DOI: 10.26820/reciamuc/7.(2).abril.2023.252-265
URL: https://reciamuc.com/index.php/RECIAMUC/article/view/1111
EDITORIAL: Saberes del Conocimiento
REVISTA: RECIAMUC
ISSN: 2588-0748
TIPO DE INVESTIGACIÓN: Artículo de revisión
CÓDIGO UNESCO: 1203 Ciencia de Los Ordenadores
PAGINAS: 252-265
Generación del conocimiento en Instituciones de Salud
mediante la aplicación de metadatos
Generation of knowledge in Health Institutions through the application
of metadata
Geração de conhecimento em Instituições de Saúde através da aplicação
de metadados
César Antonio Bustamante Chong
1
; Franklin Augusto Cabezas Galarza
2
;
Mariana Elizabeth Bustamante Chong
3
RECIBIDO: 23/02/2023 ACEPTADO: 12/03/2023 PUBLICADO: 15/05/2023
1. Magíster en Administración de Empresas con Mención en Gestión En Mercadotecnia; Ingeniero en Sistemas Com-
putacionales; Universidad de Guayaquil; Guayaquil, Ecuador; cesar.bustamantech@ug.edu.ec; https://orcid.
org/0000-0003-0150-1088
2. Magíster en Administración de Empresas con Mención en Gestión en Mercadotecnia; Ingeniero en Sistemas Compu-
tacionales; Universidad de Guayaquil; Guayaquil, Ecuador; franklin.cabezasg@ug.edu.ec; https://orcid.org/0000-
0001-5504-472X
3. Magíster en Administración Publica Mención Desarrollo Institucional; Magíster en Docencia Universitaria e Investigación
Educativa; Diplomado en Autoevaluación y Acreditación Universitaria; Economista; Universidad Estatal del Sur de Ma-
nabí; Jipijapa, Ecuador; mariana.bustamante@unesum.edu.ec; https://orcid.org/0000-0002-5815-3267
CORRESPONDENCIA
César Antonio Bustamante Chong
cesar.bustamantech@ug.edu.ec
Guayaquil, Ecuador
© RECIAMUC; Editorial Saberes del Conocimiento, 2023
RESUMEN
Las unidades hospitalarias del país carecen de médicos especialistas para atender el volumen intenso de pacientes que
existen, muchas veces este número reducido de expertos se debe, entre otras cosas: ofertas de posgrado inexistentes, no
existencia de políticas claras en la oferta y demanda. Por lo expuesto, se tiene como información, la demanda de las aten-
ciones médicas a los pacientes, su posterior sintomatología y medicación; el número de profesionales y sus diferentes espe-
cialidades, etc.; lo cual nos conlleva a determinar cómo gestionar y aprovechar dicha información para impulsar mediante un
enfoque predictivo, una herramienta de inteligencia de negocios Knime y ayudada por la metodología CRISP-DM propia de
los proyectos que emplean minería de datos; el análisis y la toma de decisiones en seleccionar las mejores especialidades.
El objetivo es analizar la crisis de especialidades médicas mediante un enfoque predictivo de la información a través de
herramientas y metodologías de minado de datos; los principales objetivos específicos son: identificar la información per-
tinente a partir de la información relevada; diseñar el enfoque predictivo a través de modelos y metodología de minería de
datos y evaluar el modelo predictivo mediante variables en la toma de decisiones.
Finalmente, con el análisis predictivo de la información de datos hospitalarios, se pudo identificar, seleccionar y mejorar
las variables que permitieron la toma de decisiones oportuna para la apertura de especialidades médicas necesarias y
acertadas; identificar fuentes de trabajo; detectar las enfermedades catastróficas con un alto índice de mortalidad y poder
mitigar su incidencia en la sociedad.
Palabras clave: Análisis Predictivo, Predicción, Demanda Especialidades.
ABSTRACT
The country's hospital units lack medical specialists to care for the intense volume of patients that exist, many times this re-
duced number of experts is due, among other things: non-existent postgraduate offers, non-existence of clear supply and
demand policies. For the above, the information is the demand for medical attention to patients, their subsequent symp-
toms and medication; the number of professionals and their different specialties, etc.; which leads us to determine how to
manage and take advantage of said information to promote, through a predictive approach, a Knime business intelligence
tool and aided by the CRISP-DM methodology typical of projects that use data mining; analysis and decision-making in
selecting the best specialties.
The objective is to analyze the crisis of medical specialties through a predictive approach to information through data
mining tools and methodologies; The main specific objectives are: to identify the pertinent information from the collected
information; design the predictive approach through models and data mining methodology and evaluate the predictive
model through variables in decision making.
Finally, with the predictive analysis of hospital data information, it was possible to identify, select and improve the variables
that allowed timely decision-making for the opening of necessary and correct medical specialties; identify job sources;
detect catastrophic diseases with a high mortality rate and be able to mitigate their incidence in society.
Keywords: Predictive Analysis, Prediction, Specialties Demand.
RESUMO
As unidades hospitalares do país carecem de médicos especialistas para atender o intenso volume de pacientes que
existem, muitas vezes este reduzido número de especialistas deve-se, entre outros factores: inexistência de ofertas de
pós-graduação, inexistência de políticas claras de oferta e procura. Pelo exposto, temos como informação, a procura de
assistência médica aos pacientes, a sua consequente sintomatologia e medicação; o número de profissionais e as suas
diferentes especialidades, etc.; o que nos leva a determinar como gerir e explorar esta informação para promover através
de uma abordagem preditiva, uma ferramenta de business intelligence Knime e auxiliada pela metodologia CRISP-DM dos
projectos que utilizam data mining; análise e tomada de decisão na selecção das melhores especialidades.
