Herramientas tales como “Big Data”, “Inteligencia Artificial” y “Machine Learning” resuenan como parte fundamental de la transformación que están viviendo los negocios con la tecnología. Sin embargo, estas no son un fin en sí mismo, sino que son herramientas para lograr un objetivo, por lo que su valor no está dado por contar con ellas, sino por la capacidad de utilizarlas para resolver problemas de negocios y con esto permitirles a las organizaciones capturar mayor valor.

A la vez, para utilizarlas en forma efectiva se requiere más que solo tener data y agregarla a un modelo para que entreguen una solución: es necesario un proceso estructurado a partir del método científico que considere identificar un problema/oportunidad de negocio, definir hipótesis de mejora y considerar cómo la data disponible nos puede ayudar a validar o rechazar aquellas hipótesis. Dado esto, hemos detectado que es fundamental que los líderes de las organizaciones comprendan estos procesos para incorporar efectivamente estas herramientas en sus empresas, de manera que sean una ayuda efectiva para aumentar la productividad.

A continuación, presentamos un caso de aplicación reciente que refleja el proceso de aplicación y sus principales desafíos.

Caso Aplicado: Data Analytics en Organización de la Salud

En 2020, como resultado del estallido social y la pandemia, una organización de salud se veía enfrentada a alta incertidumbre sobre sus fuentes de recursos. Recientemente había desarrollado medidas de eficiencia en su backoffice, que, si bien la ayudaban a estar mejor posicionada para enfrentar esta situación, no eran suficientes en caso de que se materializara una fuerte baja de recursos. Entonces, sus principales ejecutivos se preguntaban: ¿Existen oportunidades de eficiencia en los tratamientos que otorgamos? ¿Es posible capturarlas sin perder efectividad?

Para resolverlas, se enfrentaban a un problema adicional: debido a su dispersión geográfica con más de 10 centros de salud a lo largo del país y las restricciones sanitarias que limitaban los viajes intrarregionales, el levantamiento de procesos para identificar oportunidades de mejoras no podía realizarse en forma física. Entonces, nuestra propuesta fue enfrentar el problema desde la data. Dado que, históricamente, los tratamientos eran definidos por el personal médico en base a su experiencia y criterio personal, nuestra hipótesis fue que en el gran conjunto de tratamientos podríamos identificar algunos más eficientes y efectivos que otros, que permitieran mejorar el desempeño de la institución si eran ofrecidos como tratamientos base.

Para enfrentar este problema definimos un proceso de 5 pasos, de acuerdo con el método científico:

Primer Paso: identificar cómo medir el éxito de un tratamiento médico

Partimos por identificar cómo medir el éxito de un tratamiento médico ya que para determinar si un tratamiento había sido efectivo debíamos tener un indicador que nos permitiese saberlo. Es decir, partimos por definir cómo responder a la pregunta clave de negocios: ¿El tratamiento médico cumplió con su objetivo?

Segundo Paso: explorar la data e identificar tendencias

Luego, analizamos la información disponible acerca de los más de 18.000 tratamientos que realizaba la institución. Esta nos permitió establecer que un tratamiento médico está compuesto por un set de actividades terapéuticas tales como cirugía, sesiones de kinesiología y sesiones de terapia ocupacional. También, identificamos que, si bien existían más de 350 actividades médico terapéuticas distintas, no todas generaban un impacto directo en los pacientes; por ejemplo, el examen de radiografía no genera mejoras directamente en el paciente ya que es una actividad de diagnóstico. Adicionalmente, identificamos el costo directo de cada actividad, asignando así costos de insumos, mano de obra y uso de instalaciones a cada una de ellas.

A partir de esta exploración de la data identificamos también otros factores claves a considerar para la construcción de un modelo y análisis de resultados. Entre ellos, que los resultados finales de los tratamientos médicos son afectados por variables distintas a las actividades terapéuticas que los componen. Por ejemplo, la evolución de pacientes con un mismo diagnóstico médico y severidad es influenciada por variables tales como el centro de salud en que se atiende el paciente y el grupo socioeconómico al que pertenece. De cara al análisis final fue muy relevante aislar estos efectos, para evitar llegar a conclusiones erróneas.

