Una herramienta de inteligencia artificial predice cuántas camas se van a necesitar en un hospital

Un equipo de investigadores del Colegio Universitario de Londres, junto con el personal del University College London Hospitals (UCLH), han elaborado una herramienta de Inteligencia Artificial (IA) con la que predicen cuántos de los pacientes que pasan por Urgencias necesitarán quedarse hospitalizados.  

La herramienta, descrita en Nature Digital Medicine, realiza estas estimaciones tras observar los datos en vivo de los pacientes que van llegando al departamento de emergencias del hospital. En el estudio, el equipo de investigación demostró que la herramienta era más precisa que el anterior sistema que utilizaban los planificadores, basado en el número promedio de camas que se necesitaron ese día de la semana durante las seis semanas anteriores. 

Tras comparar las predicciones de ambos modelos con las admisiones reales entre mayo de 2019 y marzo de 2020 descubrieron que las realizadas con la herramienta estuvieron de media cuatro admisiones por debajo de la cifra real en comparación con el método convencional, que fue de 6,5 admisiones.  

Además, la IA es capaz de estimar cuántos pacientes, que aún no han pasado por Urgencias, también van a necesitar una cama. En lugar de una predicción de una sola cifra para el día en general, la herramienta incluye una distribución de probabilidad de cuántas camas se necesitarán en las siguientes cuatro y ocho horas.  

 El equipo de investigación ahora trabaja  con UCLH en el perfeccionamiento de los modelos para que puedan estimar cuántas camas se necesitarán en diferentes áreas del hospital, por ejemplo, camas en salas médicas o salas quirúrgicas. 

“Esperamos que esto pueda ayudar a los planificadores a administrar el flujo de pacientes, una tarea compleja que implica equilibrar los pacientes planificados con las admisiones de emergencia. Esto es importante para reducir la cantidad de cirugías canceladas y garantizar una atención de alta calidad”, apunta el doctor Zella King, autor principal del estudio. Además, Alison Clements, jefa de Operaciones, Flujo de Pacientes y Preparación para Emergencias, Resiliencia y Respuesta en UCLH, añade que su próximo objetivo es continuar refinando la herramienta para expandir su poder predictivo a todo el hospital.  

El estudio 

Los investigadores entrenaron 12 modelos de aprendizaje automático utilizando datos de pacientes registrados en UCLH entre mayo de 2019 y julio de 2021. Estos modelos evaluaron la probabilidad de que cada paciente sea admitido en el hospital desde el departamento de emergencias en función de datos que van desde la edad y cómo llegó el paciente al hospital, para evaluar los resultados y el número de consultas.  

Después del “golpe de Covid”, los investigadores adaptaron estos modelos para tener en cuenta variaciones significativas tanto en la cantidad de personas que llegaban como en la cantidad de tiempo que pasaban en el departamento de emergencias.