Modelamiento predictivo del desempeño territorial en la implementación de las Rutas Integrales de Atención en Salud (RIAS) en Colombia mediante aprendizaje automático

Abstract

El proyecto desarrolla un modelo predictivo orientado a estimar el desempeño territorial en la implementación de las Rutas Integrales de Atención en Salud (RIAS) en Colombia, utilizando series históricas del Monitor RIAS del SISPRO y técnicas avanzadas de aprendizaje automático. La metodología CRISP-DM permitió estructurar el proceso analítico desde la depuración de datos hasta la evaluación de los modelos, garantizando rigor metodológico y coherencia en los distintos niveles de desagregación territorial.

Los algoritmos de ensamblaje —Random Forest, XGBoost y LightGBM— obtuvieron los mejores resultados, alcanzando valores de explicabilidad (R²) entre 0,80 y 0,98, lo que evidencia una alta capacidad para modelar la variabilidad real de los indicadores y generar predicciones confiables. Con base en estos modelos se elaboró una proyección combinada para el periodo 2025–2027, que muestra estabilidad en los indicadores maternos y una progresión gradual en dimensiones como salud bucal, salud visual y detección temprana.

En conjunto, los resultados consolidan una herramienta predictiva robusta y aplicable para la planeación estratégica en salud pública, facilitando la identificación temprana de brechas territoriales y el fortalecimiento de la toma de decisiones basada en evidencia.