Tercer Paso: seleccionar herramientas y construir modelo a utilizar

Una vez comprendida la pregunta de negocios a resolver y categorizada la data disponible, construimos un modelo. Para esto, identificamos tres subetapas en el análisis. Cada una requirió herramientas específicas:

1. Identificar clústeres de pacientes similares, para estudiar el impacto de los tratamientos médicos sobre una población homogénea. Para esta etapa seleccionamos como herramienta “K-Means”, técnica que permite clusterizar grupos en sub-grupos compuestos por integrantes homogéneos.
2. Identificar opciones de tratamientos (set de actividades) para cada clúster de pacientes, que maximicen las posibilidades de cumplir con los objetivos y sean costo-eficientes. Para esto, elegimos un modelo compuesto de “Support Vector Machine”, técnica supervisada de Machine Learning que permite aprender de tratamientos existentes e identificar tratamientos en la frontera de eficiencia entre beneficio y costo. A su vez, aplicamos regresión lineal, técnica econométrica que permite identificar grados de correlaciones entre variables.
3. Elegir los tratamientos que más sentido médico tuvieran para cada diagnóstico entre las opciones de tratamientos efectivos y eficientes detectados en la subetapa anterior. En este punto, decidimos utilizar como herramienta un panel de expertos, es decir, un grupo de médicos expertos seleccionados según diagnósticos, de modo que ellos seleccionaran el tratamiento recomendado entre las opciones identificadas.

Cuarto Paso: ajustar data y aplicación del modelo

A continuación, estructuramos la data para incorporarla en el formato adecuado a las herramientas definidas en el paso anterior, de manera que estas nos entregasen los resultados esperados. Este paso fue clave para garantizar conclusiones efectivas.

Con la data preparada, aplicamos el modelo de tres etapas, a partir del cual obtuvimos un tratamiento base para cada clúster de pacientes con mismo diagnóstico, severidad y grupo etario.

Quinto Paso: identificar impacto y potencial de aplicación

Por último, como resultado, identificamos que implementar los tratamientos óptimos implicaba liberar 12% de los recursos destinados anualmente a actividades con impacto terapéutico, gracias a la focalización de actividades en aquellas de mayor beneficio agregado. Esto equivale para el centro de salud a poder atender un adicional de 3.000 clientes en un año. Así, por ejemplo, el modelo aplicado en un clúster de pacientes con diagnósticos leves implica para la institución pasar de recetar 28.500 HH anuales en 17 actividades terapéuticas distintas, a 18.600 HH en sólo 2 actividades terapéuticas.

Dado estos resultados, en conjunto al equipo médico y los principales ejecutivos de esta organización concluimos, que hacía sentido usar los tratamientos bases identificados por clúster a través de entregar una recomendación a cada médico de cuál es un tratamiento de referencia para un paciente en base su diagnóstico. Esto, permite ofrecer una guía a los médicos para definir los tratamientos que recetan, aumentando la eficiencia y efectividad de estos.

Principales Aprendizajes

Este caso muestra que existe valor en la aplicación de herramientas tecnológicas de análisis de datos. No obstante, sin bien son de alta utilidad, no son herramientas “plug and play”, sino que deben estar acompañadas y guiadas por una visión de negocios que permite definir correctamente los problemas que enfrenta la organización, y una metodología de trabajo rigurosa en base al método científico que guíe la definición y posterior validación o refutación de hipótesis.

Además, su aplicación requiere de capacidad de gestión, y en particular, la de gestionar el cambio. Esto, dado que los análisis realizados entregan una oportunidad de mejora, pero no agregan valor si no alimentan la toma de decisiones y la implementación de nuevas soluciones en la organización.

Por esto, los ejecutivos de una organización deben jugar un rol fundamental en el proceso de incorporación de herramientas tecnológicas como guías para utilizarlas para la solución de problemas de negocios y habilitadores del cambio para implementar los resultados que se obtengan de su uso.