Análisis de factores determinantes, adicionales al diagnóstico, que permitan la detección temprana de casos de larga estadía mediante un modelo econométrico de predicción

Al estar lejos del trabajo, debido a un accidente o enfermedad ocupacional, el trabajador puede deprimirse, sufrir consecuencias económicas y sociales, entre otras, todo lo cual impacta adversamente en su salud, calidad y esperanza de vida. Este proyecto tiene como objetivo determinar los factores adicionales al diagnóstico que permitan predecir anticipadamente si un paciente tendrá ausencia prolongada, considerando la información asociada al otorgamiento de reposo a pacientes de la Mutual de Seguridad, clasificados en tres grupos; accidentes del trabajo, del trayecto y enfermedades profesionales. Para ello se definió de un modelo Machine Learning (ML) + Explicación de Inteligencia Artificial (XAI), complementado con un enfoque econométrico. Para la selección del modelo ML, se emplea la técnica de benchmarking de modelos, el rendimiento de los algoritmos se evaluó en función de métricas como accuracy, precisión, recall y F1 score y para interpretar el modelo que presenta el mejor desempeño se usó Shapley Additive Explanations (SHAP). Desde el punto de vista econométrico se aplicó modelos logit y probit, cuyo rendimiento se evaluó según el método de máxima verosimilitud y el estadístico AIC (Akaike). Ambas metodologías aplicadas infieren que tanto para los accidentes del trabajo como del trayecto, gravedad, presencia de diagnósticos múltiples y porcentaje de incapacidad son variables propias del diagnóstico que influyen en la ausencia prolongada: En relación, con las variables distintas al diagnóstico destacan en (1) Accidentes del trabajo: sexo masculino, edad avanzada, accidente por caída y desempeño laboral en las PYMES (2) Accidentes del trayecto: edad avanzadas y desempeño en las PYMES, sexo masculino, seguridad vial y accidente ocurrido en zonas urbanas y para (3) enfermedades profesionales: los modelos no permiten realizar estimaciones estadísticamente significativas.