Predicció de demanda en salut
CCLR-DL: un híbrid estadística + deep learning per predir la demanda en salut (CMPB, 2025)
Publicat recentment a Computer Methods and Programs in Biomedicine (desembre 2025), l’estudi presenta CCLR-DL, un marc híbrid que integra correlacions creuades, regressió lineal múltiple amb retards i causalitat de Granger amb xarxes neuronals (especialment BiLSTM) per pronosticar la demanda sanitària. Validat amb 10 anys de dades de l’ICS (2010–2019) i 6,3 M d’individus, el mètode millora l’RMSE un 19,8% vs models univariants i supera clarament no fer selecció de variables (+60,1%) o la selecció aleatòria (+51,9%), així com estratègies basades en SHAP (+22,2%).
Mostra i període
Selecció de predictors
Arquitectura òptima
Què aporta a l’atenció primària
- Planificació proactiva: anticipa pics de demanda (>7 dies) per ajustar staffing i agenda.
- Transparència: només reté predictors amb relació temporal significativa (Granger), millorant la interpretabilitat.
- Generalitzable dins l’AP: funciona tant amb diagnòstics epidemiològics (p. ex. J00) com no epidemiològics (M54, T14).
Com funciona (resum tècnic)
- Fase 1 (selecció): elimina col·linealitats, modela amb regressió múltiple retardada (finestra fins a 30 dies) i valida predictors amb tests F/K-S/White.
- Fase 2 (causalitat): aplica ADF/KPSS i Granger per confirmar que cada predictor millora la predicció del target i n’estima el lag òptim.
- Fase 3 (DL): entrena RNN (GRU/LSTM/BiLSTM; millor BiLSTM) amb els predictors seleccionats; guanya especialment en horitzons >7 dies.
Resultats clau
- Precisió: −19,8% RMSE vs univariant; −60,1% vs “sense selecció”; −51,9% vs aleatori; −22,2% vs SHAP.
- Horitzó òptim: rendiment robust en prediccions d’~30 dies (alineat amb el lag de selecció).
- Reproductibilitat: codi obert amb scripts i notebooks (vegeu enllaç a GitHub).
Hernández-Guillamet G, López-Seguí F, Vidal-Alaball J, López B. CCLR-DL: A novel statistics and deep learning hybrid method for feature selection and forecasting healthcare demand. Computer Methods and Programs in Biomedicine. 2025;272:109057. DOI: 10.1016/j.cmpb.2025.109057. Codi: github.com/guillemhg98/CCLR-DL. Comitè ètic: IDIAP Jordi Gol (21/129-PC).
Publicado recientemente en Computer Methods and Programs in Biomedicine (diciembre 2025), el estudio presenta CCLR-DL, un marco híbrido que integra correlaciones cruzadas, regresión lineal múltiple con retardos y causalidad de Granger con redes neuronales (en especial BiLSTM) para pronosticar la demanda sanitaria. Validado con 10 años de datos del ICS (2010–2019) y 6,3 M de individuos, el método reduce el RMSE un 19,8% frente a modelos univariantes y supera claramente no realizar selección de variables (+60,1%) o la selección aleatoria (+51,9%), así como métodos basados en SHAP (+22,2%).
Muestra y periodo
Selección de predictores
Arquitectura óptima
Relevancia para atención primaria
- Planificación proactiva: anticipa picos de demanda (>7 días) para ajustar staffing y agenda.
- Transparencia: conserva solo predictores con relación temporal significativa (Granger), mejorando la interpretabilidad.
- Generalizable en AP: funciona con diagnósticos epidemiológicos (p. ej., J00) y no epidemiológicos (M54, T14).
Cómo funciona (resumen técnico)
- Fase 1 (selección): elimina colinealidades, modela con regresión múltiple retardada (ventana hasta 30 días) y valida con tests F/K-S/White.
- Fase 2 (causalidad): aplica ADF/KPSS y Granger para confirmar que cada predictor mejora la predicción del target y estima su lag óptimo.
- Fase 3 (DL): entrena RNN (GRU/LSTM/BiLSTM; mejor BiLSTM) con los predictores seleccionados; gana especialmente en horizontes >7 días.
Resultados clave
- Precisión: −19,8% RMSE vs univariante; −60,1% vs “sin selección”; −51,9% vs aleatorio; −22,2% vs SHAP.
- Horizonte óptimo: rendimiento robusto a ~30 días (alineado con el lag de selección).
- Reproducibilidad: código abierto con scripts y notebooks (ver enlace a GitHub).
Hernández-Guillamet G, López-Seguí F, Vidal-Alaball J, López B. CCLR-DL: A novel statistics and deep learning hybrid method for feature selection and forecasting healthcare demand. Computer Methods and Programs in Biomedicine. 2025;272:109057. DOI: 10.1016/j.cmpb.2025.109057. Código: github.com/guillemhg98/CCLR-DL. Comité de ética: IDIAP Jordi Gol (21/129-PC).
Comments