Metodología basada en analítica espacio-temporal y machine learning para evaluar la calidad del servicio de red de telecomunicaciones y determinar la factibilidad de conectividad para aplicaciones e-Health

Abstract

El presente trabajo propone una metodología que integra el aspecto espacio-temporal de los datos y el machine learning para evaluar la calidad de la infraestructura digital frente al despliegue de aplicaciones e-health en Perú. Haciendo énfasis en la importancia del sistema de salud en el bienestar social, y que fue evidenciada por la creciente relevancia de la telemedicina después de la pandemia de COVID-19. El estudio tiene como objetivo evaluar la infraestructura digital en el Perú en relación a los servicios de telemedicina, utilizando datos de conectividad del servicio de Internet de Speedtest, densidad poblacional modelada en hexágonos H3, y la lista de servicios de telemedicina. El uso de técnicas de machine learning recrean un mapa de la infraestructura digital del Perú. Luego, estos resultados se extienden a evaluar la calidad en zonal adyacentes a los centros de salud. La metodología contempla la preparación de datos, incluyendo la indexación e imputación de datos faltantes de calidad del servicio (QoS) utilizando el regresor K-Neighbors, y la agrupación de áreas utilizando K-means para categorizar la calidad del servicio. Los hallazgos revelan que más del 90% de la población reside en áreas donde la infraestructura soporta más del 70% de los servicios de telemedicina catalogados. Los resultados revelan desafíos y oportunidades clave sobre la infraestructura digital de Perú. La identificación de áreas con limitaciones y la categorización de hospitales en diferentes niveles de capacidad ofrecen una visión integral de la situación actual. Estos indicadores pueden orientar políticas públicas y decisiones de salud pública, enfocándose en mejorar la adopción y uso efectivo de las aplicaciones e-health, especialmente en el ámbito de la telemedicina.

This work proposes a methodology that integrates the spatio-temporal aspect of data and machine learning to evaluate the quality of digital infrastructure for the deployment of e-health applications in Peru. Emphasizing the importance of the health system in social well-being, which was highlighted by the growing relevance of telemedicine following the COVID-19 pandemic. The study aims to evaluate the digital infrastructure in Peru in relation to telemedicine ser- vices, using internet connectivity data from Speedtest, population density modeled in H3 hexa- gons, and the list of telemedicine services. Machine learning techniques are used to recreate a map of Peru’s digital infrastructure. These results are then extended to evaluate the quality in areas adjacent to health centers. The methodology includes data preparation, indexing and imputing missing quality of service (QoS) data using the K-Neighbors regressor, and clustering areas using K-means to categorize service quality. The findings reveal that more than 90% of the population resides in areas where the infrastructure supports more than 70% of the cataloged telemedicine services. The results reveal key challenges and opportunities regarding Peru’s digital infrastructure. Identifying areas with limitations and categorizing hospitals into different levels of capacity offer a comprehensive view of the current situation. These indicators can guide public policies and health decisions, focusing on improving the adoption and effective use of e-health applications, especially in the field of telemedicine.