O objectivo é analisar a crise das especialidades médicas através de uma abordagem preditiva da informação através de
ferramentas e metodologias de data mining; os principais objectivos específicos são: identificar a informação relevante a
partir da informação recolhida; desenhar a abordagem preditiva através de modelos e metodologia de data mining e ava-
liar o modelo preditivo através de variáveis na tomada de decisão.
Por fim, com a análise preditiva da informação dos dados hospitalares, foi possível identificar, seleccionar e melhorar
as variáveis que permitiram a tomada de decisão atempada para a abertura de especialidades médicas necessárias e
precisas; identificar fontes de trabalho; detectar doenças catastróficas com uma elevada taxa de mortalidade e mitigar a
sua incidência na sociedade.
Palavras-chave: Análise Preditiva, Previsão, Procura de Especialidades.
254
RECIMAUC VOL. 7 Nº 2 (2023)
Introducción
La salud en nuestro país está muy clara-
mente diferenciada en cuanto se trata del
sector público y del sector privado. En el
sector público existen ciertas falencias, en-
tre las principales:
• La falta de profesionales de la salud por
paciente atendido y a su vez la cantidad
de pacientes que demandan atención,
• En algunos casos la falta de una aplica-
ción informática de salud que brinde la in-
formación oportuna y veraz del paciente.
Las unidades hospitalarias del país –en ge-
neral, tanto públicas como privadas- care-
cen de médicos especialistas para atender
el volumen intenso de pacientes que exis-
ten, muchas veces este número reducido
de expertos se debe, entre otras cosas
a: ofertas de posgrado inexistentes, la no
existencia de políticas claras en la oferta
y demanda, cupos para los programas de
posgrados, pero sobre todo no existe un es-
tudio real entre la necesidad y la oferta de
las especialidades médicas.
Según CENEC (2019) nos informa que la
tasa de personal médico en el país en el
año 2010; es de 17,6 médicos por cada
10.000 habitantes; donde en las principa-
les ciudades alcanzan los siguientes ratios:
Guayaquil 33,7; Machala 33,3; Quito 28,9;
Ambato 25,8. Ahora bien existen 24.960
médicos en general; de los cuales el por-
centaje por las principales especialidades
son: medicina general 24,0%; cirujanos ge-
nerales 7,9%; ginecólogos/obstetras 7,8%;
anestesiólogos 7,8%; pediatras 7,6%; trau-
matólogos 4,9%; medicina interna 3,9%;
cardiólogos 3,3%; urólogos 2,5%; gastroen-
terólogos 2,1%; cirujanos plásticos 2,1%;
otorrinos 2,1%; neurólogos 2,1%; entre los
más importantes. Situándose en el extremo
inferior los alergólogos, infectólogos y epi-
demiólogos con el 0,3%. Por otro lado, la
Organización Mundial de la Salud (OMS)
nos dice que deben existir 26 médicos por
10.000 habitantes.
Recientemente, según cifras emitidas por la
Asociación de Facultades Ecuatorianas de
Ciencias Médicas y Salud (AFECMS) a di-
ciembre 2016 existen 29 mil médicos genera-
les de los cuales 16 mil tienen especialidad.
Mientras que a junio 2015 se acreditaron 10
instituciones de educación superior para se-
guir ofertando la carrera de medicina - 6 en
la ciudad de Quito, 2 en Guayaquil y 2 en la
ciudad de Cuenca – y existen 12 instituciones
adicionales que no acreditaron, sin embargo,
también la ofertan. Donde cada año se gra-
dúan aproximadamente 3.200 estudiantes
como médicos generales; mientras que el
cupo para posgrados en las diferentes uni-
versidades llega a 500; esta cifra unida a la
media de graduación de un especialista que
es de 2 años; nos deja una clara inferioridad
en cuanto a médicos especialistas se refiere.
Por otro lado, existe una red de instituciones
públicas de salud; en las principales ciu-
dades del país – las más importantes- que
suman aproximadamente 10, entre estas te-
nemos: hospitales generales y los hospita-
les de especialidades médicas de adultos y
de niños (pediátricos); estos generan infor-
mación importante y valiosa; tales como: la
demanda de las atenciones médicas a los
pacientes, su posterior sintomatología y me-
dicación; el número de profesionales y sus
diferentes especialidades, etc.
Cada una de estas instituciones públicas
de salud en general, tienen diferentes sis-
temas de información provistos en la mayor
parte de los casos por el gobierno central
o por el ministerio de salud pública. Como
nos describe el informe de Corral Moscoso
(2015) existen: sistema de administración fi-
nanciera, integrado de talento humano, pre-
supuestario de remuneraciones y nomina,
contrataciones del estado, gestión de inven-
tarios, gobierno por resultados en la parte
administrativa, y en desde el punto de vista
asistencial hospitalario: sistema de camas,
registro diario automatizado de consultas y
atenciones ambulatorias, vigilancia epide-
miológica, evaluación y monitoreo VIH, in-
fecciones asociadas a la atención de salud.
BUSTAMANTE CHONG, C. A., CABEZAS GALARZA, F. A., & BUSTAMANTE CHONG, M. E.
255
RECIMAUC VOL. 7 Nº 2 (2023)
Sin embargo, en el momento de tener un
sistema de información hospitalario (SIH)
cada una de las casas asistenciales maneja
un propio sistema.
