Procedimiento para la Detección de Eventualidades Aplicando Técnicas de Minería de Proceso en Sistemas de Emergencias Médicas

Transcripción

1 Procedimiento para la Detección de Eventualidades Aplicando Técnicas de Minería de Proceso en Sistemas de Emergencias Médicas Yovannys Sánchez 1, Frank Dávila 1, Jandro González 1, Yuliet Oliva 1, Mirna Cabrera 1, Sailyn Salas 1, Dainerys Castañeiro 2, Dunia Santos 2 (1) Dpto. Atención Primaria para La Salud. (2) Dpto. Gestión Hospitalaria, CESIM. Univ. de las Ciencias Informáticas, Boyeros, La Habana (Cuba) (yscorales@uci.cu) RESUMEN La minería de proceso tiene como objetivo extraer información a partir de los datos almacenados en los registro de trazas de los sistemas de información, en busca de errores, inconsistencias y vulnerabilidades. La investigación se centró en el diseño de un procedimiento para la detección de eventualidades mediante la aplicación de técnicas de minería de proceso aplicado a un sistema de emergencias médicas. Se utilizaron las herramientas Pentaho Data Integration para la extracción, transformación y carga de los datos, MonoDevelop en el desarrollo de la herramienta para convertir al formato estándar de registro de eventos y ProM para realizar el análisis mediante algoritmos de la minería de proceso. El procedimiento se sustenta en parte de los modelos propuestos por van der Aalst, Bozkaya y el caso de estudio de Jans. El resultado obtenido posibilitó la detección de poca consistencia entre los procesos programados y algunos artefactos de ingeniería, los cuales permitieron optimizar dicho sistema. Los modelos obtenidos presentan un nivel de ajuste superior al 0.8. INTRODUCCIÓN La minería de proceso se propone como una alternativa novedosa para mejorar los procesos en una variedad de dominios de aplicación. Aunque la aplicación de esta tecnología es reciente, (Reijers, van der Aalst, Weijters et al., 2007; Rozinat, Mans, Song & van der Aalst, 2009; van der Aalst, 2011; Hernández, 2012); las empresas, centros e instituciones a nivel mundial la están incorporando a sus aplicaciones con el objetivo de descubrir, monitorear y mejorar sus procesos de negocio. Se ubica entre la inteligencia computacional y la minería de datos, por una parte; y la modelación y análisis de procesos, por otra (van der Aalst, 2011). Surge con el objetivo de analizar los registros de eventos destinados a recopilar las trazas de los procesos que ocurren en los sistemas de información actuales. Como cualquier sistema de gestión, los sistemas de emergencias médicas tienen implementado una bitácora, registro de trazas o log (en lo adelante, registro de trazas), como vía para recopilar información de la actividad de los usuarios y procesos que ocurren en el sistema. El registro de trazas, generalmente recoge los datos relacionados con la actividad de los usuarios debido a su enfoque orientado a acciones, por tanto, en ocasiones se dificulta gestionar las instancias correspondientes a los procesos, actividades o acciones, así como predecir la ejecución de las alternativas de dichos procesos. El análisis del registro de trazas es a través de herramientas

2 inteligentes como el ProM, pues se obtienen gráficas, secuencias y modelos que identifican y caracterizan los procesos ejecutados (Homayounfar, 2012). La aplicación de minería de proceso en la salud constituye un enfoque moderno y recomendable en el cuidado de los pacientes (Homayoungfar, 2012). Existen algunos trabajos donde se aplican técnicas de minería de proceso al sector de la salud tales como: la obtención de conocimientos sobre los procesos ginecológicos y oncológicos que se realizan en los hospitales utilizando el algoritmo alfa (Mans et al., 2009), el descubrimiento automatizado de modelos de flujo de trabajo a partir de datos hospitalarios (Maruster et al., 2001), el cual es visualizado mediante una red de Petri y la aplicación de minería sobre un conjunto de Historias Clínicas Electrónicas (Webster, 2011) como alternativa novedosa para mejorar los procesos vinculados con el cuidado de los pacientes, sin embargo, las técnicas de minería de proceso sólo pueden proporcionar un resultado de alta calidad si se conoce la estructura de los datos y si los registros de eventos son mantenidos adecuadamente. Según (van der Aalst, 2011) se pueden aplicar en la actualidad tres tipos de minería de proceso: descubrimiento, conformidad y extensión o mejora. El objetivo de este trabajo es proponer un procedimiento para el descubrimiento de eventualidades presentes en sistemas de emergencias médicas. DISEÑO EXPERIMENTAL Se han realizado los experimentos sobre un registro de eventos creado a partir de un registro de trazas perteneciente a un sistema de emergencias médicas. Dicho sistema almacena la información de las acciones de los usuarios realizadas en cada sesión de trabajo en un gestor de bases de datos PostgreSQL. El registro de eventos incluye un total de 8817 casos (instancias), eventos y se realizan 8 propiedades diferentes con 63 originadores (usuarios). Se considera un log extenso debido a la gran cantidad de casos registrados y existe solo el tipo de evento completado, o sea, compuesto por tareas atómicas. Se utilizó la herramienta Pentaho Data Integration para adaptar automáticamente el registro de trazas inicial a un enfoque basado en procesos. Mientras que para el análisis preliminar (inspección y filtrado) del registro de eventos se utilizó la herramienta ProM. A continuación se muestra una sección del registro de eventos creado.

