Artificial intelligence in emergency medicine: from expectation to implementation

El trabajo en los servicios de urgencias suele caracterizarse por la necesidad de gestionar el caos y tomar decisiones críticas con información incompleta bajo una presión temporal implacable.En este escenario, la tecnología siempre se ha usado como un soporte pasivo (monitores, historias clínicas, sistemas de laboratorio).La rápida irrupción de la inteligencia artificial (IA) está empezando a transformar este entorno en un escenario de conversación activa y predictiva entre profesional y máquina.La IA no es una única tecnología, sino un conjunto de enfoques y herramientas con usos distintos según el ámbito de aplicación.Las formas más "clásicas" de IA, como el aprendizaje automático (AA, machine learning) y las redes neuronales (RN) 1,2 , son modelos predictivos/ analíticos, a diferencia de la IA generativa, capaz de generar nuevo contenido.En medicina, los algoritmos creados por IA deben actuar como "exoesqueletos cognitivos" que amplifiquen las capacidades humanas para detectar patrones en escenarios complejos sin reemplazar el juicio clínico.En este número de la Revista se publican dos caras de una misma moneda, IA para gestionar flujo y para refinar decisiones clínicas.En el primer artículo, Millán Soria et al. 3 presentan un modelo de aprendizaje automático que predice en tiempo real el ingreso hospitalario integrado en un panel de control para la planificación de camas.El segundo trabajo de Gallardo Pizarro et al. 4 analiza el sistema BOSS (Bacteremia Objective Score System) para estratificar el riesgo de bacteriemia en pacientes con neoplasias hematológicas atendidos en urgencias, comparando regresión logística (RL), medias K (K-means) y máquinas de vector soporte (MVS, support vector machine).El primer trabajo 3 tiene como objetivo predecir quién va a ingresar antes de que el médico firme el ingreso para preparar el recurso con antelación.El rendimiento de los algoritmos mostro que el que utilizó RL obtuvo un área bajo la curva (ABC) de 0,939, mientras que el que usó bosque aleatorio (Random Forest) alcanzó 0,958 (y hasta 0,97 en test), superando la mayoría