Por lo expuesto, no se tiene una informa-
ción claramente definida y unificada, lo cual
nos conlleva a determinar cómo gestionar
y generar dicha información y transformarla
en un conocimiento que permita impulsar
la toma de decisiones mediante el uso de
un metadato, para posteriormente generar
un modelo del conocimiento basado en una
herramienta de inteligencia de negocios lla-
mada K-nime y ayudada por la metodología
CRISP-DM propia de los proyectos que em-
plean minería de datos.
Materiales y métodos
Metodologia
Metadatos
Una definición que tiene su origen en las
ciencias informáticas, proviene de la unión
de la palabra griega μετα, meta, 'después
de, más allá de' y el latín datum, 'lo que se
da', dato; que literalmente se puede descri-
bir como –sobre datos-, es decir son datos
que describen otros datos como nos seña-
laba Jack Myers en los años 60, estos me-
tadatos muchas veces proporcionaban la in-
formación mínima para identificar un recurso
o sobre los datos suministrados y a su vez
suelen incluir información sobre su contexto,
contenido y control así como todo lo que ten-
ga que ver con el –dato- Pasquinelli (1997).
Según (NISO, 2018) (National Information
Standards Organization, por sus siglas al
inglés), define al metadato como la informa-
ción estructurada que describe, explica, lo-
caliza o de otra manera hace de una forma
fácil la recuperación, uso o manejo de los
recursos de la información.
Este concepto de metadatos existía mucho
antes del auge del internet y las páginas
web, sin embargo, el creciente y exponen-
cial aumento de la información y sobre todo
la búsqueda de la misma ha propiciado un
interés por las políticas y el uso de los meta-
datos. Según Ercegovac (1999) nos afirma
que, un metadato describe los atributos de
un recurso, teniendo en cuenta que dicho
recurso puede ser: objetos bibliográficos,
objetos geoespaciales, recursos visuales,
registros e inventarios de archivo, imple-
mentaciones de software, entre otros.
Existen muchas funciones que realiza un
metadato, pero la mayoría las podemos en-
contrar en el trabajo realizado por Iannela y
Waugh (1997), que nos manifiesta:
– Resumir el significado de los datos
– Permitir la búsqueda
– Determinar si el dato es el que se necesita
– Mostrar instrucciones de cómo interpre-
tar el dato
– Aportar información acerca de la vida
del dato
– Indicar relaciones con otros recursos,
entre otros
Muchos autores nos presentan una clasifi-
cación o tipos de metadatos diferentes, se-
gún Gilliland-Swetland nos expresa que los
tipos de metadatos se dividen en:
– administrativos (utilizados para la ges-
tión y administración de los recursos de
información),
– descriptivos (utilizados para describir o
identificar recursos de información),
– de preservación (relacionados con la
gestión de preservación de los recursos
de información),
– técnicos (relacionados con el funciona-
miento de los sistemas) y,
– de uso (relacionados con el nivel y el tipo
de uso de los recursos de información).
Mientras que Tim Berners-Lee desde el pun-
to de la web, los metadatos se dividen en:
GENERACIÓN DEL CONOCIMIENTO EN INSTITUCIONES DE SALUD MEDIANTE LA APLICACIÓN DE ME-
TADATOS
256
RECIMAUC VOL. 7 Nº 2 (2023)
1. Aquellos que se encuentran dentro del
documento mismo (aquellos que se pue-
den encontrar en cualquier documento
generado en un procesador de textos)
2. Los que se producen por una transferen-
cia HTTP – cliente y servidor se envían in-
formación sobre el objeto que están trans-
mitiendo por medio de los metadatos.
3. Y el ultimo, es aquel metadato que se
utiliza cuando se consulta en otro do-
cumento (para comprobar si se puede
acceder a el – o al sitio web-, verificar
derechos de autor).
Sistemas de informacion en salud
Llamados también Sistemas de Información
Hospitalario (SIH O HIS por sus siglas en
inglés); consisten en uno o un conjunto de
programas instalados en una institución de
salud, también se dice que es aquel SIH
que apoya a las actividades en los niveles
operativos, tácticos y estratégicos de un
hospital. Según la Organización Mundial de
la Salud (OMS) es también un mecanismo
para la recolección, procesamiento, análi-
sis y transmisión de la información que se
requiere para la organización y el funciona-
miento de los servicios sanitarios y también
para la investigación y docencia.
El objetivo de un SIH es ser una herramien-
ta sistemática y organizada con la que sea
posible generar la información para el mejo-
ramiento de la gestión y la toma de decisio-
nes de los diferentes niveles organizativos
de los sistemas de salud.
Por lo cual (Moszheyko D.) nos manifiesta
que: “El tiempo que los médicos y las enfer-
meras consumen buscando y organizando
información clínica es excesivo y aumen-
ta cada vez que el volumen de información
sobre de los pacientes se amplía. Como el
campo de la medicina se desarrolla, la in-
formación relacionada con los exámenes,
la gestión y el tratamiento de los pacientes
aumenta a un ritmo acelerado. Una hospita-
lización puede producir diez mil observacio-
nes, conteos de pruebas de laboratorio, au-
mentos del monitoreo siológico, pruebas de
diagnóstico por imagen, estudios del pacien-
te, evaluaciones clínicas y notas de visitas.
Por tanto, es importante que un hospital ten-
ga un sistema de información que organice
la información médica que generan los pa-
cientes y los servicios médicos.”, por lo cual
se traduce en lentitud en la búsqueda de la
información a través de registros de papel o
al deterioro de la documentación de papel.
