Análisis y Desarrollo del Modelo Predictivo de Licencias Médicas

Cliente: Superintendencia de Seguridad Social (SUSESO)

Tipo de proyecto: Diseño, desarrollo, implementación y reentrenamiento de modelo predictivo de Machine Learning

El desafío

La SUSESO enfrentaba un problema de escala: cerca de 150.000 reclamaciones de licencias médicas al año, con un crecimiento sostenido de aproximadamente 10% anual, resueltas por un equipo de profesionales de salud de tamaño fijo. El resultado eran tiempos de resolución de 40 días promedio para licencias médicas y de hasta 190 días para casos de seguro laboral.

No era la primera vez que la institución intentaba resolver este cuello de botella con ciencia de datos: en 2018 hubo un intento previo que no prosperó. Esta vez, la diferencia estaba en la disponibilidad de una nueva fuente de datos clave, el sistema PAE (Procedimiento Administrativo Electrónico) activo desde 2019 y en la posibilidad de aplicar metodologías más robustas de desarrollo de modelos.

El objetivo central del proyecto fue diseñar, desarrollar, implementar, acompañar y reentrenar un modelo predictivo capaz de anticipar si una licencia médica reclamada debía ser acogida o rechazada, permitiendo automatizar los casos donde corresponda y liberar capacidad del equipo humano para los casos más complejos.

Qué se hizo

El trabajo cubrió el ciclo de vida completo de un proyecto de ciencia de datos, desde la comprensión del negocio hasta el reentrenamiento en producción:

• Comprensión del proceso y de los criterios de decisión utilizados hoy por los profesionales de salud que resuelven las reclamaciones, como insumo para el diseño de variables del modelo.

• Análisis, preparación y modelamiento de los datos disponibles en los distintos sistemas institucionales (PAE, LME Licencia Médica Electrónica, SILMSIL para licencias en papel, y SCOD vía Registro Civil).

• Diseño y selección del modelo predictivo de tipo acoge/rechaza, incorporando desde el inicio la medición de equidad estadística como criterio de aceptación, no como un chequeo posterior.

• Entrenamiento, validación, ajuste y optimización del modelo seleccionado, junto con un documento de análisis de impacto, transparencia, sesgo y explicabilidad (contrafactuales y factores clave).

• Integración del modelo al sistema PAE en tiempo real, expuesto como servicio web para que el flujo de resolución de reclamaciones pudiera consumir la predicción directamente.

• Monitoreo en régimen y reentrenamiento del modelo entre los 3 y 6 meses posteriores a la puesta en marcha.

• Transferencia de conocimiento y capacitación al equipo designado por SUSESO, incluyendo manuales de usuario, de sistemas y de instalación.

El proyecto se ejecutó en 12 meses, organizado en cuatro hitos de entrega: análisis y preparación de datos (mes 3), modelo entrenado y documentado (mes 5), implementación e integración con el PAE (mes 10), y reentrenamiento más transferencia tecnológica (mes 12).

Requerimientos técnicos

Arquitectura y stack

• Servicios web REST sobre infraestructura cloud provista íntegramente por SUSESO.

• Sin frontend: el modelo se expone únicamente como API, la interfaz de usuario sigue siendo el PAE ya existente.

• Backend y base de datos de libre elección del proveedor, documentando lenguajes, frameworks, licencias y requerimientos de hardware/software.

• Licencias perpetuas obligatorias para todo software comercial utilizado.

Metodología

• Desarrollo bajo CRISP-DM, de carácter obligatorio en las bases.

• Herramientas de evaluación de sesgo consideradas: Aequitas, AI Fairness 360 y Fairlearn (u otras acordadas con SUSESO).

• Todas las etapas de preparación y entrenamiento debían ser reproducibles mediante scripts.

Integraciones

• PAE (servicio de inferencia en tiempo real, entrada de variables → salida de predicción).

• LME y SILMSIL como fuentes de datos de licencias médicas (electrónicas y en papel).

• SCOD como fuente de datos vía Registro Civil.

Criterio de éxito

El estándar de aceptación no fue solo funcional: el modelo implementado debía superar la tasa de clasificación correcta  que había dejado la consultoría previa de 2018, además de contar con métricas de equidad estadística aceptadas por la institución y mecanismos de explicabilidad documentados y operativos.

Disclaimer: esta descripción fue elaborada exclusivamente en base a la información pública disponible en las bases de licitación del proyecto. No incluye detalles confidenciales, resultados específicos del modelo ni información contractual reservada entre SUSESO y X-Consulting.