Présenté, M.H. Mahagne, I. Durand, A.F. Gaudin. “Estimating the cost-effectiveness of stroke units in France compared with conventional care”. Stroke. Vol. 35, pp. 770-775. 2004.         [ Links ]

[8] S.B. Patten. “Markov models of major depression for linking psychiatric epidemiology to clinical practice”. Clinical Practice and Epidemiology in Mental Health. Vol. 1 ,Nº 2. 27 de abril de 2005. 1 de diciembre de 2005. http://www.cpementalhealth.com/content/I/I/2.         [ Links ]

[9] A. Shmueli, C.L. Sprung, E.H. Kaplan. “Optimizing admissions to an intensive care unit”. Health Care Management Science. Vol. 6, pp. 131-136. 2003.        [ Links ]

[10] W.A. Knaus, E.A. Draper, D.P. Wagner, J.E. Zimmerman, M. Bergner, P.G. Bastos, C.A Sirio, D.J. Murphy, T. Lotring, A. Damiano et al. “The APACHE III prognostic system. Risk prediction of hospital mortality for critically ill hospitalized adults”. Chest. Vol. 100 ,Nº 6, pp. 1619-1636. 1991.        [ Links ]

[11] J.R. Le Gall, S. Lameshow, F. Saulnier. “A new Simplified Acute Physiology Score (SAPS II) based on European/North American multicenter study”. The Journal of the American Medical Association. Vol. 270, pp. 2957-2963. 1993.        [ Links ]

[12] S. Lemeshow, D. Teres, J. Klar, J.S. Avrunin, S.H. Gehlbach, J. Ropoport. “Mortality Probability Models (MPM II) based on an international cohort of intensive care unit patients”. The Journal of the American Medical Association. Vol. 270, pp. 2478-2486. 1993.        [ Links ]

[13] V. Parsonnet, D. Dean, A.D. Bernstein. “A method of unbiform stratification of risk for evaluating the results of surgery in acquired adult heart disease”. Circulation. Vol. 79. Suppl . I, pp. 3-12. 1989.        [ Links ]

[14] R.B. Becker, J.E. Zimmermann, W.A. Knaus, D.P. Wagner, M.G. Seneff, E.A. Draper, T.L Higgins, F.G. Estafanous, F.D. Loop. The use of APACHE III to evaluate ICU length of stay, resource use, and mortality after coronary artery bypass surgery. Journal of Cardiovascular Surgery. Vol. 36, pp. 1-11. 1995.        [ Links ]

[15] D.R. Lawrance, O. Valencia, E.E. J. Smith, A. Murday, T. Treasure. “Parsonnet score is a good predictor of the duration of intensive care unit stay following cardiac surgery”. Heart. Vol. 83, pp 429-432. 2000.        [ Links ]

[16] D.O. Clark, K. Kroenke, C.M. Callahan, C.J. McDonald. “Validity and Utility of Patient-reported Health Measures on Hospital Admission”. Journal of Clinical Epidemiology. Vol. 52, pp. 65-71. 1999.        [ Links ]

[17] P.L. Graham, D.A. Cook. “Prediction of Risk of Death Using 30-Day Outcome. A Practical End Point for Quality Auditing in Intensive Care”. Chest. Vol. 125, pp. 1458-1466. 2004.        [ Links ]

[18] K.H. Lee, G.D. Martich, A.J. Boujoukos, R.J. Keenan, and B.P. Griffith. “Predicting ICU length of stay following single lung transplantation”. Chest. Vol. 110, pp. 1014-1017. 1996.        [ Links ]

[19] J.V. Tu, S.B. Jaglal, C.D. Naylor. “Multicenter validation of a risk index for mortality, intensive care unit stay and overall hospital length of stay after cardiac surgery”. Circulation. Vol. 91, pp. 677-684. 1995.        [ Links ]

[20] G. Clermont, D.C. Angus, S.M. DiRusso, M. Griffin, W.T. Linde-Zwirble. “Predicting hospital mortality for patients in the intensive care unit: A comparison of artificial neural networks with logistic regression models”. Critical Care Medicine. Vol. 29, pp. 291-296. 2001.        [ Links ]

[21] M. Chacón, V. Rocco, E. Morgado, E. Sáez, S. Pliscoff. “Identificación de los determinantes de la estadía en unidades de cuidado intensivo usando redes neuronales artificiales”. Revista Médica de Chile. Vol. 130, pp. 71-78. 2002.        [ Links ]

[22] R. Scorpio, S. Walczak. “Predicting intensive care unit length of stay based on data upon arrival in the emergency room using a neural network. Critical Care Medicine. Vol. 26, Supplement, pp. 68A. 1998.        [ Links ]

[23] A.S. Kapadia, S.E. Vineberg, C.D. Rossi. “Predicting course of treatment in a rehabilitation hospital: a markovian model”. Computers & Operations Research, Vol. 12 ,Nº 5, pp. 459-469. 1985.        [ Links ]

[24] A.S. Kapadia, W. Chan, R. Sachdeva et al. “Predicting duration of stay in a pediatric intensive care unit: a markovian approach”. European Journal of Operational Research Vol. 124, pp.353-359. 2000.        [ Links ]

[25] D.P. Bertsekas, J.N. Tsitsiklis. “Introduction to Probability”. Athena Scientific. USA. 2002.        [ Links ]

[26] S. Ross; “Introduction to Probability Models. Academic Press. USA. 2000.         [ Links ]

[27] P. Peña. “Cadena de Markov para modelar la permanencia de pacientes en una unidad de cuidados intensivos cardiológico”. Memoria para optar al título de Ingeniero Comercial. Universidad Técnica Federico Santa María. 2002.         [ Links ]


Recibido el 29 de junio de 2005, aceptado el 6 de junio de 2006