Un SIH debe ofrecer una información para
las distintas necesidades en la toma de de-
cisiones, tanto en el ámbito individual (his-
toria clínica), como en la elaboración de
estadísticas que soporten el desarrollo y
evaluación de programas y formulación de
políticas de salud a mediano y largo plazo.
Entre las funcionalidades que permite dicho
sistema, se encuentran entre otras: Llevar
una admisión a las diferentes unidades de
atención, tener un control de todos los ser-
vicio s prestados a los pacientes (incluidos
los de imagenología y laboratorio clínico),
poder obtener datos epidemiológicos, ob-
tener los datos precisos de costos por cada
paciente atendido, obtener un estricto con-
trol y gestión de los pacientes mediante su
expediente clínico en forma electrónica, se
puede obtener y facilitar el acceso de los
datos del paciente acerca de su tratamiento
en forma más segura, ágil y eficiente a tra-
vés de la historia clínica electrónica.
Inteligencia de negocios
La definición de Inteligencia de Negocios,
dentro de las organizaciones es relativa-
mente nueva, muchas veces va relaciona-
do con la toma de decisiones mediante el
uso de información transformada en cono-
cimiento del negocio.
Según (Parr, 2000) la extracción del cono-
cimiento, es la aplicación de técnicas de
extracción de la información; las mismas
permiten reunir, refinar, transformar datos
mediante el uso de metodologías, aplica-
ciones y tecnologías.
BUSTAMANTE CHONG, C. A., CABEZAS GALARZA, F. A., & BUSTAMANTE CHONG, M. E.
257
RECIMAUC VOL. 7 Nº 2 (2023)
Este conocimiento puede estar estructura-
do para que sirven e indiquen a un área de
interés, el cual genera el conocimiento so-
bre problemas y oportunidades del negocio
que pueden ser aprovechados, corregidos
o repotenciados (Ballard et. al 2006).
Implementar herramientas de inteligencia,
permite a las organizaciones a soportar las
decisiones que se toman, desde dos puntos
de vista: a nivel externo produce ventajas
sobre sus competidores (Maureen 2009) y
del nivel interno ayuda a la gestión del per-
sonal (Sharma et al. 2009); nos manifiestan
(Rosado Gómez & Rico Bautista, 2010).
Mineria de datos
Hoy en día, en la cual la tecnología del In-
ternet ha evolucionado hasta poder de de-
cir que las organizaciones están híper-co-
nectadas con todo el mundo; podemos
también anotar que la cantidad abruma-
dora de datos se ha multiplicado, ya no es
–solamente- los datos sencillos explicados
en tuplas son los que prevalecen, sino que
ahora se combinan con datos multimedia
(fotos, videos, audios, mapas geo-referen-
ciales, etc.), generados por un sin número
de dispositivos electrónicos.
Asimismo, el descubrir el conocimiento del
enorme volumen de datos es un reto en
sí; donde la minería de datos (MD) es el
concepto que viene a darle sentido a esta
realidad, porque según (Riquelme, Ruiz, &
Gilbert, 2006) resumen en una frase una
realidad –“los datos en bruto raramente son
beneficiosos directamente, para lo cual se
recurre a: a) la habilidad para extraer infor-
mación útil la toma de decisiones o la ex-
ploración y b) la compresión del fenómeno
gobernante en la fuente de datos; anterior-
mente el analista tenía un papel preponde-
rante en la organización pues realizaba la
tarea de procesador de información en la
generación de reportes, resúmenes con la
ayuda de herramientas estadísticas, pero
con la ingente y creciente demanda de los
datos esta tarea resulta difícil y complicada
en la actualidad.
De esta necesidad surge el término KDD
(Knowledge Discovery in Databases) que se
refiere a todo el proceso de extracción del
conocimiento a partir de una base de datos;
este concepto todavía continúa desarrollán-
dose; desde diferentes áreas como: las ba-
ses de datos, aprendizaje automático, reco-
nocimiento de patrones, estadística, teoría
de la información, inteligencia artificial, razo-
namiento de incertidumbre, visualización de
datos y computación de altas prestaciones;
estos sistemas KDD incorporan teorías, al-
goritmos y métodos de todos estos campos
de acción como nos manifiesta (Hernán-
dez-Orallo, Ramírez-Quintana, & Ferri, 2004).
Modelos de proceso para proyectos de
minado de datos
A lo largo del tiempo, las diferentes meto-
dologías para el desarrollo de los sistemas
(desde el ciclo de vida clásico hasta las
metodologías agiles) han evolucionado de
la mano de áreas de conocimiento (sobre
todo en lo que concierne a la ingeniería de
software) y han logrado afianzar y estanda-
rizar los procesos de desarrollo de software;
por lo cual el minado de datos por poseer
características muy particulares no puede
tratarse con estas mismas metodologías.
Los modelos de proceso para proyectos de
minado de datos, es un campo que reúne
varias áreas del conocimiento, como son la
estadística, las ciencias de la computación
que intentan descubrir patrones en volúme-
nes altos de conjuntos de datos; también
involucra en algunos casos métodos u al-
goritmos de inteligencia artificial (es la in-
teligencia exhibida por maquinas, muchas
veces se aplica cuando una maquina imi-
ta las funciones “cognitivas” que humanos
asocian con otras mentes humanas), apren-
dizaje automático (“machine learning” por
sus términos al inglés; son técnicas que
permiten a las computadoras “aprender”) y
sistemas gestores de bases de datos.
