Predicción en tiempo real de los ingresos del servicio de urgencias mediante un modelo de inteligencia artificial y su integración en la planificación de las camas de hospitalización

Objetivo.

Diseñar, validar e implementar una herramienta basada en un modelo de aprendizaje automático capaz de predecir en tiempo real los ingresos de los pacientes urgentes y desarrollar una aplicación que incluya el modelo junto a indicadores clásicos sobre la presión asistencial.

Métodos.

Se analizaron los datos anonimizados de 328.696 episodios de urgencias. Se identificaron 15 variables con mayor capacidad predictiva mediante análisis de correlación de Pearson. Se seleccionó el modelo RandomForest. Para el proceso de construcción se utilizó el lenguaje Python, y para el diseño y validación el software Jupyter Notebook. Para el entrenamiento se utilizaron 209.530 episodios (64%), 52.383 (16%) para la validación y 66.783 (20%) para
test. El modelo se integró en un Panel de Control con la herramienta Microsoft Power BI.

Resultados.

El modelo presenta una elevada capacidad predictiva para distinguir los pacientes que van a precisar ingreso, con un área bajo la curva (ABC) de la característica operativa del receptor (COR) de 0,97. Para cada métrica se observa como disminuye la puntuación del entrenamiento al tiempo que aumenta la puntuación de validación lo que descarta comportamientos de sobreajuste. El punto de saturación en las curvas de aprendizaje se alcanza a los
130.000 episodios. La calibración del modelo tiene una puntuación Brier de 0,0414.

Conclusiones.

El modelo muestra un rendimiento excelente y un potencial significativo para predecir el ingreso de los pacientes atendidos en urgencias. La combinación de algoritmos de machine learning con sistemas de visualización interactiva representa un paso importante hacia una gestión y planificación más eficiente para evitar problemas de drenaje y sobreocupación.