Sistema web basado en machine learning para contribuir a la reducción de readmisiones de pacientes con insuficiencia renal en el Hospital General de Jaén

Abstract

En la presente investigación se desarrolló un sistema web basado en Machine Learning para contribuir a la reducción de readmisiones en pacientes con insuficiencia renal en el Hospital General de Jaén. El estudio integró la metodología CRISP-DM para el desarrollo del modelo predictivo y la metodología Kanban para la gestión ágil de las fases de diseño, implementación y validación del sistema. En la fase de modelado se entrenaron y compararon tres algoritmos, Regresión Logística, Random Forest y XGB evaluando su desempeño mediante métricas estándar (accuracy, precisión, recall, F1-score y ROC-AUC). El modelo de Regresión Logística optimizado obtuvo los mejores resultados globales (Accuracy = 0.699, Precisión = 0.614, Recall = 0.713, F1 = 0.660, ROC-AUC = 0.769), siendo seleccionado para su integración al sistema web hospitalario. El modelo se desplegó mediante un microservicio Flask conectado al entorno Laravel–MariaDB a través de contenedores Docker Desktop, permitiendo generar predicciones en 0.62 segundos por caso. La validación del sistema bajo el estándar ISO/IEC 25010:2011 evidenció una alta adecuación funcional, eficiencia temporal, usabilidad (calificación promedio 4.6/5 por personal médico), fiabilidad y mantenibilidad. Los resultados obtenidos demuestran la viabilidad técnica y clínica de incorporar modelos predictivos en la gestión hospitalaria, contribuyendo a la toma de decisiones médicas basadas en riesgo y al fortalecimiento del sistema web.

This research developed a machine learning-based web system to help reduce readmissions in patients with kidney failure at the Jaén General Hospital. The study integrated the CRISPDM ethodology for developing the predictive model and the Kanban methodology for the agile management of the system's design, implementation, and validation phases. In the modeling phase, three algorithms—Logistic Regression, Random Forest, and XGB—were trained and compared, evaluating their performance using standard metrics (accuracy, precision, recall, F1-score, and ROC-AUC). The optimized Logistic Regression model obtained the best overall results (Accuracy = 0.699, Precision = 0.614, Recall = 0.713, F1 = 0.660, ROCAUC = 0.769) and was selected for integration into the hospital's web system. The model was deployed using a Flask microservice connected to the Laravel–MariaDB environment via Docker Desktop containers, enabling predictions to be generated in 0.62 seconds per case. Validation of the system under the ISO/IEC 25010:2011 standard demonstrated high functional suitability, time efficiency, usability (average rating 4.6/5 by medical personnel), reliability, and maintainability. The results obtained demonstrate the technical and clinical feasibility of incorporating predictive models into hospital management, contributing to risk-based medical decision-making and strengthening the web-based system.