Desigualdades en atención sanitaria: Ciencia de Datos y Machine Learning

Abstract

La propuesta de monografía titulada “Desigualdades en Atención Sanitaria: Ciencia de Datos y Machine Learning” se centra en analizar las brechas existentes en el acceso a los servicios de salud, aplicando herramientas tecnológicas de analítica de datos y aprendizaje automático para identificar patrones de inequidad y proponer soluciones basadas en evidencia. En el resumen se expone que las desigualdades sanitarias constituyen disparidades evitables en el acceso y los resultados de la atención médica, afectando principalmente a poblaciones vulnerables por factores socioeconómicos, geográficos y estructurales. Se plantea que el uso de la ciencia de datos permite identificar tendencias y mejorar la toma de decisiones, orientando políticas más equitativas. La justificación resalta que estas desigualdades representan no solo un problema de salud pública, sino también una violación de derechos fundamentales. Abordarlas es clave para promover cohesión social, equidad y sostenibilidad en los sistemas de salud. Se subraya la falta de datos desagregados y de enfoques tecnológicos innovadores, lo cual limita las intervenciones actuales. Por ello, el proyecto busca aportar desde la ingeniería y la ciencia de datos, complementando estudios cualitativos con modelos predictivos que generen recomendaciones aplicables a políticas públicas. El objetivo general consiste en identificar variables determinantes de las desigualdades sanitarias mediante análisis de datos, detección de patrones y formulación de propuestas para mejorar el acceso a servicios de salud. Los objetivos específicos incluyen: analizar factores socioeconómicos, demográficos y geográficos que condicionan la inequidad, desarrollar un modelo predictivo que permita localizar zonas críticas y grupos afectados, y diseñar estrategias de optimización de recursos basadas en datos. El marco conceptual y teórico se estructura en torno a tres ejes: los determinantes sociales de la salud, que evidencian la influencia del nivel socioeconómico, la educación, la discriminación y la localización geográfica en el acceso a la atención; la discriminación estructural, que afecta a grupos minoritarios como indígenas, migrantes y comunidades rurales; y el papel de la tecnología en salud, destacando la telemedicina y los sistemas digitales, cuyo acceso desigual puede profundizar las brechas existentes. Se apoya en teorías de salud pública y en estudios recientes sobre la aplicación del big data y el machine learning en la gestión de inequidades sanitarias. En cuanto a la metodología, se empleará un enfoque cuantitativo basado en técnicas de ciencia de datos, minería de información y algoritmos de aprendizaje automático, con el fin de identificar correlaciones y tendencias ocultas en grandes volúmenes de información sanitaria. Asimismo, se contempla el uso del método PRISMA para la revisión sistemática de literatura, garantizando rigor científico en la selección de fuentes y estudios previos.

El cronograma proyecta un periodo de ejecución, dividido en fases que van desde la recolección de datos, análisis descriptivo, desarrollo de estrategias, implementación de un piloto en una región seleccionada, hasta la evaluación del impacto y la difusión de resultados. En cuanto a recursos, se prevé el uso de software de análisis estadístico y de machine learning, acceso a bases de datos sanitarias, infraestructura tecnológica segura para el manejo de información sensible, y apoyo del asesor académico. Los resultados esperados incluyen la identificación de factores críticos de inequidad, la validación de un modelo predictivo para focalizar recursos en áreas vulnerables, y la elaboración de recomendaciones aplicables a políticas públicas. Asimismo, se espera generar publicaciones científicas y presentaciones en escenarios académicos y de toma de decisiones. Finalmente, el proyecto contó con el acompañamiento de la asesora Nidia Danigza Lugo López, docente, quien guio la ejecución metodológica y la rigurosidad académica de la investigación.