3 Fig. 1. Fragmento del registro de eventos: tres instancias diferentes con sus respectivos atributos, correspondiente a la tarea Creando hoja de emergencia ejecutadas por el mismo usuario en el mismo día. MODELO Existen modelos (van Giessel, 2004; Rozinat et al., 2009; Bozkaya, 2009; van der Aalst, 2011) diseñados para aplicar minería de procesos en sistemas de información actuales. También casos de estudios (Jans, 2011) con buenos resultados. En este trabajo se aplica un procedimiento sustentado en las propuestas de van der Aalst, Bozkaya y Jans. Dicho procedimiento describe un conjunto de pasos que guían la utilización de las técnicas y algoritmos de minería de proceso para la detección de eventualidades en sistemas de emergencia médica. Como premisa se tiene la inclusión como información mínima asociada al evento, un identificador, el originador y la marca de tiempo; además la vinculación de cada evento con la instancia correspondiente. El mismo se compone de 5 fases: Planificación y justificación, Caracterización del proceso de negocio, Preparación de registro de eventos, Inspección del registro de eventos y Análisis del flujo de actividades como se muestra en el siguiente esquema: Fig. 2. Procedimiento para la detección de eventualidades aplicando técnicas de minería de proceso. Las fases del procedimiento se describen a continuación: Fase 1. Planificación y justificación, se selecciona el enfoque de análisis para la aplicación de la minería de proceso, puede ser orientado a datos, a preguntas o a objetivos. Fase 2. Caracterización del proceso de negocio. Obtiene un modelo preliminar del proceso. Se revisa la documentación del sistema, la información de las trazas, relación entre componentes para obtener la información básica. Fase 3. Preparación del registro de eventos, con el objetivo de obtener un registro de eventos aplicable a las técnicas de minería de proceso. Esta fase se corresponde con la primera fase

4 propuesta en el modelo de Bozkaya debido a que el tipo de minería de proceso a utilizar es de descubrimiento. El formato propuesto para el registro de eventos sigue el estándar XES y para su creación se utiliza una aplicación ad hoc desarrollada con MonoDevelop denominada JyX v1.0 (González, 2013), la cual facilita la conversión del registro de eventos en un archivo de extensión XES de modo que es utilizado como entrada en la herramienta ProM tal y como se muestra en la Fig. 3. Existen otras herramientas para conformar los registros con extensión XES, como por ejemplo XESame y Nitro que, aunque son eficientes en su campo, poseen alta complejidad de trabajo, lo que resulta inconveniente para usuarios inexpertos. Fig. 3. JyX v1.0. Herramienta para la creación de registro de eventos. Fase 4. Inspección del registro de eventos, se realiza con el objetivo de obtener una representación preliminar de la secuencia de actividades del proceso, así como conocer la cantidad de casos, eventos, recursos, las fechas de inicio y fin del registro que intervienen en el mismo. Se detectan además irregularidades como tareas aisladas con baja frecuencia de ocurrencia, instancias incompletas, las cuales son filtradas posteriormente. Finalmente se aplica un diagnóstico del proceso con el objetivo de identificar la secuencia principal de actividades. Fase 5. Análisis del flujo de actividades, tiene como objetivo obtener el modelo del proceso a partir del registro de eventos y exponer los resultados. Si se tiene una descripción previa del proceso, se ejecuta una verificación de conformidad para comprobar si el proceso se ajusta a la especificación, es decir, que cada caso en el registro de eventos pueda ser reproducido en el proceso definido. Si no existe una descripción del proceso, entonces se procede al descubrimiento del flujo de actividades mediante los algoritmos que mejor se ajusten a las características del proceso teniendo en cuenta su respuesta ante el ruido, completitud, tareas duplicadas u ocultas y los lazos. Algunos algoritmos son el Fuzzy Miner (Günther, 2009), Genetic Miner (Medeiros, 2006), Heuristic Miner (Weijters & van der Aalst, 2003), Alfa (van der Aalst, Weijters & Maruster, 2004) y ILP Miner (van der Werf & van Hee, 2008). Como resultado de la aplicación de varios algoritmos se obtienen diversos modelos. Luego se elige el modelo adecuado teniendo en cuenta su valor de métrica de ajuste (fitness), que indica cuánto del comportamiento observado en un registro de eventos es capturado por el modelo original del proceso (los valores están entre 0 y 1). Si el valor es mayor de 0.8 se considera aceptable (Rozinat & van der Aalst, 2006).

