Sistema de pronóstico geolocalizado de mortalidad

Abstract

El problema de la investigación fue: ¿Cuál fue la mejora en la precisión del pronóstico de mortalidad con la técnica de regresión lineal múltiple, regresión logística ordinal y series de tiempo? El objetivo de la investigación fue determinar la precisión del pronóstico de mortalidad con la técnica de regresión lineal múltiple, regresión logística ordinal y series de tiempo. El tipo de investigación fue aplicada y el tipo de diseño fue no experimental, longitudinal y de tendencias debido a que se analizaron los datos de mortalidad de Chile en el período 1997- 2017. Los datos son de acceso público y fueron obtenidos del Departamento de Estadística e Información de Salud. Para el desarrollo de la investigación se usó un proceso de minería de datos aplicando la metodología CRISP-DM. Las técnicas usadas para el análisis de datos fueron: regresión lineal múltiple, regresión logística ordinal y series de tiempo. Los resultados obtenidos en la presente investigación demostraron que con la técnica de regresión lineal múltiple se obtuvo una precisión mayor al 80% en al menos dos regiones de Chile. La técnica de regresión logística ordinal tuvo una precisión mayor al 66% en al menos dos regiones de Chile. La técnica de series de tiempo usando el modelo ARIMA obtuvo un MAPE menor al 5% en al menos tres regiones de Chile. Con los resultados obtenidos en la investigación se llegó a concluir que existen causas de muertes que tienen un impacto superior al 70% en al menos una región de Chile. Finalmente, se recomendó aplicar otros modelos de pronóstico considerando una mayor especificidad en la CIE-10, debido a que la presente investigación se centró en el análisis por capítulos, pero cada capítulo tiene grandes grupos de enfermedades. Esto ayudará a tener un análisis detallado o un modelo que identifique el patrón de mortalidad para cada grupo, categoría o enfermedad. También, se sugirió llevar a cabo investigaciones en un área geográfica mayor a la utilizada en la investigación. Por otro lado, se recomendó el uso de Machine Learning y Deep Learning, ya que podrían tener mejores resultados.