Sistema de caracterización de pacientes “alto costo” usando analítica de datos en Metrosalud

Abstract

Los pacientes de alto costo representan un desafío significativo para los sistemas de salud públicos, consumiendo una proporción desmedida de los recursos disponibles. Este trabajo desarrolla un sistema de caracterización basado en análisis de datos para identificar afiliados con riesgo de convertirse en pacientes de alto costo, utilizando los datos abiertos de Metrosalud . A través de técnicas de Big Data, inteligencia de negocios y aprendizaje automático, se analizaron historiales clínicos, patrones de consumo de servicios y variables sociodemográficas de pacientes atendidos entre 2020 y 2025. El estudio identificó combinaciones específicas de servicios, procedimientos y diagnósticos que actúan como indicadores tempranos de progresión hacia condiciones de alto costo. Se desarrolló un modelo de clasificación capaz de segmentar pacientes según su riesgo, permitiendo intervenciones preventivas personalizadas. Los resultados muestran que el 4.3% de la población analizada concentra aproximadamente el 60% del gasto en salud, con patrones específicos relacionados con nivel socioeconómico, ubicación geog ráfica y edad.High-cost patients represent a significant challenge for public health systems, consuming a disproportionate share of available resources. This work develops a characterization system based on data analysis to identify affiliates at risk of becoming high-cost patients, using open data from Metrosalud. Through Big Data techniques, business intelligence, and machine learning, clinical histories, service consumption patterns, and sociodemographic variables of patients treated between 2020 and 2025 were analyzed. The study identified specific combinations of services, procedures, and diagnoses that act as early indicators of progression towards high-cost conditions. A classification model capable of segmenting patients according to their risk was developed, allowing personalized preventive interventions. The results show that 4.3% of the analyzed population concentrates approximately 60% of health expenditure, with specific patterns related to socioeconomic level, geographical location, and age.