Desarrollo de Modelos Espacio–Tiempo Geoestadísticos para Predecir las Cargas de Tratamiento Ambulatorio a partir de Datos Nacionales Incompletos

Los datos básicos del sistema de salud, como el número de pacientes que utilizan diferentes instalaciones de salud y los tipos de enfermedades por las que están siendo tratados, son críticos para gestionar la provisión de servicios. Estas necesidades de datos generalmente se abordan con algún tipo de Sistema Nacional de Información de Gestión de Salud (HMIS) que coordina la recolección y recopilación rutinaria de datos de las instalaciones de salud nacionales. Los HMIS en la mayoría de los países en desarrollo se caracterizan por un amplio subregistro. Aquí presentamos un método para ajustar datos incompletos que permita predecir las cargas de tratamiento ambulatorio nacional. Demostramos este método con el ejemplo de tratamientos ambulatorios para la malaria dentro del HMIS de Kenia. Se desarrollaron y probaron tres marcos de modelado alternativos en los que se utilizaron algoritmos de predicción geoestadística espacio-temporal para predecir el total mensual de tratamientos para casos de malaria presumidos (MC) en las instalaciones donde se carecía de tales registros. Los modelos se compararon mediante un ejercicio de validación cruzada y el modelo que predijo con mayor precisión el MC incorporó datos disponibles sobre el número total de pacientes que visitan cada instalación cada mes. Se desarrolló y probó un marco de simulación estocástica espacio-temporal para acompañar este modelo con el fin de proporcionar estimaciones de incertidumbre de predicción tanto local como regional. El nivel de precisión proporcionado por el modelo predictivo y las estimaciones de incertidumbre relacionadas con las predicciones demuestran cómo esta herramienta puede mitigar las incertidumbres causadas por datos faltantes, mejorando sustancialmente la utilidad de los datos existentes del HMIS para los responsables de la toma de decisiones en salud.