Los modelos de proceso para proyectos
de minado de datos son varios, entre los
más importantes podemos mencionar a
GENERACIÓN DEL CONOCIMIENTO EN INSTITUCIONES DE SALUD MEDIANTE LA APLICACIÓN DE ME-
TADATOS
258
RECIMAUC VOL. 7 Nº 2 (2023)
KDD (Knowledge Discovery in Databases);
SEMMA (Sample, Explore, Modify, Model,
Assess); DMAMC (Definir, Medir, Analizar,
Mejorar, Controlar); P³TQ (Product, Place,
Price, Time, Quantity); CRISP-DM (Cross In-
dustry Standard process for Data Mining),
muchos de ellos en su orden cronológico
de creación, respectivamente.
Resultados y discusión
Según los autores Hernández, Fernández,
& Baptista, (2010); el enfoque de este es-
tudio es probabilístico y determinístico; por
cuanto vamos a seleccionar una serie de-
terminada de muestras en forma aleatoria
para su revisión. Para determinar el diseño
de estudio que se requiere se debe un en-
foque cualitativo. Este generaliza los resul-
tados de muestras probabilísticas, estas
logran obtener los casos de personas, con-
textos y situaciones que interesan al inves-
tigador y que se llega a ofrecer una riqueza
para la recolección y el análisis de datos.
Por otro lado, cuando se analizan datos de
naturaleza médica, se utiliza para el mismo y
con el fin de obtener un mejor resultado, una
aplicación de regresión logística, la cual es
un tipo de análisis de regresión utilizado para
predecir el resultado de una variable categó-
rica (es aquella que puede adoptar un nú-
mero limitado de categorías) en función de
las variables independientes o predictivas.
Así también tenemos la aplicación de la me-
todología para estructurar proyectos de mi-
nado de datos con la finalidad de convertir-
las en metadatos y generar el conocimiento
necesario para la toma de decisiones; para
lo cual se aplican las seis fases de la meto-
dología CRISP-DM:
I. Comprensión del negocio.
En el país, en los últimos tiempos una de
las prioridades como política de estado ha
sido el impulso de la modernización de la
infraestructura de salud, tanto en su parte
de obra civil, en la dotación de insumos y
medicamentos, y en la aplicación de diver-
sas tecnologías de la información que apo-
yen estos servicios de salud. Para esto en
esta investigación se realizaron recoleccio-
nes de datos de diferentes fuentes y con va-
riedad de repositorios que utilizan la infor-
mación y la misma sirve como insumo para
monitorear los diferentes casos de enferme-
dades, principalmente en dos regiones del
Ecuador (Costa y Sierra).
El esquema organizacional de salud en el
país (Ecuador, 2012) establecido por el Mi-
nisterio de Salud Pública del Ecuador (MSP)
en su alcance sustitutivo publicado en Re-
gistro Oficial N.- 279 del 30 de Abril del
2012; establece que existen procesos go-
bernantes (ver gráfico N.-1); cuyo respon-
sable es el Ministro de Salud, que a través
del direccionamiento estratégico del Siste-
ma Nacional de Salud Pública establece la
rectoría, regulación, planificación, coordina-
ción, control y gestión de la Salud Pública
Ecuatoriana; este delega estas responsabi-
lidades a procesos sustantivos, y de mane-
ra especial – para nuestro caso- a la provi-
sión de servicios de salud; la cual maneja:
Centros especializados, hospitales, primer
nivel de atención de salud, discapacidades
y atención pre-hospitalaria y unidades mó-
viles. De este último grupo, los tres primeros
centros de atención; son los generadores
de datos y requerimientos; y presentan mu-
chas formas de almacenar la información.
BUSTAMANTE CHONG, C. A., CABEZAS GALARZA, F. A., & BUSTAMANTE CHONG, M. E.
259
RECIMAUC VOL. 7 Nº 2 (2023)
Figura 1. Procesos Gobernantes del M.S.P.
Elaboración: Tomado de la página del MSP – Estatuto Orgánico de Gestión Organizacional
por procesos – pág. 13
En forma general; de los centros especia-
lizados y hospitales que se nombran en
los procesos sustantivos; podemos seña-
lar –entre los más importantes por su zona
geográfica y tamaño de atención hospitala-
ria- que existen dos centros especializados
emblemáticos que utilizan un HIS (región
costa, ciudad de Guayaquil – un hospital de
especialidades para adultos mayores y un
hospital de especialidades pediátrico) cuyo
repositorio de datos es una base de datos
relacional Postgres; se tuvo acceso también
a fuentes de datos realizadas en base de
datos de “escritorio” Access e inclusive ho-
jas de cálculo (región costa, ciudad de Por-
toviejo y Esmeraldas; región sierra, ciudad
Latacunga) y también un sistema hibrido;
es decir una parte de la información en un
HIS y la otra en fuentes de datos diversas
(región sierra, ciudad de Quito).
Del primer nivel de atención en Salud, se
tuvo referencia que los mismos reportan a
una gestión zonal su información realiza-
da en hojas de cálculo y en base de datos
de escritorio “Access”; sin embargo, no se
pudo obtener esta información.
II. Comprensión de los datos.
Del Sistema de Información de Salud (HIS),
se pudo obtener el modelo inicial que cons-
ta de 788 entidades compuesto de 9753
campos; que entre sus principales esque-
mas –en forma general- nos muestra la in-
formación para usar en la parte clínica (ci-
tas médicas, historia clínica, consultas en
emergencia, estadías en hospitalización,
quirúrgica y de consultas a especialidades);
financiera (pagos consultas, abonos, costos
en insumos y materiales) y logística (manejo
de bodegas, manejo de seguros médicos).