5 RESULTADOS El procedimiento planteado es validado sobre el registro de trazas de un sistema de emergencias médicas que incluye las siguientes actividades en su flujo esencial: Recibir Paciente, Crear Hoja de Emergencia, Actualizar Hoja de Emergencia, Interconsulta, Crear Orden Médica, Solicitud de Interconsulta, Paciente a Cirugía, Ingresar Paciente y Egresar Paciente. A partir de la inspección inicial realizada sobre el registro de eventos creado, se evidencia mediante un análisis inicial, patrones de llegada irregulares, gran variación en el tiempo de ejecución de las instancias e inexistencia de patrones recurrentes, lo que constituyen factores que determinan que el proceso analizado es desestructurado como se muestra en la Fig. 4 Fig. 4. Análisis de Gráfico de Puntos. Luego, al aplicar la técnica Fuzzy Miner. El resultado es un modelo (Fig.6), donde se evidencia poca consistencia de los datos almacenados. Por ejemplo, la actividad Egresando Paciente debe estar representada como una tarea final del proceso, sin embargo, en el modelo se observa que es un nodo intermedio que además presenta un lazo con la actividad Creando hoja de emergencia. También se evidencia que actividades como Se registró una solicitud y Recibiendo paciente no se conectan con otras actividades. Todas las actividades presentan lazos con ellas mismas (Fig.5). Cada nodo del modelo representado, muestra la significación que posee su correspondiente actividad. A partir de estos valores se identifica como la actividad más importante para la estructuración del modelo del proceso Creando hoja de emergencia. Se identifican como secuencias principales del proceso: Inicio Creando hoja de emergencia Se ha generado el reporte Fin e Inicio Recibiendo paciente Fin, se utiliza como criterio el color y el grosor de los arcos del modelo.

6 Fig. 5. Modelo fuzzy (lazos). Fig. 6. Modelo fuzzy (secuencias principales). Posteriormente se escogen los algoritmos ILP Miner, Genetic Miner y Heuristic Miner para mostrar lo que realmente ha sido almacenado en el registro de eventos y obtener un modelo integrado. Las actividades de color rojo son las Inicio y Fin, y el resto de las actividades de color verde. La Fig.7 muestra un proceso de Emergencias Médicas al aplicar ILP Miner. Se evidencia falta de estructura debido a que está constituido por un gran número de actividades interrelacionadas y sin un orden establecido para ejecutarlas, lo que hace difícil entender el proceso real. En este modelo la actividad Creando orden médica presenta un comportamiento aislado. Por su parte el algoritmo Genetic Miner retornó 10 modelos diferentes, 9 de ellos poseen un bajo valor de fitness, lo que determina poca consistencia de los datos almacenados. En la Fig. 8 se muestra el modelo obtenido con un fitness de 0.83, o sea, el 83% de los eventos pueden ser reproducidos correctamente en este modelo. Las actividades creando informe médico al paciente y se registró una solicitud ya se muestran como actividades aisladas dentro del proceso. El Heuristic Miner representa el modelo mostrado en la Fig. 9; éste manifiesta un valor de fitness de Se observa que las actividades se ejecutan de modo paralelo, solamente se relacionan entre ellas las actividades Actualizando hoja de emergencia y Se ha generado el reporte. Se puede concluir que de los modelos obtenidos con la aplicación de los algoritmos de descubrimiento seleccionados, el más representativo según el análisis de la métrica de fitness es el modelo Heurístico.

7 Fig. 7. Modelo ILP (secuencias principales). Fig. 8. Modelo Genetic Miner (fitness 0.83). Fig. 9. Modelo Heuristic Miner (fitness 0.90). Fig. 10. Red de Petri (fitness 0.91). Finalmente se realiza una transformación del modelo a una red de Petri con el objetivo de analizar el comportamiento real de las trazas almacenadas con respecto al modelo obtenido. En la Fig.10 se muestra la red de Petri obtenida cuyo valor de fitness es de 0,914. Las marcas de color verde que se observan representan tareas invisibles, algunas asociadas a decisiones no explícitas en el modelo. De igual manera, se expone en cada arco del modelo, la cantidad de punteros (tokens) que transitan de una actividad a la otra y se destacan con círculos rojos los tokens restantes y tokens ausentes que existen en el modelo. La aparición de estos tokens penaliza el valor de la métrica de ajuste. A partir de estos punteros se pueden analizar las posibles desviaciones existentes en el flujo de actividades del proceso. DETECCIÓN DE EVENTUALIDADES Las actividades Entrar al sistema y Salir del sistema no están definidas en el flujo de negocio inicial. Ninguna de las actividades presentes en el modelo obtenido, se comportan como actividades de Inicio y Fin del proceso. Por tanto, es necesario añadir eventos artificiales de inicio y fin del proceso. En la secuencia de actividades, a partir de la lógica del proceso de negocio, la primera actividad para ejecutar debe ser Recibiendo paciente y la próxima Creando hoja de emergencia, sin embargo, en el modelo Heurístico se muestra que estas dos actividades no se conectan y no forman una secuencia de actividades, por tanto, se observa la actividad Recibiendo paciente con

