Predicting daily emergency department revenue: from clinical intuition to algorithmic support

La presión asistencial en los servicios de urgencias (SU) españoles mantiene un crecimiento sostenido, con aumentos anuales significativos en la demanda y una ocupación estructuralmente elevada, especialmente en los grandes hospitales de referencia.En este escenario, anticipar cuántos pacientes requerirán ingreso en las horas siguientes debería consolidarse como un componente estructural de cualquier SU, no solo para asegurar la seguridad clínica y evitar la saturación del hospital, sino también para proteger la actividad programada [1][2][3] .El artículo de Millán Soria et al. se sitúa justamente en este desafío mediante un modelo de aprendizaje automático (machine learning) que estima en tiempo real la probabilidad de ingreso de cada paciente, integrándolo en una herramienta operativa de planificación de camas.La propuesta enlaza con una literatura creciente que evidencia que la IA aplicada a urgencias ya es una herramienta de presente, llamada a influir de forma directa en la toma de decisiones asistenciales y en la gestión estructural 4 .El reto inmediato consiste en armonizar ese presente-futuro predictivo con la realidad diaria de la gestión de la demanda de camas en el hospital, donde la presión sobre los SU se ha convertido en un indicador visible de disfunciones organizativas más amplias 5 .El trabajo destaca por varios elementos diferenciadores.El primero es el tamaño de la cohorte: más de 300.000 episodios reales procedentes de un SU de alta complejidad.Pocos estudios europeos han entrenado modelos con una base de semejante amplitud, lo que refuerza la estabilidad del algoritmo y explica que las curvas de aprendizaje se estabilicen alrededor de los 130.000 episodios, lo que indica que el modelo no está sobreajustando 6 .En otras palabras, aprende patrones generales y no memoriza los casos concretos del entrenamiento, lo que garantiza que su rendimiento se mantenga en pacientes nuevos.El rendimiento alcanzado es igualmente notable: un área bajo la curva de la característica operativa del receptor de 0,97 en un contexto donde el fuerte desequilibrio entre clases (solo un 11% de los pacientes ingresa) suele deteriorar la precisión.La calibración también merece atención: una puntuación de Brier de 0,0414, un indicador que suele pasarse por alto en muchos estudios pero que, en realidad, es clave para saber si las probabilidades que predice un modelo se corresponden con lo que ocurre realmente en los pacientes 7 .Otro componente valioso es el enfoque dinámico.El modelo actualiza la probabilidad de ingreso a medida que avanza la estancia del paciente, combinando información previa con la generada durante el episodio (variables intraepisodio).Esta estrategia coincide con la tendencia actual hacia sistemas "vivos", capaces de recalcular riesgos en función de la evolución clínica, un requisito esencial en un entorno excepcionalmente variable como urgencias 8 .El grupo investigador, además, evita el vacío habitual entre desarrollo y uso real: implementa el algoritmo en un panel Power BI diseñado para apoyar decisiones en tiempo real, incorporando ocupación, camas disponibles, pacientes pendientes de ingreso y evolución temporal.Este paso convierte el modelo en una herramienta utilizable, y no en un mero ejercicio académico.Las limitaciones señaladas por los autores tienen implicaciones relevantes para su aplicabilidad.El carácter unicéntrico del estudio es la primera.Aunque el Hospital Universitario Politécnico La Fe es un hospital de referencia, la realidad asistencial varía mucho entre centros.Para que este tipo de modelos puedan considerarse un estándar de planificación, será imprescindible validarlos en múltiples hospitales y comprobar que funcionan también en contextos distintos.Tampoco se incluyen datos fisiológicos en tiempo real.Aunque las variables clínico-administrativas muestran un rendimiento elevado, integrar constantes continuas y datos contextuales (tiempos de espera, carga diagnóstica, saturación de recursos) podría elevar aún más la capacidad predictiva 4,8 .Persisten, pues, oportunidades de mejora técnica.También es importante reflexionar sobre el equilibrio entre la complejidad del modelo y su capacidad para ser interpretado.La elección de random forest ya supone una ventaja, porque es más transparente que otros algoritmos más opacos 9 .Sin embargo, añadir herramientas de explicabilidad (como SHAP o LIME) per-