De la información que se puede obtener
gracias a que se encuentra en bases de
datos de tipo escritorio, está muy dispersa
y en forma modular; en la mayoría de los
casos desde Planta Central (Gobernanza
de Salud) se ha enviado el aplicativo para
GENERACIÓN DEL CONOCIMIENTO EN INSTITUCIONES DE SALUD MEDIANTE LA APLICACIÓN DE ME-
TADATOS
260
RECIMAUC VOL. 7 Nº 2 (2023)
el uso del hospital; y en otros casos los de-
partamentos de TI han desarrollado a la
medida la base de datos de escritorio. Se
encuentra principalmente las atenciones
médicas y su sintomatología; las entidades
guardan cierto grado de integridad en sus
campos, sin embargo, por apuro o desco-
nocimiento de los usuarios que operan las
mismas; existen algunas incongruencias;
alrededor de 30 entidades con 110 campos
componen esta base.
La ultima fuente de datos que se encuen-
tran en las instituciones son pequeñas ho-
jas de cálculo; estas guardan la informa-
ción más relevante en aproximadamente
10 pestañas, donde cada pestaña contiene
de unos 30 a 40 campos en promedio por
hoja. Se descubren principalmente los da-
tos personales de pacientes, las fechas de
atenciones, el motivo de la consulta y cier-
tas observaciones realizadas.
Cabe resaltar que toda esta información re-
copilada desde tres diferentes fuentes de
datos (ver gráfico N.-2); tiene una época
de aproximadamente 3 a 4 años; en el caso
de los datos provenientes del HIS, existe un
poco de más antigüedad en los datos; sin
embargo, no se la considero por estar faltos
de calidad, no íntegros por estabilización
de la aplicación implementada. Adicional-
mente podemos anotar que como se utiliza-
ra en el momento de predecir los datos, una
regresión logística, las variables predictivas
que se utilizarán serán: el estado socio-eco-
nómico del paciente que está dividido en
5 categorías (alto, medio, alto bajo, medio
bajo y bajo bajo); así como también por un
estado en que se verifica si el paciente se
pudo atender satisfactoriamente o si no lo
pudo realizar sin importar la causa.
Figura 2. Procesos Gobernantes del M.S.P.
Elaboración: Autoría propia
III. Preparación de los datos.
En la selección de los datos de las tres di-
ferentes fuentes de datos; se pudo notar
una convergencia e integración de utiliza-
ción de 3 entidades principales (pacientes,
médicos (especialistas), atención médica)
en la base de datos de escritorio; de 4 enti-
dades principales (pacientes, médicos (es-
pecialistas), atención médica (egresos en
consulta externa) y atención médica (egre-
sos en urgencia); y finalmente una pestaña
en varias hojas de cálculo, seleccionando
BUSTAMANTE CHONG, C. A., CABEZAS GALARZA, F. A., & BUSTAMANTE CHONG, M. E.
261
RECIMAUC VOL. 7 Nº 2 (2023)
las principales columnas (datos generales
del paciente, fecha de atención, médico es-
pecialista, síntomas y observaciones) entre
aproximadamente 40.
La mayoría de los datos obtenidos de las
fuentes de datos arriba mencionadas, fue-
ron ya validadas previamente; ya sea por el
HIS o por la persona encargada de manejar
la hoja de cálculo.
En el momento de la construcción del “da-
taset” o “vista minable” se añadió un campo
para identificar la procedencia de la data
(código del hospital que genero la infor-
mación) y adicionalmente la zona geográ-
fica que se encuentra el mismo (en las tres
fuentes de datos). En el momento de crear
los nodos dentro del “workflow” de la herra-
mienta analítica se procedieron a dividirlo
en 3 cargas independientes: el primer nodo
tiene una conexión de lectura a una base
de datos postgres (ver gráfico N.- 3) cuyos
datos provienen de la aplicación HIS; el se-
gundo nodo es una conexión a un archivo
“CSV” cuya información proviene de las ho-
jas de cálculo tabuladas y finalmente una
tercera conexión a una base de datos escri-
torio cuyos detalles pertenecen a las bases
de datos aisladas de escritorio en “Access”
que tienen algunos hospitales generales.
Figura 3. Construcción de datos en K-mine
Elaboración: Autoría propia
La integración y el formato de los datos se
las realiza seleccionando el nodo de ma-
nipulación de datos, las columnas por las
cuales se pretende realizar el patrón de la
búsqueda son tres: columna que nos indica
la edad del paciente en el momento de la
atención, columna si fue atendido o no y la
última columna es la enfermedad y su es-
pecialista que la reviso en cada unidad de
atención pública
Para el respectivo formateo de los datos,
estos van a ser visualizados desde el pun-
to de vista de un histograma comparativo
de las especialidades que más han sido re-
queridas a lo largo de un periodo de dos
años y en seis entidades públicas, en con-
junto con las edades que se han atendido
en ese periodo.
