Modelo de recomendación de profesionales médicos para una mejor experiencia de usuarios - Mentoria_DiploDatos2021

El proyecto tiene como objetivo resolver una problemática común en el mundo de la salud: la concentración de la demanda en unos pocos centros médicos. Esta disparidad entre la oferta y la demanda genera experiencias negativas en los usuarios del sistema (principalmente, una escasa disponibilidad de turnos).

Un modelo de recomendación que considere las características del paciente y su nivel de satisfacción podría lograr la descompresión de la demanda y mejorar la experiencia de los usuarios.

Los datos

Si querés inspeccionar el conjunto de datos, lo encontrarás en https://github.com/CSilvi/Mentoria_DiploDatos2021/tree/main/Data

El dataset consistirá en tres tablas:

• Tabla consumos: consultas médicas, con id del centro médico y del paciente asociados.

• Tabla centros médicos: características de los centros médicos.

• Tabla pacientes: características de los pacientes.

Contenidos

1. Análisis y Visualización de Datos

En esta etapa se consistirá en entender el problema de concentración de la demanda en unos pocos oferentes y encontrar patrones de consumo que permitan generar propuestas para lograr una descompresión de la demanda

• Notebook JupiteLab: Practico_1

• Informe: Informe_1

2. Análisis Exploratorio y Curación de Datos

En esta etapa de análisis exploratorio y curación de datos, se enfocará en feature engineering

• Notebook JupiteLab: Practico_2

3. Modelos Aprendizaje Automático

En esta etapa e consistirá en aplicar algoritmos básicos para entender las características asociadas a los distintos segmentos de pacientes y centros médicos. Métricas y validación de resultados

• Notebook JupiteLab: Practico_3

• Informe: Informe_2

Se aplicaron dos modelos de clasificacion decision tree, logistic regression que tengan como target feature categoria_socio. Para la construcción de los modelos: se dividir los datos en conjunto de entrenamiento y validación, cross-validation, grid-search.

4. Modelos de Aprendizaje Supervisado

En esta etapa consistirá en desarrollar algoritmos de recomendación

• Notebook JupiteLab: Practico_5

• Informe: Informe_4

5. Modelos Aprendizaje No Supervisado

En esta etapa que consistirá en explorar reglas de asociación.

• Algoritmos de Clustering: Self Organizing Maps - SOM

• Metodos para determinar numeros de clustering: método del codo y Silhouette

• Notebook JupiteLab: Practico_5

Requerimientos

• matplotlib 3.3.2
• pandas 1.1.3
• numpy 1.19.5
• seaborn 0.11.1
• scikit-learn 0.23.2
• ptitprince==0.2.5
• pandas-profiling==2.11.0