Un equipo de investigación interdisciplinario ha desarrollado un marco predictivo basado en inteligencia artificial capaz de prever la saturación en salas de urgencias antes de que ocurra, permitiendo a los hospitales actuar antes de que se presenten largas esperas. Este enfoque proactivo se fundamenta en modelos de aprendizaje automático que pronostican el flujo de pacientes usando once algoritmos diferentes, desde enfoques tradicionales hasta modelos de aprendizaje profundo.

Los investigadores han probado el modelo en un hospital de la región sudeste de Estados Unidos utilizando datos internos y externos. Para el pronóstico, implementaron dos modelos: uno que estima la cantidad de pacientes en la sala de espera cada seis horas, y otro que proporciona una proyección diaria sobre el promedio de pacientes.

Los resultados indicaron que el modelo de predicción cada seis horas, denominado TSiTPlus, logró un error absoluto medio (MAE) de 4.19 al prever la cantidad de personas en espera, mientras que el modelo diario, XCMPlus, alcanzó un MAE de 2.00. Esto demuestra una alta capacidad predictiva que puede ayudar a los hospitales a optimizar la gestión de recursos.

Con tales herramientas, los gestores de los hospitales pueden efectuar ajustes en la asignación de personal y en la planificación de recursos con suficiente antelación para mitigar los efectos de la sobresaturación. Por ejemplo, pueden coordinar el uso de espacios en pasillos, activar personal adicional, o reasignar camas y personal clínico de manera anticipada.

Aunque las pruebas iniciales muestran que los modelos pueden prever con efectividad situaciones extremas de saturación, aún son necesarias evaluaciones sobre el impacto real que esta capacidad predictiva tiene en la planificación hospitalaria. Se espera que las futuras implementaciones vayan acompañadas de simulaciones para demostrar cómo estas herramientas pueden revolucionar la atención y reorganización en los departamentos de emergencia.

En conclusión, la integración de estos modelos en un sistema de soporte decisorio tienen el potencial de mejorar la eficiencia operativa y el manejo del flujo de pacientes en los hospitales, asegurando una atención más oportuna y reduciendo la congestión en los servicios de urgencias.