8 un lazo en la actividad (quiere decir que se realiza repetida varias veces y después el usuario se desconecta del sistema). Después de un período de tiempo se comienza a realizar la actividad Creando hoja de emergencia de manera cíclica (o sea, se observa un lazo en esta actividad) y luego se sale del sistema. Ambas tareas manifiestan el mismo comportamiento y evidencian irregularidad porque no cumplen con el modelo de negocio. Para el caso del modelo Heurístico transformado a red de Petri, se observa la existencia de 23 actividades ausentes, que según el modelo debieron haber ocurrido, o sea que según la interpretación del algoritmo, se asumen como actividades que están faltando y las completa con actividades ausentes. Las actividades aisladas son: Se ha generado el reporte y Creando informe médico al paciente. Para la tarea Se ha generado el reporte aunque no presenta baja frecuencia, aparece aleatoriamente durante el proceso, por lo que no se puede vincular a otras actividades. En el caso de la actividad Creando informe médico al paciente tampoco se observa vinculada directamente a ninguna actividad y si presenta una baja frecuencia de ocurrencia. CONCLUSIONES El procedimiento diseñado para la detección de eventualidades para sistemas de emergencias médicas describe cada una de sus etapas propuestas. El resultado del procedimiento queda expresado en los modelos obtenidos en los cuales se visualiza un proceso desestructurado; se observó poca consistencia de los procesos programados, con respecto a los artefactos de software, ya que los modelos obtenidos presentan un alto nivel de ajuste (fitness), lo que evidencia poca correspondencia con el modelo de negocio. Finalmente se detectaron eventualidades en la definición de las actividades Inicio y Fin y en la secuencia de las actividades del proceso, además se encontraron actividades ocultas y aisladas. REFERENCIAS Bozkaya, M., Gabriels, J. & van der Werf, J. M. Process Diagnostics: a Method Based on Process Mining. The International Conference on Information, Process, and Knowledge Management, Cancun, México (2009). González, J.G. Manual de usuario de la herramienta JyX. Universidad de las Ciencias Informáticas. La Habana, Cuba (2013). Günther, C.W. Process Mining in Flexible Environments. Tesis Doctoral, Eindhoven University of Technology, The Netherlands (2009). Homayounfar, P. Process mining challenges in hospital information systems. Proceedings of the Federated Conference on Computer Science and Information Systems, Wroclaw, Poland, p (2012). Jans, M. Process Mining of Event Logs in Internal Auditing: A Case Study. The 2nd International Symposium on Accounting Information Systems, Italy (2011). Mans, R.S. et al. Application of Process Mining in Healthcare. A Case Study in a Dutch Hospital, Eindhoven University of Technology, The Netherlands, p (2009).

9 Maruster, L. Automated Discovery of Workflow Models from Hospital Data. The 13th Belgium- Netherlands Conference on Artificial Intelligence, p (2001). Medeiros, A. K. A. d. Genetic Process Mining. Eindhoven University of Technology, The Netherlands (2006). Reijers, A, van der Aalst, W.M.P, Weijters, A.J. et al. Business Process Mining: An Industrial Application. Information Systems, p (2007). Rozinat, A. & van der Aalst, W.M.P. Conformance testing: Measuring the fit and appropriateness of event logs and process models. Business Process Management Workshops, p (2006). Rozinat, A., Mans, R. S., Song, M., & van der Aalst, W.M.P. Discovering Simulation Models. Information Systems, Vol. 34(3), p (2009). van der Aalst, W.M.P., Weijters, T & Maruster, L. Workflow Mining: Discovering Process Models from Event Logs. IEEE Transactions on Knowledge and Data Engineering, Vol. 16, p (2004). van der Aalst, W.M.P. Process Mining. Discovery, Conformance and Enhancement of Business Processes. London New York: Springer (2011). van Giessel, M. Process mining in SAP R/3.Tesis de Maestría, Eindhoven University of Technology, The Netherlands (2004). Webster, Ch. EHR BPM: From Process Mining to Process Improvement to Process Usability. EHR Workflow Inc (2011). Weijters, A. J. M. M. & van der Aalst, W.M.P. Rediscovering Workflow Models from Event-Based Data using Little Thumb. Journal Integrated Computer-Aided Engineering, Vol. 10, p (2003).