Propuesta de diseño de un Modelo de Machine Learning basado en predictores mixtos para la estimación del beneficio neto: caso de estudio “Centro Médico MEDISEG”

Abstract

Este estudio presenta una propuesta de diseño de un modelo de machine learning basada en predictores mixtos para la estimación del beneficio Neto en el Centro Médico MEDISEG. El objetivo es optimizar la estimación del Beneficio Neto en el Centro Médico MEDISEG mediante un modelo de machine learning basado en predictores mixtos. La metodología empleada fue de enfoque cuantitativo con técnica de machine learning aplicado a datos operativos y financieros del Centro Médico MEDISEG. Se utilizó algoritmos de regresión Random Forest y modelos de predicción avanzados. Los resultados demostraron que el costo operativo, el tiempo de servicio, la edad de los pacientes y la calidad percibida de la atención son variables clave de estimación beneficio neto. Se aplicaron criterios de limpieza y validación de los datos obtenidos, a fin de garantizar su confiabilidad del modelo. Posteriormente a la evaluación de distintos algoritmos, Random Forest reveló la mayor precisión (R2=0,76), resaltando como el predictor más influyente en la rentabilidad de MEDISEG al costo operativo. Seguidamente, se recomienda implementar monitoreo de las variables en tiempo real, actualizar periódicamente el conjunto de datos, además de explorar más algoritmos como redes neuronales y optimizar los protocolos de la calidad de datos.