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.
Objective. To design, validate, and implement a tool based on a machine-learning model capable of predicting emergency patient admissions in real time, and to develop an application that integrates the model together with traditional indicators of health care pressure. Method. We analyzed anonymized...
| Publicado en: | Emergencias Vol. 38; no. 2; pp. 98 - 107 |
|---|---|
| Autores principales: | , , , , , , |
| Formato: | research tables/charts Journal Article |
| Publicado: |
Revista Emergencias
Apr2026
|
| Acceso en línea: | Ver este registro en EBSCOhost |
| fields | @attributes: recordID: 1 pdfLink: plink: https://search.ebscohost.com/login.aspx?direct=true&db=ccm&AN=192670560&site=ehost-live header: @attributes: shortDbName: ccm uiTerm: 192670560 longDbName: CINAHL Complete uiTag: AN controlInfo: bkinfo: dissinfo: jinfo: jid: 11376821 ESKG jtl: Emergencias issn: 11376821 maglogo: N pubinfo: dt: Apr2026 vid: 38 iid: 2 pid: 95363 pub: Revista Emergencias artinfo: ui: 192670560 192670560 192670560 10.55633/s3me/009.2026 192670560 ppf: 98 ppct: 9 formats: fmt: @attributes: type: P tig: atl: 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. aug: au: Millán Soria, Javier Medina Álvarez, Javier Sánchez Suárez, Laura Cano Cerviño, Cesar Serrano Lázaro, Leticia García-Minguillán Castillo, Maria Carmen Ginestar Miravet, Vanesa affil: Servicio de Urgencias, Hospital Universitari i Politècnic La Fe, Valencia, España sug: subj: Emergency Service Patient Admission Artificial Intelligence Utilization Prediction Models Utilization Bed Occupancy Health Care Delivery, Integrated Program Development Program Implementation Sensitivity and Specificity Human Random Forest Machine Learning Pearson's Correlation Coefficient Descriptive Statistics Predictive Value of Tests ROC Curve Decision Support Systems, Clinical Hospitalization ab: Objective. To design, validate, and implement a tool based on a machine-learning model capable of predicting emergency patient admissions in real time, and to develop an application that integrates the model together with traditional indicators of health care pressure. Method. We analyzed anonymized data from a total of 328,696 emergency episodes. Fifteen variables with the highest predictive capacity were identified through Pearson correlation analysis. The RandomForest model was selected. Python was used for model construction, and "Jupyter Notebook" for design and validation. A total of 209,530 episodes (64%) were used for training, 52,383 (16%) for validation, and 66,783 (20%) for testing. The model was integrated into a Control Panel using Microsoft Power BI. Results. The model showed a high predictive ability to identify patients who would require admission, with a receiver operating characteristic (ROC) area under the curve (AUC) of 0.97. For each metric, a decrease in training score and a concurrent increase in validation score were observed, ruling out overfitting behaviors. The saturation point in the learning curves was reached at 130,000 episodes. Model calibration yielded a Brier score of 0.0414. Conclusions. The model demonstrates excellent performance and significant potential for predicting hospital admissions among emergency department patients. Combining machine-learning algorithms with interactive visualization systems represents a major step toward more efficient management and planning, helping avoid bottlenecks and overcrowding. 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. pubtype: Academic Journal doctype: research tables/charts Journal Article ougenre: Article language: Spanish refInfo: holdings: @attributes: islocal: N |
|---|