Presentaron Trabajo Final de Grado «Modelos de Pronóstico Basados en Segmentación de Pacientes para la Gestión de Insumos e Identificación y Caracterización de Arquetipos de Pacientes en Hemodiálisis: Predicción de la Demanda por Medio de Aprendizaje Automatizado»

«Modelos de Pronóstico Basados en Segmentación de Pacientes para la Gestión de Insumos e Identificación y Caracterización de Arquetipos de Pacientes en Hemodiálisis: Predicción de la Demanda por Medio de Aprendizaje Automatizado», se denomina el Trabajo Final de Grado (TFG) presentado por los ahora ingenieros Araceli María Leticia Núñez Marecos y Fabricio Sebastian Smith Benítez, como prueba final para egresar de la carrera de Ingeniería Industrial de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el martes 27 de Enero del 2026 en la Institución.

La Enfermedad Renal Crónica (ERC) afecta a más del 10 % de la población mundial y su prevalencia aumentó aproximadamente un 33 % entre 1990 y 2017 (Francis et al., 2024; International Society of Nephrology, 2023). En América Latina, la hemodiálisis (HD) es la modalidad dominante de terapia de reemplazo renal, utilizada por alrededor del 68 % de los pacientes (González-Bedat et al., 2023). La HD constituye un sistema intensivo en recursos físicos, tecnológicos y farmacológicos, pudiendo representar entre el 2 % y el 3 % del gasto anual en salud en países de ingresos altos (Rafferty et al., 2024). En Paraguay, la planificación se vuelve crítica debido a la fuerte centralización de los servicios en el área metropolitana, donde se concentra cerca del 75 % de los
pacientes atendidos por el INN.

El estudio realizado busca proyectar la demanda futura de horas de HD y dosis de eritropoyetina (EPO) mediante la segmentación de pacientes, como herramienta para fortalecer la planificación estratégica del sistema renal. El trabajo es un ejercicio de planificación de recursos que utilizó un enfoque de modelos de agrupamiento y pronóstico para traducir el conocimiento clínico-epidemiológico en herramientas de gestión predictiva. Tras una depuración robusta de la base de datos (incluyendo una corrección determinista por un subregistro en 2023), el estudio comparó esquemas de segmentación (empírico basado en edad x sexo, y algoritmos de machine learning como PAM, Hclust y DBSCAN) y modelos de series temporales (Naïve, Holt, Regresión Lineal y WMA). La segmentación empírica demostró ser la más efectiva para la gestión predictiva, logrando los menores Errores Absolutos Medios (MAE) ponderados en el pronóstico para las variables de consumo, y el modelo de Media Móvil Ponderada (WMA) fue el método preferente. Estos resultados permitieron estimar la demanda y construir bandas de incertidumbre para la planificación de recursos en 2025.