Método predictivo para clasificar la aceptación de la vacunación contra la influenza empleando técnicas de aprendizaje de máquinas.

Abstract

Este trabajo propone y valida una metodología analítica para predecir la aceptación de la vacunación contra la influenza en población laboral y segmentar a los no vacunados para orientar intervenciones focalizadas y aumentar las coberturas lo máximo posible. Primero, se realizó una revisión sistemática de la literatura que consolidó un marco de variables clave para predecir la vacunación contra influenza, así como los métodos de aprendizaje de máquinas más utilizados y sus métricas. Luego, se aplicó la metodología a un caso de uso real en una prestadora de servicios de salud colombiana, (población de 19520 individuos, 44% vacunados y 56% no vacunados). Se entrenaron y compararon cuatro métodos de aprendizaje de máquinas (Regresión Logística, Random Forest, XGBoost y Multi-Layer Perceptron), priorizando la identificación de no vacunados. Los mejores desempeños se obtuvieron con MLP (especificidad del 70% y recall del 55%) y XGBoost (especificidad del 70% y recall del 53%), con AUC del 67%, evidenciando capacidad predictiva moderada. Sobre la subpoblación predicha como no vacunada (11586 personas), un clustering mediante Partitioning Around Medoids definió seis clústeres; los clústeres 2 y 6 (predominio asistencial, mayor edad y más días de incapacidad) fueron priorizados por mayor exposición y potencial impacto operativo. El estudio entrega una metodología reproducible y un punto de partida transferible a otros contextos (comunidades, empresas no sanitarias) y patologías con dinámica similar (neumococo, refuerzos de COVID-19, VPH). (Texto tomado de la fuente)

mejores desempeños se obtuvieron con MLP (especificidad del 70% y recall del 55%) y XGBoost (especificidad del 70% y recall del 53%), con AUC del 67%, evidenciando capacidad predictiva moderada. Sobre la subpoblación predicha como no vacunada (11586 personas), un clustering mediante Partitioning Around Medoids definió seis clústeres; los clústeres 2 y 6 (predominio asistencial, mayor edad y más días de incapacidad) fueron priorizados por mayor exposición y potencial impacto operativo. El estudio entrega una metodología reproducible y un punto de partida transferible a otros contextos (comunidades, empresas no sanitarias) y patologías con dinámica similar (neumococo, refuerzos de COVID-19, VPH).

This study proposes and validates an analytical methodology to predict influenza vaccination acceptance in working population and to segment the unvaccinated in order to guide targeted interventions and maximize coverage. First, a systematic literature review consolidated a framework of key variables to predict influenza vaccination, as well as the most used machine-learning methods and their metrics. The methodology was then applied to a real use case at a colombian healthcare provider (population of 19520 individuals, 44% vaccinated and 56% unvaccinated). Four machine-learning methods were trained and compared (Logistic Regression, Random Forest, XGBoost, and MultiLayer Perceptron), prioritizing the identification of the unvaccinated. The best performances were achieved by MLP (70% specificity and 55% recall) and XGBoost (70% specificity and 53% recall), with an AUC of 67%, indicating moderate predictive capacity. Within the subpopulation predicted as unvaccinated (11586 people), clustering via Partitioning Around Medoids defined six clusters; clusters 2 and 6 (predominantly clinical roles, older age, and more days of sick leave) were prioritized due to higher exposure and potential operational impact. The study provides a reproducible methodology and a transferable starting point for other contexts (communities, non-healthcare companies) and for conditions with dynamics similar to influenza (pneumococcal disease, COVID-19 boosters, HPV).