IV. Modelado de los datos
GENERACIÓN DEL CONOCIMIENTO EN INSTITUCIONES DE SALUD MEDIANTE LA APLICACIÓN DE ME-
TADATOS
262
RECIMAUC VOL. 7 Nº 2 (2023)
En la selección de la técnica de modelado,
podemos mencionar que una vez seleccio-
nadas las columnas con el patrón de bús-
queda arriba mencionada; se efectuó las
reglas de clasificación a través del algorit-
mo seleccionado (Random Forest); el cual
es un algoritmo predictivo que usa la téc-
nica de Bagging para combinar diferentes
arboles, donde cada árbol es construido
con observaciones y variables aleatorias (la
edad que fluctúa el paciente y la especiali-
dad que ha sido atendido). Al realizar este
modelado mediante el nodo propio de la
herramienta analítica (ver gráfico N.-4); se
puede decir que en forma interna se siguie-
ron los siguientes pasos:
– Seleccionamos pacientes al azar (usan-
do muestreos de reemplazo) para crear
diferentes sets de datos.
– Se crea un árbol de decisión de cada
set de datos, obteniendo como resulta-
do diferentes arboles, donde cada set
contiene diferentes pacientes y diferen-
tes variables.
– Al crear los arboles se eligen variables
al azar en cada nodo del árbol, dejando
crecer el árbol en profundidad.
– Predice los nuevos datos usando el
“voto mayoritario”, donde clasificara
como “positivo” si la mayoría de los ar-
boles predicen la observación (una ma-
yor cantidad de uso en especialidades)
como positiva.
Figura 4. Modelado de datos en K-mine
Elaboración: Autoría propia
Finalmente, como resultado del nodo en
que se muestra la información en forma de
histogramas; podemos notar que cada una
de las instituciones públicas tienden a tener
un comportamiento binomial, por la canti-
dad de los datos –apenas dos años- no se
pudo aplicar una regresión lineal, y mucho
menos logística. Por lo cual se tuvo que re-
currir a una parte de los métodos numéricos
para determinar su comportamiento.
En los comportamientos dados a partir
de los histogramas; podemos notar que
existen crestas altas y bajas; este tipo de
BUSTAMANTE CHONG, C. A., CABEZAS GALARZA, F. A., & BUSTAMANTE CHONG, M. E.
263
RECIMAUC VOL. 7 Nº 2 (2023)
tendencia va muy acorde con las enferme-
dades cuando se presentan en periodos
cíclicos; ya sea porque el periodo en que
se evalúa la enfermedad depende de las
estaciones climatológicas o mucho influye
también la edad en la que se presentan las
diferentes enfermedades.
Ahora bien, se realizó una tabulación por-
centual; (ver tabla n.-1); que nos indica que
sin importar las edades y las regiones; más
si por el mayor porcentaje de incidencia en
el uso de las especialidades son: la neumo-
logía, la especialidad de emergenciologia,
la gastroenterología, la especialidad cirugía
menor; poco después solo y exclusivamen-
te en las mujeres –la ginecología- y final-
mente en forma general la infectología.
Tabla 1. Mayor incidencia de especialidades
Elaboración: Autoría propia
De la tabla arriba mencionada, se pudo de-
ducir a partir de los datos logrados en los dos
años realizar una proyección de atenciones
por especialista, con la particularidad de el
análisis se lo realizo en forma mensual du-
rante los dos años de datos, logrando cap-
tar una distribución ajustada binomial; por
lo que, para complementar la regresión se
realizó mediante métodos numéricos, inferir
que era una regresión polinómica de grado
4 (Mathews & Fink, 2012) (ver grafico n.- 5);
cuyos valores que se muestran correspon-
den a los picos de atención que mucho tie-
nen que ver con las épocas estacionales en
que se comporta la data, así como también
a las edades en que fluctúan las atenciones;
como también nos manifiesta (Seminario
Vásquez, 2012) en su estudio realizado para
analizar funciones no lineales.
Se relacionó en algún momento a dicho
análisis también como caso muy particular
el campo “sexo” para cada atención, por
cuanto existe un número muy importante en
las estadísticas de atenciones para el sexo
femenino en cuanto a la especialidad de gi-
necología-obstetricia que es exclusivo para
este género.
GENERACIÓN DEL CONOCIMIENTO EN INSTITUCIONES DE SALUD MEDIANTE LA APLICACIÓN DE ME-
TADATOS
264
RECIMAUC VOL. 7 Nº 2 (2023)
Figura 5. Proyección de atenciones por especialista
Elaboración: Autoría propia
Conclusión
En base al modelado de los datos extra-
polados de diferentes repositorios de infor-
mación y de diferentes centros de atención
pública; podemos aplicar las fases de la
metodología para un proceso de minería de
datos; lo cual nos llevó después de aplicar
un algoritmo predictivo a la consecución de
las especialidades de mayor demanda en
los años de estudio; teniendo como particu-
laridad que se partió al comienzo del análi-
sis, que los datos se podrían ajustar a una
regresión lineal, pero después de aplicar los
respectivos cálculos, la curva era imposible
que se ajustara a este tipo de regresión.
Se procedió luego, a intentar a usar las re-
gresiones no lineales más conocidas, como
son una exponencial, logarítmica, etc., pero
después de los consabidos análisis, tam-
poco se ajustan los datos a cualquiera de
estos tipos de regresión.
En estos momentos, debido a lo expuesto
anteriormente, a proceder el uso del análi-
sis numérico, para tratar de ajustar los da-
tos a una curva, y así obtener la función que
define su comportamiento en el tiempo.
Consecuencia de este análisis, se deter-
minó que el tipo de regresión que más se
ajusta, es una regresión polinómica de gra-
do 4. Además, no se puede generalizar que
esta función sirva para más de un estudio o
proyección por especialidad, ya que, para
cada especialidad, a pesar que son funcio-
nes del mismo tipo, es decir, polinómicas
de grado 4, difieren demasiado.
Esta dificultad tan elevada en los datos, de
poder llegar a entregar un escenario predic-
tivo, se debe en gran parte, a que el regis-
tro de la información no ha sido fiable todos
los años debido a circunstancias políticas y
técnicas, primero en la región en que se en-
cuentra ubicado el hospital y luego a nivel
general, en el país.
Se comprobó que el comportamiento de la
información en un mismo hospital, difiere
mucho por año, entre otras cosas, a que,
en dichos hospitales, se ha cambiado de
sistema de información hospitalario, gene-
rándose problemas de integridad, y fideli-
dad de los datos.
Pero, aun así, con todos estos inconvenien-
tes a nivel de data, la metodología aplicada
en la elaboración de este articulo ha cum-
plido las expectativas de los autores.
BUSTAMANTE CHONG, C. A., CABEZAS GALARZA, F. A., & BUSTAMANTE CHONG, M. E.
265
RECIMAUC VOL. 7 Nº 2 (2023)
Sin embargo, este estudio se debe comple-
mentar con un estudio adicional acerca de
las tendencias de selección de los diferentes
profesionales al momento de seleccionar una
especialidad dada, esto va muy de acuerdo
a personalidades o rasgos básicos del profe-
sional médico, así como también hasta cierto
punto que tan rentable a lo largo del tiempo
sea esta especialidad seleccionada.
Bibliografía
Bitran, M., Zuñiga, D., Lafuente, M., Viviani, P., &
Beltrán, M. (2015). Influencia de la personalidad
y el estilo de aprendizaje en la elección de espe-
cialidad médica. Revista Médica Chile 2015, 133:
1191-1199.
Cebron, N., & Berthold, M. (27 de 07 de 2008). Ac-
tive learning for object classification: from explo-
ration to exploitation. Obtenido de Active learning
for object classification: from exploration to exploi-
tation: http://140.123.102.14:8080/reportSys/file/
paper/ahc/ahc_23_paper.pdf
CENEC. (01 de 10 de 2010). Recursos y actividades
de Salud 2010. Obtenido de Recursos y activida-
des de Salud 2010.
Cubero, J., & Berzal , F. (30 de 08 de 2011). Sistemas
Inteligentes de Gestión . Obtenido de Sistemas In-
teligentes de Gestión : http://elvex.ugr.es/decsai/
intelligent/workbook/ai/PROLOG.pdf
Ecuador, M. d. (30 de 04 de 2012). Ministerio de
Salud Pública. Obtenido de Ministerio de Salud
Pública: http://www.salud.gob.ec/wp-content/
uploads/downloads/2014/09/ESTATUTO-SUSTI-
TUTIVO-MSP-ALCANCE-REFORMA-ABRIL17.pdf
Hernández-Orallo, J., Ramírez-Quintana, M., & Ferri,
C. (2004). Introducción a la Mineria de Datos. Bar-
celona: Prentice Hall/Addison Wesley.
Mathews, J. H., & Fink, K. D. (2012). Métodos Núme-
ricos con MatLab. Ciudad de México DF: Pearson
Prentice Hall.
Montero Puñales, E., & Plasencia , A. (07 de 09 de
2017). www.researchgate.net/publication. Obteni-
do de www.researchgate.net/publication: https://
www.researchgate.net/publication/282671158_Di-
seno_de_un_sistema_de_V_igilancia_T_ecnolo-
gica_utilizando_tecnicas_de_mineria_web_para_
identificar_las_lineas_investigativas_mas_prome-
tedoras_para_los_cientificos_del_ICIMAF
Moszheyko D., A. (s.f.). Diseño y desarrollo de un
sistema de información de laboratorio en la aten-
ción pública de salud.
Organization, W. H. (01 de 01 de 2000). Health In-
formation systems development and strengthe-
ning. Obtenido de http://apps.who.int/iris/bits-
tream/10665/66203/1/WHO_EIP_OSD_00.6.pdf
Organization, W. H. (01 de 01 de 2005). Improving
the use of information for health care decision-ma-
king: what is needed. Obtenido de http://www.who.
int/healthmetrics/library/issue_1_05apr.doc
Riquelme, J. C., Ruiz, R., & Gilbert, K. (2006). Minería
de Datos: Conceptos y Tendencias. Inteligencia
Artificial Vol. 10 No 29, 11-18.
Rosado Gómez, A., & Rico Bautista, D. (2010). Inte-
ligencia del Negocio: Estado del Arte. Scientia Et
Technica, 321-326.
SAS Institute Inc. (09 de 08 de 2017). SAS The Power
of Know. Obtenido de SAS The Power of Know: ht-
tps://www.sas.com/content/dam/SAS/en_us/doc/
factsheet/sas-enterprise-miner-101369.pdf
Seminario Vásquez, R. (2012). Metodos Númericos
para Ingeniería. En R. Seminario Vásquez, Meto-
dos Númericos para Ingeniería (págs. 28-43). Bo-
gota.
CITAR ESTE ARTICULO:
Bustamante Chong, C. A., Cabezas Galarza, F. A., & Bustamante Chong, M.
E. (2023). Generación del conocimiento en Instituciones de Salud mediante la
aplicación de metadatos. RECIAMUC, 7(2), 252-265. https://doi.org/10.26820/
reciamuc/7.(2).abril.2023.252-265
GENERACIÓN DEL CONOCIMIENTO EN INSTITUCIONES DE SALUD MEDIANTE LA APLICACIÓN DE ME-
TADATOS
